Luận Văn Thạc Sĩ Về Kỹ Thuật Điều Khiển Và Tự Động Hóa: Chẩn Đoán Bất Thường Trong Hệ Bồn Nước

Chuyên đề nghiên cứu Chẩn Đoán Bất Thường Trong Hệ Bồn Nước Bằng Thuật Toán Kernel PCA, cập nhật xu hướng mới, giá trị tham khảo cao cho chuyên gia

• Tác giả: Huỳnh Duy An
• Người hướng dẫn: TS. Nguyễn Trọng Tài
• Trường học: Đại Học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Kỹ Thuật Điều Khiển và Tự Động Hóa
• Đề tài: Chẩn Đoán Bất Thường Trong Hệ Bồn Nước Bằng Thuật Toán Kernel PCA
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. Tình hình nghiên cứu trong và ngoài nước
• 2. Mục tiêu đề tài
• 3. Cơ sở toán học, phân biệt hai thuật toán PCA và KPCA, ứng dụng trong chẩn đoán và phát hiện lỗi hệ thống
• 3.1. Thuật toán PCA (Principal Component Analysis)
• 3.2. Thuật toán KPCA (Kernel Principal Component Analysis)
• 3.3. So sánh kết quả phát hiện lỗi của 2 thuật toán PCA và KPCA
• 4. Ứng dụng thuật toán KPCA phát hiện lỗi cho hệ thống bồn nước đơn
• 4.1. Xây dựng mô hình toán và chương trình mô phỏng trên Matlab Simulink
• 4.2. Kết quả mô phỏng khi hệ thống xảy ra lỗi
• 4.3. Mô hình phân loại nhiều lớp ứng dụng ANN và softmax regression
• 4.3.1. Xây dựng ý tưởng
• 4.3.2. Logistic regression và softmax regression
• 4.3.3. Cơ sở xây dựng bộ phân loại lỗi hệ thống
• 5. Cấu trúc mô hình phi tuyến và thuật toán đệ qui ước lượng tham số
• 5.1. Cấu trúc mô hình phi tuyến
• 5.2. Thuật toán đệ qui ước lượng tham số hệ thống
• 6. Matlab App designer
• 7. Chuẩn truyền thông công nghiệp OPC/UA
• 8. Mô hình bồn nước dự kiến và thành phần trong hệ thống
• 9. Giải pháp xây dựng hệ thống giám sát và cảnh báo lỗi cho hệ thống bồn nước
• 9.1. Mô hình thực nghiệm và các thành phần trong hệ thống
• 9.2. Module tín hiệu analog SM
• 9.3. Biến tần Shihlin SS2-021-0
• 9.4. Radar measurement Time-of-Flight Micropilot FMR51
• 9.5. Máy bơm Panasonic GP-129JXK
• 9.6. Relay bán dẫn SSR
• 10. Thu thập dữ liệu thực tế để tiến hành ước lượng tham số hệ mức nước và hệ nhiệt độ. Đánh giá bộ tham số ước lượng khi thực nghiệm chạy song song hệ thống thực tế và mô hình nhận dạng
• 11. Hệ thống giám sát và cảnh báo lỗi hệ thống dùng trên mô hình thực tế
• 11.1. Thiết kế bộ điều khiển PID điều khiển ổn định mức nước và nhiệt độ
• 11.2. Thiết lập chuẩn giao tiếp OPC-UA truyền nhận dữ liệu giữa PLC và Matlab
• 11.3. Xây dựng, tinh chỉnh mô hình KPCA phù hợp với đặc điểm hệ thống
• 11.4. Xây dựng mô hình ANN với lớp ra ứng dụng hàm Softmax cho quá trình huấn luyện
• 12. Kết quả thực nghiệm
• 12.1. Ước lượng thông số hệ thống và đánh giá sai số
• 12.1.1. Đối với đối tượng mức nước
• 12.1.2. Đối với đối tượng nhiệt độ
• 12.2. Mô phỏng các lỗi trên hệ thống, đánh giá độ chính xác của mô hình chẩn đoán
• 12.2.1. Đối với đối tượng mức nước
• 12.2.2. Đối với hệ nhiệt độ
• 13. Định hướng phát triển của luận văn
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về chẩn đoán bất thường trong hệ bồn nước

