Tổng quan nghiên cứu

Trong bối cảnh công nghiệp hiện đại, việc giám sát và chẩn đoán bất thường trong các hệ thống tự động hóa đóng vai trò then chốt nhằm nâng cao hiệu suất và độ tin cậy vận hành. Theo ước tính, các hệ thống công nghiệp phức tạp như hệ thống bồn nước gia nhiệt có tính phi tuyến cao, đòi hỏi các phương pháp chẩn đoán lỗi chính xác và kịp thời để giảm thiểu rủi ro và chi phí bảo trì. Luận văn tập trung nghiên cứu và phát triển phương pháp chẩn đoán bất thường trong hệ thống bồn nước sử dụng thuật toán Kernel Principal Component Analysis (KPCA) kết hợp mạng Neural nhân tạo (ANN). Mục tiêu chính là xây dựng mô hình ước lượng tham số phi tuyến MIMO, phát hiện và phân loại lỗi hiệu quả, đồng thời thiết kế ứng dụng điều khiển, giám sát và cảnh báo lỗi cho hệ thống thực nghiệm tại Trường Đại học Bách Khoa TP. Hồ Chí Minh trong giai đoạn từ tháng 02 đến tháng 06 năm 2022. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ chính xác phát hiện lỗi, giảm thiểu thời gian phản hồi và hỗ trợ vận hành hệ thống tự động hóa trong công nghiệp, góp phần cải thiện các chỉ số vận hành như độ ổn định mức nước, nhiệt độ và giảm thiểu tỷ lệ lỗi hệ thống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính là Phân tích thành phần chính (PCA) và Phân tích thành phần chính Kernel (KPCA), cùng với mô hình mạng Neural nhân tạo (ANN) để chẩn đoán và phân loại lỗi.

  • PCA (Principal Component Analysis): Là phương pháp giảm chiều dữ liệu tuyến tính, giúp loại bỏ nhiễu và giữ lại các đặc trưng quan trọng của dữ liệu. PCA được sử dụng để phát hiện bất thường dựa trên khoảng cách dữ liệu đến không gian con các thành phần chính, với các tiêu chuẩn Hotelling-T2 và Q-Residual để xác định ngưỡng lỗi.

  • KPCA (Kernel Principal Component Analysis): Mở rộng PCA bằng cách sử dụng hàm kernel để biến đổi dữ liệu phi tuyến vào không gian chiều cao hơn, từ đó áp dụng PCA để phát hiện lỗi trong các hệ thống phi tuyến phức tạp như hệ thống bồn nước gia nhiệt. Các hàm kernel phổ biến gồm Gaussian, Linear, Polynomial và Sigmoid.

  • ANN (Artificial Neural Network): Mạng neural được sử dụng để phân loại nhiều lớp lỗi dựa trên dữ liệu đầu vào, với hàm Softmax để xác định xác suất lỗi thuộc từng lớp. ANN giúp xấp xỉ đặc tính phi tuyến của hệ thống và cải thiện độ chính xác phân loại lỗi.

Các khái niệm chính bao gồm: mô hình phi tuyến MIMO, thuật toán đệ quy ước lượng tham số, tiêu chuẩn Hotelling-T2, Q-Residual, hàm kernel Gaussian, mạng ANN với lớp Softmax, và phương pháp logistic regression.

Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu thực nghiệm thu thập từ hệ thống bồn nước gia nhiệt thực tế tại phòng thí nghiệm Trường Đại học Bách Khoa TP. Hồ Chí Minh. Cỡ mẫu dữ liệu gồm hàng nghìn mẫu đo mức nước, nhiệt độ và tín hiệu điều khiển trong quá trình vận hành bình thường và khi xảy ra lỗi. Phương pháp chọn mẫu là lấy mẫu liên tục trong thời gian dài để đảm bảo tính đại diện và đầy đủ các trạng thái hệ thống.

Phân tích dữ liệu được thực hiện bằng Matlab Simulink để mô phỏng mô hình toán học hệ thống, Matlab App Designer để xây dựng ứng dụng giám sát và điều khiển, kết hợp giao tiếp OPC-UA với PLC S7-1200 để thu thập dữ liệu thực tế. Thuật toán KPCA được triển khai với hàm kernel Gaussian, kết hợp tiêu chuẩn Hotelling-T2 và Q-Residual để phát hiện lỗi. Mạng ANN được huấn luyện với dữ liệu lỗi đa lớp sử dụng hàm Softmax để phân loại chính xác các loại lỗi. Thuật toán đệ quy ước lượng tham số được áp dụng để cập nhật tham số mô hình phi tuyến trực tuyến, đảm bảo tính thích nghi với biến động hệ thống.

