Tổng quan nghiên cứu

Động cơ không đồng bộ (ĐCKĐB) là loại động cơ phổ biến trong công nghiệp nhờ hiệu suất cao, chi phí thấp và yêu cầu bảo trì ít. Theo ước tính, động cơ này chiếm phần lớn trong các ứng dụng sản xuất và đời sống hàng ngày. Tuy nhiên, việc điều khiển tốc độ và mô-men xoắn của ĐCKĐB gặp nhiều thách thức do tính phi tuyến và sự biến đổi tham số trong quá trình vận hành. Phương pháp điều khiển véc tơ (Field Oriented Control - FOC) được áp dụng để điều khiển độc lập mô-men và từ thông, tương tự như động cơ một chiều, nhưng đòi hỏi cảm biến tốc độ và các thông số chính xác. Việc sử dụng cảm biến tốc độ làm tăng chi phí, kích thước hệ thống và giảm độ tin cậy do sai số cảm biến và biến đổi tham số.

Mục tiêu của luận văn là xây dựng cảm biến mềm (soft sensor) dựa trên mạng Neural Network (NN) để ước lượng tốc độ động cơ không đồng bộ, nhằm giảm chi phí và tăng độ tin cậy hệ thống. Nghiên cứu tập trung vào thiết kế bộ ước lượng tốc độ sử dụng mạng NN với đầu vào là điện áp stator và dòng điện, đầu ra là tốc độ rotor. Phạm vi nghiên cứu thực hiện mô phỏng trên phần mềm MATLAB/SIMULINK trong điều kiện không tải, có tải và thay đổi tham số động cơ như điện trở stator và rotor. Kết quả cho thấy sai số giữa tốc độ thực tế và tốc độ ước lượng dưới 0,5% với thời gian đáp ứng quá độ gần bằng 0, chứng minh hiệu quả của phương pháp.

Nghiên cứu có ý nghĩa quan trọng trong việc phát triển các hệ thống điều khiển động cơ không dùng cảm biến tốc độ, góp phần giảm chi phí, tăng độ tin cậy và ứng dụng rộng rãi trong công nghiệp hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Mô hình toán học động cơ không đồng bộ ba pha: Bao gồm hệ phương trình điện áp, dòng điện và từ thông trên hệ tọa độ stator và rotor, mô tả chính xác đặc tính động lực học của động cơ. Các phương trình trạng thái được xây dựng trên hệ tọa độ αβ và dq, sử dụng biến đổi Clarke và Park để đơn giản hóa mô hình.

  • Phương pháp điều khiển định hướng trường (Field Oriented Control - FOC): Kỹ thuật điều khiển véc tơ cho phép điều khiển độc lập mô-men và từ thông bằng cách chuyển đổi dòng điện stator sang hệ tọa độ quay dq, sử dụng các phép biến đổi Clarke và Park. FOC gồm hai dạng chính: điều khiển định hướng trường trực tiếp (DFOC) và gián tiếp (IFOC), trong đó IFOC được ưu tiên do độ chính xác cao hơn và giảm sai số cảm biến.

  • Mạng Neural Network (NN): Hệ thống xử lý thông tin mô phỏng cấu trúc mạng thần kinh sinh học, có khả năng học và ước lượng phi tuyến. Mạng NN được thiết kế với cấu trúc nhiều lớp, trọng số liên kết được điều chỉnh qua quá trình huấn luyện để ước lượng tốc độ rotor dựa trên đầu vào là điện áp và dòng điện stator.

  • Phân tích hồi quy và tương quan: Sử dụng phương pháp hồi quy tuyến tính và hệ số tương quan để đánh giá mối quan hệ giữa các tham số động cơ và tốc độ rotor, hỗ trợ trong việc lựa chọn dữ liệu huấn luyện mạng NN.

Phương pháp nghiên cứu

Nghiên cứu sử dụng các phương pháp sau:

  • Thu thập và xử lý dữ liệu: Dữ liệu điện áp stator, dòng điện stator và tốc độ rotor được thu thập từ mô hình động cơ không đồng bộ ba pha mô phỏng trên MATLAB/SIMULINK. Dữ liệu được lọc và lựa chọn kỹ càng để đảm bảo chất lượng huấn luyện mạng NN.

  • Xây dựng mô hình toán học: Mô hình động cơ được xây dựng dựa trên hệ phương trình trạng thái trên hệ tọa độ αβ và dq, áp dụng biến đổi Clarke và Park để đơn giản hóa và phục vụ cho việc điều khiển FOC.

  • Thiết kế và huấn luyện mạng Neural Network: Mạng NN truyền thẳng nhiều lớp được thiết kế với các cấu trúc khác nhau (từ 5-5-1 đến 5-13-1) để tìm ra cấu trúc tối ưu. Quá trình huấn luyện sử dụng dữ liệu đầu vào là điện áp và dòng điện stator, đầu ra là tốc độ rotor. Phương pháp huấn luyện dựa trên thuật toán lan truyền ngược (backpropagation).