Trong bối cảnh công nghiệp hiện đại, việc chẩn đoán bất thường trong các hệ thống là vô cùng quan trọng. Hệ bồn nước, với vai trò thiết yếu trong nhiều quy trình sản xuất, cần được giám sát liên tục để phát hiện và xử lý kịp thời các lỗi có thể xảy ra. Việc áp dụng các thuật toán như thuật toán Kernel PCA (KPCA) đã mở ra hướng đi mới trong việc phân tích và phát hiện lỗi trong hệ thống này. KPCA không chỉ giúp nhận diện các bất thường mà còn cải thiện độ chính xác trong việc xác định nguyên nhân của sự cố. Theo nghiên cứu, KPCA có khả năng xử lý các dữ liệu phi tuyến, điều này rất cần thiết trong việc giám sát các hệ thống phức tạp như hệ bồn nước.

1.1. Tình hình nghiên cứu trong và ngoài nước

Nghiên cứu về hệ bồn nước và các phương pháp chẩn đoán lỗi đã được nhiều nhà khoa học quan tâm. Các nghiên cứu trước đây đã chỉ ra rằng thuật toán PCA (Principal Component Analysis) thường được áp dụng để phát hiện lỗi trong các hệ thống công nghiệp. Tuy nhiên, với tính chất phi tuyến của hệ thống bồn nước, KPCA đã được phát triển như một giải pháp tối ưu hơn. Các ứng dụng thực tế của KPCA trong việc giám sát hệ bồn nước đã chứng minh được hiệu quả của nó trong việc phát hiện và phân loại lỗi. Theo các tác giả như Ait và nhóm nghiên cứu, KPCA không chỉ giúp phát hiện lỗi mà còn cung cấp thông tin chi tiết về mức độ nghiêm trọng của sự cố.

II. Phân tích các thuật toán chẩn đoán lỗi

Để thực hiện phân tích thành phần chính trong việc phát hiện lỗi, hai thuật toán PCA và KPCA được so sánh. PCA là phương pháp tuyến tính, trong khi KPCA sử dụng các hàm kernel để xử lý dữ liệu phi tuyến, giúp cải thiện khả năng phát hiện bất thường. Việc áp dụng KPCA cho hệ bồn nước cho thấy khả năng nhận diện lỗi cao hơn so với PCA, đặc biệt trong các tình huống mà dữ liệu có sự biến động lớn. Nghiên cứu cho thấy rằng việc sử dụng KPCA giúp tăng cường độ chính xác trong việc phát hiện lỗi và giảm thiểu tỷ lệ báo động giả. Điều này là rất quan trọng trong việc duy trì hoạt động ổn định của hệ thống.

2.1. So sánh giữa PCA và KPCA

PCA và KPCA đều có những ưu điểm riêng trong việc phân tích dữ liệu. PCA dễ dàng áp dụng và tính toán nhanh chóng, nhưng không thể xử lý tốt các mối quan hệ phi tuyến trong dữ liệu. Ngược lại, KPCA, với khả năng biến đổi dữ liệu sang không gian nhiều chiều, cho phép phát hiện các bất thường một cách hiệu quả hơn. Theo nghiên cứu của Majdi Mansouri, KPCA đã chứng minh được khả năng phát hiện lỗi trong các quy trình hóa học, cho thấy tính ứng dụng rộng rãi của nó. Việc áp dụng KPCA vào hệ bồn nước không chỉ giúp phát hiện lỗi mà còn cung cấp thông tin chi tiết về nguyên nhân gây ra sự cố, từ đó giúp cải thiện quy trình giám sát và vận hành.