Timeline nghiên cứu kéo dài từ tháng 02 đến tháng 06 năm 2022, bao gồm các bước: khảo sát tài liệu, xây dựng mô hình toán, thu thập và xử lý dữ liệu, phát triển thuật toán KPCA và ANN, thiết kế ứng dụng giám sát, thực nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả phát hiện lỗi của KPCA vượt trội so với PCA: Qua thử nghiệm trên tập dữ liệu 2 chiều, KPCA cho thấy sự tách biệt rõ ràng hơn giữa dữ liệu bình thường và bất thường, với ngưỡng phát hiện lỗi T2_UCL đạt 1.3911, giúp giảm sai số dự báo và tăng độ tin cậy phát hiện lỗi. KPCA phát hiện lỗi chính xác khi các chỉ số T_square và Q vượt ngưỡng, trong khi PCA có thể gây nhầm lẫn do sự gần nhau của dữ liệu.

  2. Mô hình ANN phân loại lỗi đa lớp hiệu quả: Mạng ANN với hàm Softmax được huấn luyện trên tập dữ liệu lỗi đa dạng cho kết quả phân loại chính xác, giúp cô lập các loại lỗi khác nhau trong hệ thống bồn nước. Ví dụ, khi thay đổi độ lớn các phần tử trong tập dữ liệu lỗi, ANN vẫn duy trì độ chính xác cao, khắc phục hạn chế của phương pháp số thuần túy.

  3. Ước lượng tham số hệ thống phi tuyến chính xác: Thuật toán đệ quy ước lượng tham số cho phép cập nhật trực tuyến các tham số mô hình phi tuyến MIMO, với sai số ước lượng thấp, đảm bảo mô hình phản ánh sát thực tế vận hành hệ thống. Kết quả đánh giá trên tập dữ liệu thực tế cho thấy sai số ước lượng dưới 5%, đáp ứng yêu cầu giám sát và điều khiển.

  4. Ứng dụng giao tiếp OPC-UA và Matlab App Designer hiệu quả: Việc tích hợp giao tiếp OPC-UA giữa PLC và Matlab giúp thu thập dữ liệu thời gian thực, đồng thời ứng dụng thiết kế trên Matlab App Designer hỗ trợ điều khiển, giám sát và cảnh báo lỗi nhanh chóng, nâng cao hiệu quả vận hành hệ thống.

Thảo luận kết quả

Nguyên nhân chính giúp KPCA vượt trội so với PCA là khả năng xử lý dữ liệu phi tuyến thông qua biến đổi kernel, phù hợp với đặc tính phi tuyến của hệ thống bồn nước gia nhiệt. Kết quả này tương đồng với các nghiên cứu trong ngành công nghiệp hóa chất và cơ khí, nơi KPCA được áp dụng thành công để phát hiện lỗi trong các hệ thống phức tạp.

Việc kết hợp ANN với KPCA tận dụng ưu điểm của cả hai phương pháp: KPCA phát hiện bất thường hiệu quả, ANN phân loại lỗi đa dạng chính xác. Điều này giải quyết được hạn chế của các mô hình máy học đòi hỏi dữ liệu nhãn đầy đủ và mô hình số thuần túy phụ thuộc nhiều vào dữ liệu mẫu.

Ứng dụng thuật toán đệ quy ước lượng tham số giúp mô hình thích nghi với biến động thực tế của hệ thống, giảm thiểu sai số và tăng độ tin cậy trong giám sát. Việc sử dụng giao tiếp OPC-UA và Matlab App Designer tạo ra một hệ thống giám sát tích hợp, dễ dàng triển khai trong thực tế công nghiệp.

Dữ liệu có thể được trình bày qua biểu đồ phân phối T2 và Q-Statistic, biểu đồ so sánh sai số ước lượng tham số, cũng như ma trận nhầm lẫn (confusion matrix) của mô hình ANN để minh họa độ chính xác phân loại lỗi.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát KPCA-ANN trên quy mô công nghiệp: Áp dụng mô hình đã phát triển cho các hệ thống bồn nước gia nhiệt trong các nhà máy sản xuất, nhằm nâng cao độ chính xác phát hiện và phân loại lỗi, giảm thiểu thời gian ngừng máy. Thời gian thực hiện dự kiến 6-12 tháng, do phòng kỹ thuật vận hành.

  2. Phát triển giao diện người dùng trực quan trên Matlab App Designer: Cải tiến giao diện giám sát, cảnh báo lỗi và báo cáo tự động để hỗ trợ nhân viên vận hành dễ dàng theo dõi trạng thái hệ thống. Thời gian hoàn thành 3-4 tháng, do nhóm phát triển phần mềm.

  3. Mở rộng nghiên cứu áp dụng các thuật toán học sâu: Nghiên cứu tích hợp các mô hình deep learning như LSTM, AE để nâng cao khả năng dự báo và phát hiện lỗi sớm hơn, đặc biệt với dữ liệu chuỗi thời gian phức tạp. Thời gian nghiên cứu 12-18 tháng, do nhóm nghiên cứu khoa học.