  • Mô phỏng và đánh giá: Mô hình ước lượng tốc độ sử dụng mạng NN được mô phỏng trong MATLAB/SIMULINK dưới các điều kiện không tải, tải không đổi, tải thay đổi và thay đổi tham số động cơ (điện trở stator Rs và rotor Rr). Kết quả được so sánh với mô hình tham chiếu thích nghi (MRAS) để đánh giá hiệu suất.

  • Phân tích kết quả: Sai số giữa tốc độ thực tế và tốc độ ước lượng được tính toán, thời gian đáp ứng quá độ được đánh giá. Các biểu đồ và bảng số liệu được sử dụng để minh họa mối tương quan và hiệu quả của mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất ước lượng tốc độ cao: Sai số giữa tốc độ thực tế và tốc độ ước lượng bằng mạng NN luôn dưới 0,5% trong các điều kiện vận hành khác nhau, bao gồm không tải, tải không đổi và tải thay đổi. Thời gian đáp ứng quá độ gần bằng 0, cho thấy khả năng phản hồi nhanh của bộ ước lượng.

  2. Độ bền với biến đổi tham số: Khi thay đổi điện trở stator Rs và điện trở rotor Rr, mô hình ước lượng vẫn duy trì sai số thấp, chứng tỏ mạng NN có khả năng thích ứng tốt với sự biến đổi tham số động cơ. Ví dụ, khi Rs thay đổi ±20%, sai số tốc độ ước lượng không vượt quá 0,5%.

  3. So sánh với mô hình MRAS: Mạng NN cho kết quả ước lượng chính xác hơn và ổn định hơn so với mô hình tham chiếu thích nghi MRAS, đặc biệt trong điều kiện thay đổi tham số và tải. MRAS có xu hướng tăng sai số khi tham số động cơ biến đổi.

  4. Cấu trúc mạng tối ưu: Qua thử nghiệm các cấu trúc mạng từ 5-5-1 đến 5-13-1, cấu trúc 5-10-1 được xác định là tối ưu, cân bằng giữa độ chính xác và thời gian huấn luyện. Mạng này đạt sai số thấp nhất và hội tụ nhanh.

Thảo luận kết quả

Nguyên nhân chính của hiệu suất cao là khả năng học phi tuyến và xử lý song song của mạng Neural Network, giúp mô hình ước lượng tốc độ chính xác ngay cả khi thông số động cơ thay đổi hoặc có nhiễu. Việc sử dụng dữ liệu điện áp và dòng điện stator làm đầu vào giúp mạng NN khai thác đầy đủ thông tin trạng thái động cơ mà không cần cảm biến tốc độ vật lý.

So với các phương pháp truyền thống như MRAS, EKF hay bộ quan sát Luenberger, mạng NN có ưu điểm về độ chính xác, khả năng thích ứng và giảm độ phức tạp thuật toán. Kết quả mô phỏng có thể được trình bày qua biểu đồ sai số tốc độ theo thời gian, bảng so sánh sai số giữa các phương pháp và đồ thị thể hiện ảnh hưởng của biến đổi tham số đến hiệu suất ước lượng.

Nghiên cứu khẳng định tính khả thi của cảm biến mềm dựa trên mạng NN trong điều khiển động cơ không đồng bộ không dùng cảm biến tốc độ, góp phần nâng cao độ tin cậy và giảm chi phí hệ thống.

Đề xuất và khuyến nghị

  1. Triển khai thực nghiệm trên hệ thống thực tế: Đề xuất thực hiện thử nghiệm bộ ước lượng tốc độ mạng NN trên động cơ không đồng bộ thực tế để đánh giá hiệu suất trong môi trường vận hành thực, nhằm kiểm chứng kết quả mô phỏng. Thời gian thực hiện dự kiến 6-12 tháng, do các đơn vị nghiên cứu và doanh nghiệp công nghiệp phối hợp.

  2. Phát triển thuật toán huấn luyện mạng NN nâng cao: Áp dụng các thuật toán học sâu (deep learning) hoặc mạng hồi tiếp (recurrent neural networks) để cải thiện khả năng dự báo và thích ứng với các điều kiện vận hành phức tạp hơn. Mục tiêu giảm sai số xuống dưới 0,3% trong vòng 1-2 năm.

  3. Tích hợp cảm biến mềm vào hệ thống điều khiển FOC: Đề xuất tích hợp bộ ước lượng tốc độ mạng NN vào bộ điều khiển định hướng trường gián tiếp (IFOC) để thay thế cảm biến tốc độ vật lý, giảm chi phí và tăng độ tin cậy. Chủ thể thực hiện là các nhà sản xuất thiết bị điều khiển động cơ trong vòng 1 năm.

