Chẩn Đoán Lỗi Cho Hệ Thống Điều Khiển Áp Suất

Khám phá phương pháp chuẩn đoán lỗi hiệu quả cho hệ thống điều khiển áp suất, giúp nâng cao hiệu suất và độ tin cậy trong vận hành.

• Tác giả: Nguyễn Đặng Anh Thái
• Người hướng dẫn: TS. Tạ Văn Phương
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Chẩn Đoán Lỗi Cho Hệ Thống Điều Khiển Áp Suất
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tầm quan trọng của đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Giới hạn đề tài
• 1.4. Phương pháp nghiên cứu
• 1.5. Nội dung thực hiện
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về thiết bị
• 2.1.1. Tổng quan về bộ điều khiển PLC
• 2.1.2. Tổng quan về bộ giám sát HMI
• 2.2. Tổng quan về bộ điều khiển PID
• 2.2.1. Khái niệm chung về bộ điều khiển PID
• 2.2.2. Các phương pháp điều chỉnh PID
• 2.2.3. Hệ thống điều khiển rời rạc
• 2.3. Tổng quan về giao thức truyền thông
• 2.3.1. Khái niệm chung về giao thức truyền thông
• 2.3.2. Giao thức TCP/IP
• 2.3.3. Truyền thông Profinet
• 2.4. Lý thuyết về Convolutional Neural Network
• 2.4.1. Convolutional Neural Network
• 2.4.2. Các hàm kích hoạt của mạng CNN
• 2.4.3. Các kiến trúc CNN tiêu biểu
• 2.5. Lý thuyết chung về chẩn đoán
• 2.6. Tổng quan về Webserver và cơ sở dữ liệu
• 2.6.1. Giới thiệu về Webserver
• 2.6.2. Tổng quan về Node
• 2.6.3. Tổng quan về HTML, CSS và JavaScript
• 2.6.4. Các gói cài đặt cho Webserver
• 2.6.5. Khái quát về cơ sở dữ liệu MySQL
• 3. CHƯƠNG 3: MÔ TẢ HỆ THỐNG
• 3.1. Yêu cầu về phần cứng
• 3.2. Mô tả phần cứng hệ thống
• 3.2.1. Tổng quan về bộ thí nghiệm IT – 5200
• 3.2.2. Tổng quan hệ thống
• 3.2.3. Giả lập lỗi
• 3.3. Các thiết bị sử dụng
• 3.3.1. Bơm và Van xả
• 4. CHƯƠNG 4: THIẾT KẾ PHẦN MỀM
• 4.1. Yêu cầu thiết kế phần mềm
• 4.2. Cấu hình cho hệ thống
• 4.2.1. Cấu hình cho PLC
• 4.2.2. Cấu hình cho Webserver
• 4.3. Thiết kế bộ điều khiển PID
• 4.4. Thiết kế màn hình HMI
• 4.4.1. Quy trình hoạt động của HMI
• 4.4.2. Thiết kế Alarm của HMI
• 4.4.3. Thiết kế phân quyền của HMI
• 4.4.4. Phân cấp màn hình
• 4.5. Thiết kế Webserver
• 4.5.1. Phân quyền của Webserver
• 4.5.2. Giao diện Webserver
• 4.6. Thiết kế mô hình CNN
• 4.6.1. Thu thập dữ liệu
• 4.6.2. Mô hình CNN
• 4.6.3. Quy trình xử lý dữ liệu RealTime
• 5. CHƯƠNG 5: KẾT QUẢ THỰC HIỆN
• 5.1. Kết quả phần cứng
• 5.2. Kết quả phần mềm
• 5.2.1. Điều khiển ổn định hệ thống
• 5.2.2. Giao diện HMI
• 5.2.3. Giao diện Webserver
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết luận
• 6.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Chẩn Đoán Lỗi Hệ Thống Điều Khiển Áp Suất

Chẩn đoán lỗi cho hệ thống điều khiển áp suất là một lĩnh vực quan trọng trong tự động hóa công nghiệp. Hệ thống điều khiển áp suất thường gặp phải nhiều vấn đề, từ lỗi thiết bị đến sai sót trong quá trình vận hành. Việc áp dụng công nghệ Deep Learning giúp nâng cao độ chính xác trong việc phát hiện và chẩn đoán lỗi. Điều này không chỉ giúp tiết kiệm thời gian mà còn giảm thiểu rủi ro cho người vận hành.