  4. Tăng cường thu thập và làm sạch dữ liệu: Đảm bảo chất lượng dữ liệu đầu vào để nâng cao độ chính xác của mô hình KPCA và ANN, đồng thời xây dựng bộ dữ liệu lỗi đa dạng hơn để huấn luyện mạng neural. Thời gian thực hiện liên tục, do bộ phận vận hành và bảo trì.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư điều khiển và tự động hóa: Nắm bắt phương pháp chẩn đoán lỗi hiện đại, áp dụng trong thiết kế và vận hành hệ thống điều khiển công nghiệp, giúp cải thiện hiệu suất và độ tin cậy.

  2. Nhà nghiên cứu trong lĩnh vực học máy và xử lý tín hiệu: Tham khảo cách kết hợp thuật toán KPCA và mạng ANN trong xử lý dữ liệu phi tuyến và phân loại lỗi đa lớp, mở rộng ứng dụng trong các lĩnh vực công nghiệp khác.

  3. Chuyên viên vận hành và bảo trì hệ thống công nghiệp: Sử dụng ứng dụng giám sát và cảnh báo lỗi để phát hiện sớm các bất thường, giảm thiểu thời gian ngừng máy và chi phí sửa chữa.

  4. Sinh viên và học viên cao học ngành kỹ thuật điều khiển: Học hỏi quy trình nghiên cứu, xây dựng mô hình toán học, triển khai thuật toán và phát triển ứng dụng thực tế, nâng cao kỹ năng nghiên cứu và thực hành.

Câu hỏi thường gặp

  1. KPCA khác gì so với PCA trong phát hiện lỗi?
    KPCA sử dụng phép biến đổi kernel phi tuyến để đưa dữ liệu vào không gian chiều cao hơn, giúp phát hiện lỗi trong các hệ thống phi tuyến phức tạp, trong khi PCA chỉ áp dụng cho dữ liệu tuyến tính. Ví dụ, trong hệ thống bồn nước gia nhiệt, KPCA cho kết quả phát hiện lỗi chính xác hơn do đặc tính phi tuyến của hệ thống.

  2. Làm thế nào để xác định ngưỡng phát hiện lỗi trong KPCA?
    Ngưỡng được xác định dựa trên tiêu chuẩn Hotelling-T2 và Q-Residual, tính toán từ phân phối xác suất của dữ liệu bình thường với mức độ tin cậy (confident efficiency) thường là 95-99%. Ví dụ, ngưỡng T2_UCL trong nghiên cứu là 1.3911 với confident efficiency 99%.

  3. Mạng ANN giúp gì trong việc phân loại lỗi?
    ANN có khả năng xấp xỉ các đặc tính phi tuyến và phân loại đa lớp dựa trên dữ liệu huấn luyện, giúp cô lập chính xác các loại lỗi khác nhau trong hệ thống, vượt trội hơn các phương pháp số thuần túy. Ví dụ, ANN phân loại chính xác các lỗi rò rỉ, hỏng cảm biến và lỗi bơm.

  4. Ứng dụng OPC-UA có vai trò gì trong hệ thống?
    OPC-UA là chuẩn giao tiếp công nghiệp mở, giúp kết nối PLC với phần mềm Matlab để thu thập dữ liệu thời gian thực, đảm bảo tính tương thích và linh hoạt trong hệ thống giám sát và điều khiển.

  5. Thuật toán đệ quy ước lượng tham số có ưu điểm gì?
    Thuật toán này cho phép cập nhật tham số mô hình trực tuyến, thích nghi với biến động hệ thống mà không cần lưu trữ toàn bộ dữ liệu lịch sử, giảm thiểu thời gian tính toán và bộ nhớ sử dụng, phù hợp cho các hệ thống vận hành liên tục.

Kết luận

  • Đã xây dựng thành công mô hình KPCA kết hợp ANN để phát hiện và phân loại lỗi trong hệ thống bồn nước gia nhiệt phi tuyến.
  • Thuật toán đệ quy ước lượng tham số giúp mô hình thích nghi và phản ánh chính xác trạng thái hệ thống trong thời gian thực.
  • Ứng dụng Matlab App Designer và giao tiếp OPC-UA tạo ra hệ thống giám sát tích hợp, dễ sử dụng và hiệu quả.
  • Kết quả thực nghiệm cho thấy độ chính xác phát hiện lỗi trên 95%, giảm thiểu sai số và thời gian phản hồi.
  • Đề xuất mở rộng nghiên cứu ứng dụng học sâu và triển khai thực tế trong công nghiệp để nâng cao hiệu quả vận hành.

Hành động tiếp theo là triển khai hệ thống giám sát KPCA-ANN trên quy mô công nghiệp và phát triển giao diện người dùng trực quan nhằm hỗ trợ vận hành và bảo trì hiệu quả hơn.