III. Ứng dụng thực tiễn của KPCA trong hệ bồn nước

Việc áp dụng thuật toán KPCA vào hệ thống bồn nước đã cho thấy những kết quả khả quan trong việc phát hiện và chẩn đoán lỗi. Mô hình KPCA được xây dựng với mục tiêu giám sát trạng thái hệ thống, từ đó phát hiện các bất thường một cách nhanh chóng và chính xác. Các kết quả mô phỏng cho thấy rằng KPCA có thể phát hiện được nhiều loại lỗi khác nhau trong hệ thống, từ đó giúp cho việc quản lý và bảo trì hệ thống trở nên hiệu quả hơn. Các ứng dụng thực tế cho thấy rằng KPCA không chỉ giảm thiểu thời gian phát hiện lỗi mà còn nâng cao độ chính xác trong việc xác định nguyên nhân lỗi.

3.1. Kết quả mô phỏng và ứng dụng thực tế

Các kết quả mô phỏng cho thấy rằng KPCA có thể phát hiện lỗi với độ chính xác cao. Nghiên cứu của Huỳnh Duy An đã chỉ ra rằng việc sử dụng KPCA trong hệ bồn nước giúp giảm thiểu lỗi phát hiện sai. Hệ thống giám sát được thiết kế không chỉ giúp phát hiện lỗi mà còn cung cấp thông tin về tình trạng hoạt động của hệ thống. Việc áp dụng KPCA trong quản lý hệ thống bồn nước không chỉ tiết kiệm chi phí mà còn nâng cao hiệu quả hoạt động, từ đó đáp ứng được yêu cầu ngày càng cao trong ngành công nghiệp.

Nội dung chính

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.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA --------------- --------------- HUỲNH DUY AN CHẨN ĐOÁN BẤT THƯỜNG TRONG HỆ BỒN NƯỚC SỬ DỤNG THUẬT TOÁN KERNEL PCA ABNORMAL DIAGNOSING FOR WATER TANK SYSTEM USING KERNEL PCA ALGORITHM Chuyên ngành: Kỹ thuật điều khiển và tự động hóa Mã số : 8520216 LUẬN VĂN THẠC SĨ TP. HỒ CHÍ MINH, tháng 06 năm 2022 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM Cán bộ hướng dẫn khoa học : TS. Nguyễn Trọng Tài Cán bộ chấm nhận xét 1 : PGS.TS Nguyễn Tấn Lũy Cán bộ chấm nhận xét 2 : TS.

Phạm Việt Cường Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp. HCM ngày 24 tháng 06 năm 2022 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ) 1. Chủ tịch: PGS.TS Huỳnh Thái Hoàng 2. Phản biện 1: PGS.TS Nguyễn Tấn Lũy 3.

Phản biện 2: TS. Phạm Việt Cường 4. Ủy viên: TS. Đặng Xuân Ba 5.

Nguyễn Hoàng Giáp Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có). CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA ĐIỆN-ĐIỆN TỬ ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT TRƯỜNG ĐẠI HỌC BÁCH KHOA NAM Độc lập - Tự do - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Huỳnh Duy An. MSHV:2070152 Ngày, tháng, năm sinh: 08/02/1997. Nơi sinh: Bến Tre Chuyên ngành: Kỹ Thuật Điều Khiển và Tự Động Hóa.