1.1. Tầm quan trọng của việc chẩn đoán lỗi

Chẩn đoán lỗi giúp phát hiện sớm các vấn đề trong hệ thống, từ đó giảm thiểu thời gian ngừng hoạt động và chi phí sửa chữa. Việc này đặc biệt quan trọng trong các dây chuyền sản xuất tự động, nơi mà sự cố có thể dẫn đến thiệt hại lớn.

1.2. Công nghệ Deep Learning trong chẩn đoán lỗi

Công nghệ Deep Learning, đặc biệt là mạng nơ-ron tích chập (CNN), đã được chứng minh là hiệu quả trong việc phân tích dữ liệu và phát hiện lỗi. Các mô hình này có khả năng học từ dữ liệu lớn, giúp cải thiện độ chính xác trong chẩn đoán.

II. Vấn đề và Thách thức trong Chẩn Đoán Lỗi Hệ Thống

Mặc dù công nghệ chẩn đoán lỗi đã phát triển, nhưng vẫn còn nhiều thách thức cần giải quyết. Các vấn đề như dữ liệu không đầy đủ, độ chính xác của mô hình và khả năng xử lý thời gian thực là những yếu tố quan trọng cần được xem xét.

2.1. Dữ liệu không đầy đủ và chất lượng

Dữ liệu thu thập từ hệ thống có thể không đầy đủ hoặc không chính xác, ảnh hưởng đến khả năng chẩn đoán của mô hình. Việc cải thiện chất lượng dữ liệu là rất cần thiết để nâng cao độ tin cậy.

2.2. Thời gian xử lý và phản hồi

Trong môi trường công nghiệp, thời gian phản hồi nhanh là rất quan trọng. Các mô hình chẩn đoán cần được tối ưu hóa để đảm bảo khả năng xử lý thời gian thực, giúp phát hiện lỗi ngay lập tức.

III. Phương pháp Chẩn Đoán Lỗi Bằng Công Nghệ Deep Learning

Việc áp dụng công nghệ Deep Learning trong chẩn đoán lỗi hệ thống điều khiển áp suất bao gồm nhiều bước quan trọng. Từ việc thu thập dữ liệu, xây dựng mô hình đến việc triển khai và đánh giá hiệu quả của mô hình.

3.1. Thu thập và phân tích dữ liệu

Dữ liệu được thu thập từ các cảm biến và thiết bị trong hệ thống. Việc phân tích dữ liệu này giúp xác định các đặc điểm quan trọng để xây dựng mô hình chẩn đoán.

3.2. Xây dựng mô hình CNN cho chẩn đoán

Mô hình CNN được thiết kế để nhận diện các mẫu lỗi trong dữ liệu. Việc tối ưu hóa mô hình này là rất quan trọng để đạt được độ chính xác cao trong chẩn đoán.

3.3. Triển khai và đánh giá mô hình

Sau khi xây dựng, mô hình cần được triển khai trong môi trường thực tế và đánh giá hiệu quả. Việc này giúp xác định khả năng hoạt động của mô hình trong điều kiện thực tế.

IV. Ứng dụng Thực Tiễn của Chẩn Đoán Lỗi Hệ Thống

Chẩn đoán lỗi bằng công nghệ Deep Learning đã được áp dụng thành công trong nhiều lĩnh vực, từ sản xuất đến năng lượng. Các ứng dụng này không chỉ giúp nâng cao hiệu quả sản xuất mà còn đảm bảo an toàn cho người lao động.

4.1. Ứng dụng trong ngành sản xuất

Trong ngành sản xuất, việc chẩn đoán lỗi giúp phát hiện sớm các vấn đề trong dây chuyền sản xuất, từ đó giảm thiểu thời gian ngừng hoạt động và chi phí.

4.2. Ứng dụng trong ngành năng lượng

Trong ngành năng lượng, việc chẩn đoán lỗi giúp đảm bảo an toàn cho các thiết bị và hệ thống, từ đó nâng cao hiệu suất hoạt động và giảm thiểu rủi ro.