  4. Nâng cao khả năng chống nhiễu và ổn định: Nghiên cứu bổ sung các kỹ thuật lọc tín hiệu và điều chỉnh trọng số mạng NN để tăng khả năng hoạt động ổn định trong môi trường có nhiễu điện từ và biến đổi tham số nhanh. Thời gian nghiên cứu 6 tháng, do các nhóm nghiên cứu chuyên sâu về mạng NN và điều khiển tự động đảm nhiệm.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử và điều khiển tự động: Luận văn cung cấp kiến thức sâu về mô hình toán học động cơ không đồng bộ, phương pháp điều khiển FOC và ứng dụng mạng Neural Network trong ước lượng tốc độ, hỗ trợ nghiên cứu và phát triển các đề tài liên quan.

  2. Kỹ sư thiết kế và phát triển hệ thống điều khiển động cơ: Thông tin về cảm biến mềm và phương pháp ước lượng tốc độ không dùng cảm biến giúp kỹ sư cải tiến thiết kế, giảm chi phí và tăng độ tin cậy cho các sản phẩm điều khiển động cơ.

  3. Doanh nghiệp sản xuất và bảo trì thiết bị công nghiệp: Áp dụng kết quả nghiên cứu để nâng cao hiệu quả vận hành, giảm chi phí bảo trì và tăng tuổi thọ thiết bị trong các nhà máy sử dụng động cơ không đồng bộ.

  4. Các tổ chức đào tạo và giảng dạy kỹ thuật: Tài liệu luận văn có thể được sử dụng làm tài liệu tham khảo, bài giảng về điều khiển động cơ, mạng Neural Network và cảm biến mềm trong các chương trình đào tạo kỹ thuật.

Câu hỏi thường gặp

  1. Cảm biến mềm là gì và có ưu điểm gì so với cảm biến vật lý?
    Cảm biến mềm là mô hình phần mềm ước lượng các đại lượng vật lý dựa trên dữ liệu đầu vào khác mà không cần thiết bị đo trực tiếp. Ưu điểm gồm giảm chi phí, tăng độ tin cậy, giảm kích thước hệ thống và khả năng thích ứng với biến đổi tham số.

  2. Tại sao sử dụng mạng Neural Network để ước lượng tốc độ động cơ?
    Mạng NN có khả năng học phi tuyến, xử lý song song và thích ứng với dữ liệu phức tạp, giúp ước lượng chính xác tốc độ động cơ ngay cả khi tham số thay đổi hoặc có nhiễu, vượt trội hơn các phương pháp truyền thống như MRAS hay EKF.

  3. Phương pháp điều khiển định hướng trường (FOC) hoạt động như thế nào?
    FOC chuyển đổi dòng điện stator sang hệ tọa độ quay dq để điều khiển độc lập mô-men và từ thông, giúp động cơ hoạt động hiệu quả tương đương động cơ DC. FOC gồm hai dạng chính là DFOC và IFOC, trong đó IFOC phổ biến hơn do độ chính xác cao.

  4. Sai số ước lượng tốc độ dưới 0,5% có ý nghĩa gì trong thực tế?
    Sai số nhỏ dưới 0,5% đảm bảo bộ ước lượng tốc độ hoạt động chính xác, giúp hệ thống điều khiển vận hành ổn định, giảm hao mòn và tăng tuổi thọ động cơ, đồng thời giảm chi phí do không cần cảm biến tốc độ vật lý.

  5. Mô hình mạng NN nào được sử dụng và tại sao?
    Mạng NN truyền thẳng nhiều lớp với cấu trúc 5-10-1 được chọn vì cân bằng tốt giữa độ chính xác và thời gian huấn luyện. Cấu trúc này đủ phức tạp để mô hình hóa quan hệ phi tuyến giữa điện áp, dòng điện và tốc độ rotor.

Kết luận

  • Đã xây dựng thành công bộ ước lượng tốc độ động cơ không đồng bộ sử dụng mạng Neural Network kết hợp với phương pháp điều khiển định hướng trường, đạt sai số dưới 0,5%.
  • Mạng NN thể hiện khả năng thích ứng tốt với biến đổi tham số động cơ và điều kiện tải khác nhau, vượt trội hơn các phương pháp truyền thống như MRAS.
  • Mô hình được mô phỏng và đánh giá trên MATLAB/SIMULINK, chứng minh tính khả thi và hiệu quả trong điều khiển không dùng cảm biến tốc độ.
  • Đề xuất triển khai thực nghiệm, phát triển thuật toán nâng cao và tích hợp vào hệ thống điều khiển thực tế để ứng dụng rộng rãi trong công nghiệp.
  • Khuyến khích các nhà nghiên cứu, kỹ sư và doanh nghiệp tham khảo và áp dụng kết quả để nâng cao hiệu quả vận hành và giảm chi phí hệ thống điều khiển động cơ.

Hành động tiếp theo là tiến hành thử nghiệm thực tế và phát triển các thuật toán mạng NN nâng cao nhằm hoàn thiện bộ ước lượng tốc độ cho các ứng dụng công nghiệp đa dạng.