TÊN ĐỀ TÀI: CHẨN ĐOÁN BẤT THƯỜNG TRONG HỆ THỐNG BỒN NƯỚC SỬ DỤNG THUẬT TOÁN KERNEL PCA (ABNORMAL DIAGNOSING FOR WATER TANK SYSTEM USING KERNEL PCA ALGORITHM) II. NHIỆM VỤ VÀ NỘI DUNG: - Nhận dạng hệ thống phục vụ cho giám sát và phát hiện khi hệ thống có lỗi - Tìm hiểu các phương pháp chẩn đoán lỗi hệ thống sử dụng nền tảng số học (PCA và KPCA) và mạng ANN (Artificial Neural Network). - Xây dựng mô hình thực tế, phát triển ứng dụng điều khiển, giám sát và chẩn đoán bất thường cho hệ thống. NGÀY GIAO NHIỆM VỤ : 14/02/2022 IV.

NGÀY HOÀN THÀNH NHIỆM VỤ: 06/06/2022 V. CÁN BỘ HƯỚNG DẪN: TS. Nguyễn Trọng Tài Tp. CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO (Họ tên và chữ ký) (Họ tên và chữ ký) TRƯỞNG KHOA ĐIỆN- ĐIỆN TỬ (Họ tên và chữ ký) Luận văn thạc sĩ GVHD: TS.

Nguyễn Trọng Tài LỜI CẢM ƠN Sau quá trình học tập và nghiên cứu tại trường Đại học Bách Khoa TP. Hồ Chí Minh, bên cạnh việc được bồi dưỡng kiến thức chuyên ngành thì sự đồng hành và giúp đỡ từ quí thầy cô và bạn bè là những đặc ân trân quí mà bản thân em đã nhận được tại đây. Lời đầu tiên, em xin chân thành cảm ơn tất cả quý Thầy Cô thuộc Khoa Điện – Điện Tử trường Đại học Bách Khoa TP. Hồ Chí Minh đã truyền dạy và hướng dẫn cho em những kiến thức trân quí trong suốt quá trình học tập tại trường.

Trong đó, em xin gửi lời cảm ơn chân thành đến thầy Nguyễn Trọng Tài đã tận tình hướng dẫn và giúp đỡ em trong suốt quá trình thực hiện luận. Bên cạnh đó em cũng xin gửi lời cảm ơn đến tất cả các tác giả của các tài liệu em đã tham khảo. Vì kiến thức bản thân còn hạn chế, trong quá trình thực hiện luận văn sẽkhông tránh khỏi những thiếu sót, kính mong nhận được những ý kiến đóng góp từ quý thầy cô. Hồ Chí Minh, ngày 06 tháng 06 năm 2022.

Học viên Huỳnh Duy An Học viên: Huỳnh Duy An v MSHV:2070152 Luận văn thạc sĩ GVHD: TS. Nguyễn Trọng Tài TÓM TẮT LUẬN VĂN Luận văn tiến hành khảo sát và xây dựng phương pháp ước lượng tham số hệ thống phi tuyến nhiều đầu vào nhiều đầu ra (MIMO system) nhằm xây dựng mô hình giám sát trạng thái hệ thống. Bên cạnh đó, đề tài còn đề xuất phương pháp chẩn đoán bất thường trong hệ thống dựa theo phương pháp số (PCA và KPCA) và mô hình mạng ANN (Artificial Neural Network) nhằm mục tiêu kết hợp ưu điểm riêng của mỗi mô hình. Một mô hình phi tuyến nhiều đầu vào nhiều đầu ra được xây dựng và khảo sát đặc tính trong một thời gian dài nhằm thu thập một cách đầy đủ và chính xác thông tin hệ thống.

Luận văn thiết kế một ứng dụng nhằm điều khiển, giám sát, thu thập dữ liệu, ước lượng tham số hệ phi tuyến, giám sát và phát hiện các bất thường đang xảy ra với hệ phi tuyến, qua đó giúp cho việc giám sát, vận hành và khắc phục sự cố dễ dàng, nhanh chống hơn. Luận văn có ứng dụng các kiến thức trong lập trình điều khiển cho PLC, lập trình HMI, mạng truyền thông công nghiệp OPC UA, lập trình Matlab và thiết kế ứng dụng trên Matlab AppDesigner cũng như kiến trúc mạng ANN. ABSTRACT In the thesis, a MIMO Nonlinear parameters estimation is proposed to monitor process operation states .This study conduct to investigate and build up abnormal diagnosing method based on conventional statistic algorithm (PCA and KPCA) and Artificial Neural Network thanks to advantages of each kind. A MIMO non-linear model created and investigated in long time to collect enough information about system.

The thesis design an application to control, mornitor, collect data and diagnose status of system aiming to improve the effectiveness of operation, mornitoring and troubleshooting problems on time. Thesis applies knowledge of programming control for PLC, industrial communication network OPC UA, Matlab programming, designing mornitoring interface on Matlab as well as Artificial Neural Network architecture. Học viên: Huỳnh Duy An vi MSHV:2070152 Luận văn thạc sĩ GVHD: TS. Nguyễn Trọng Tài LỜI CAM ĐOAN CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.

HỒ CHÍ MINH Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi dưới sự hướng dẫn khoa học của thầy TS. Nguyễn Trọng Tài, các nội dung và phương pháp nghiên cứu, kết quả thực nghiệm trong đề tài này trung thực và chưa được công bố bất kỳ hình thức nào trước đây. Những số liệu trong các bảng biểu phục vụ cho việc phân tích, nhận xét, đánh giá được chính tác giả thu thập từ mô phỏng và thực nghiệm do chính bản thân học viên thực hiện. Ngoài ra, trong quá trình thực hiện luận văn này, học viên có tham khảo một số tài liệu và văn bản trong và ngoài nước, tất cả đều có ghi chú cụ thể.

Nếu phát hiện có bất kỳ gian lận nào học viên xin chịu hoàn toàn trách nhiệm về nội dung luận văn của mình. Trường Đại học Bách khoa thành phố Hồ Chí Minh không liên quan đến những vi phạm tác quyền, bản quyền do tôi gây ra và trong quá trình thực hiện (nếu có). Hồ Chí Minh, ngày 06 tháng 06 năm 2022 Học viên Huỳnh Duy An Học viên: Huỳnh Duy An vii MSHV:2070152 Luận văn thạc sĩ GVHD: TS. Nguyễn Trọng Tài MỤC LỤC LỜI CẢM ƠN .vi LỜI CAM ĐOAN .2 Tình hình nghiên cứu trong và ngoài nước .3 Mục tiêu đề tài .1 Cơ sở toán học, phân biệt hai thuật toán PCA và KPCA , ứng dụng trong chẩn đoán và phát hiện lỗi hệ thống.1 Thuật toán PCA (Principal Component Analysis).2 Thuật toán KPCA (Kernel Principal Component Analysis) .3 So sánh kết quả phát hiện lỗi của 2 thuật toán PCA và KPCA.2 Ứng dụng thuật toán KPCA phát hiện lỗi cho hệ thống bồn nước đơn .1 Xây dựng mô hình toán và chương trình mô phỏng trên Matlab Simulink .2 Kết quả mô phỏng khi hệ thống xảy ra lỗi .3 Mô hình phân loại nhiều lớp ứng dụng ANN và softmax regression .1 Xây dựng ý tưởng .2 Logistic regression và softmax regression .3 Cơ sở xây dựng bộ phân loại lỗi hệ thống.

Cấu trúc mô hình phi tuyến và thuật toán đệ qui ước lượng tham số .1 Cấu trúc mô hình phi tuyến .26 Học viên: Huỳnh Duy An viii MSHV:2070152 Luận văn thạc sĩ GVHD: TS. Nguyễn Trọng Tài 2.2 Thuật toán đệ qui ước lượng tham số hệ thống .5 Matlab App designer .7 Chuẩn truyền thông công nghiệp OPC/UA .8 Mô hình bồn nước dự kiến và thành phần trong hệ thống. Giải pháp xây dựng hệ thống giám sát và cảnh báo lỗi cho hệ thống bồn nước32 3.1 Mô hình thực nghiệm và các thành phần trong hệ thống .2 Module tín hiệu anolog SM .3 Biến tần Shihlin SS2-021-0.4 Radar measurement Time-of-Flight Micropilot FMR51 .5 Máy bơm Panasonic GP-129JXK.6 relay bán dẫn SSR .2 Thu thập dữ liệu thực tế để tiến hành ước lượng tham số hệ mức nước và hệ nhiệt độ. Đánh giá bộ tham số ước lượng khi thực nghiệm chạy song song hệ thống thực tế và mô hình nhận dạng.4 Hệ thống giám sát và cảnh báo lỗi hệ thống dùng trên mô hình thực tế .1 Thiết kế bộ điều khiển PID điều khiển ổn định mức nước và nhiệt độ .2 Thiết lập chuẩn giao tiếp OPC-UA truyền nhận dữ liệu giữa PLC và Matlab.3 Xây dựng, tinh chỉnh mô hình KPCA phù hợp với đặc điểm hệ thống.4 Xây dựng mô hình ANN với lớp ra ứng dụng hàm Softmax cho quá trình huấn luyện.

Kết quả thực nghiêm .1 Ước lượng thông số hệ thống và đánh giá sai số .52 Học viên: Huỳnh Duy An ix MSHV:2070152 Luận văn thạc sĩ GVHD: TS. Nguyễn Trọng Tài 4.1 Đối với đối lượng mức nước.2 Đối với đối tượng nhiệt độ: .2 Mô phỏng các lỗi trên hệ thống, đánh giá độ chính xác của mô hình chẩn đoán .1 Đối với đối tượng mức nước .2 Đối với hệ nhiệt độ .Định hướng phát triển của luận văn.67 TÀI LIỆU THAM KHẢO.68 Học viên: Huỳnh Duy An x MSHV:2070152 Luận văn thạc sĩ GVHD: TS. Nguyễn Trọng Tài DANH SÁCH HÌNH ẢNH Hình 1.1 Các phương pháp biến đổi dữ liệu ………………………………………………….2 Mô hình giám sát và chẩn đoán thực tế …………………………………………….1 Ví dụ minh họa PCA ……………………………………………………………….2 Nguyên tắc xác định thành phần chính …………………………………………….3 Kết quả quá trình chuẩn hóa dữ liệu ……………………………………………….4 So sánh hai thuật toán PCA và KPCA …………………………………………….5 Tập dữ liệu T2 …………………………………………………………………….6 Phân phối dạng Gauss tập T2 ………………………………………………………14 Hình 2.7 Ví dụ nhận biết lỗi hệ thống qua 2 chuẩn Hotelling-T2 và Q-Statistic ……………15 Hình 2.8 Dữ liệu đầu vào để đánh giá 2 thuật toán PCA và KPCA …………………………15 Hình 2.9 Kết quả phát hiện lỗi dùng PCA ………………………………………………….10 Kết quả phát hiện lỗi dùng KPCA ……………………………………………….11 Mô hình Simulink hệ bồn đơn ……………………………………………………18 Hình 2.12 Nhiễu đo lường hệ thống …………………………………………………………19 Hình 2.13 Thông số đầu vào hệ bồn đơn …………………………………………………….14 Kết quả phát hiện lỗi TH1 dùng KPCA ………………………………………….15 Thông số hệ thống tương ứng TH2 ……………………………………………….16 Kết quả phát hiện lỗi dùng KPCA …………………………………………………21 Hình 2.17 Kết quả phát hiện lỗi với tập dữ liệu lỗi thông số hệ thống ………………………22 Hình 2.18 Kết quả chẩn đoán lỗi tương ứng …………………………………………………22 Hình 2.19 Kết quả chẩn đoán khi thay đổi độ lớn các phần tử trong tập dữ liệu lỗi …………23 Hình 2.