V. Kết luận và Tương lai của Chẩn Đoán Lỗi Hệ Thống

Chẩn đoán lỗi cho hệ thống điều khiển áp suất bằng công nghệ Deep Learning đang mở ra nhiều cơ hội mới. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều cải tiến và ứng dụng mới, giúp nâng cao hiệu quả và độ tin cậy của hệ thống.

5.1. Xu hướng phát triển công nghệ

Công nghệ Deep Learning sẽ tiếp tục phát triển, với nhiều cải tiến trong thuật toán và mô hình, giúp nâng cao khả năng chẩn đoán lỗi.

5.2. Tích hợp với các công nghệ mới

Việc tích hợp công nghệ chẩn đoán lỗi với các công nghệ mới như IoT và Big Data sẽ mở ra nhiều cơ hội mới cho việc tối ưu hóa hệ thống.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong tiến trình phát triển của sản xuất công nghiệp hiện đại, các quy trình tự động hóa đã và đang tiếp quản hầu hết các khâu vận hành nhằm nâng cao năng suất và đảm bảo tính chính xác. Tuy nhiên, việc các dây chuyền vận hành liên tục dẫn đến nguy cơ phát sinh sự cố, hỏng hóc thiết bị, làm gián đoạn sản xuất và tiềm ẩn rủi ro an toàn cho người vận hành. Các phương pháp chẩn đoán truyền thống chủ yếu dựa trên kinh nghiệm của kỹ sư và chỉ được tiến hành theo chu kỳ định kỳ (tuần, tháng, năm), do đó không thể ngăn ngừa kịp thời các sự cố đột xuất. Để giải quyết vấn đề này, việc xây dựng một hệ thống tự chẩn đoán lỗi theo thời gian thực kết hợp kỹ thuật Học sâu (Deep Learning) — cụ thể là mạng nơ-ron tích chập (CNN) — trở thành một yêu cầu cấp thiết nhằm tối ưu hóa độ chính xác dự đoán từ dữ liệu vận hành.

Đồ án tốt nghiệp "Chẩn đoán lỗi cho hệ thống điều khiển áp suất" của nhóm tác giả Nguyễn Đặng Anh Thái và Phạm Lại Xuân Thanh (ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) tập trung giải quyết bài toán điều khiển ổn định, giám sát và chẩn đoán sự cố cho hệ thống áp suất.

Mục tiêu nghiên cứu của đồ án được xác định gồm 5 nhiệm vụ chính:

1. Điều khiển ổn định hệ thống áp suất tại nhiều điểm đặt mong muốn bằng thuật toán điều khiển PID.
2. Thiết kế giao diện điều khiển và giám sát trực quan hệ thống qua màn hình HMI.
3. Xây dựng Webserver phục vụ công tác giám sát và vận hành hệ thống từ xa qua mạng Internet.
4. Ứng dụng mô hình mạng nơ-ron tích chập (CNN) để chẩn đoán trạng thái hoạt động và nhận dạng lỗi của hệ thống.
5. Thiết lập kết nối, truyền thông và trao đổi dữ liệu liên tục theo thời gian thực giữa bộ điều khiển PLC và mô hình CNN.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Hệ thống điều khiển áp suất được tích hợp trên bộ thí nghiệm điều khiển quá trình IT-5200 (Process Control Trainer) của hãng Infinit Technologies, bộ điều khiển khả trình PLC Siemens S7-1500, màn hình HMI Siemens KTP700 Comfort và mô hình học sâu CNN.
• Phạm vi nghiên cứu: Thử nghiệm mô hình ở quy mô phòng thí nghiệm tại Khoa Đào tạo Chất lượng cao; thu thập và phân tích dữ liệu tín hiệu áp suất ở trạng thái vận hành ổn định và 6 kịch bản giả lập lỗi phần cứng (F1 đến F6) để phục vụ quá trình huấn luyện và kiểm nghiệm giải thuật.

---

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng nghiên cứu dựa trên sự kết hợp giữa lý thuyết điều khiển tự động, kỹ thuật truyền thông công nghiệp, học sâu và công nghệ mạng:

Khung lý thuyết và mô hình ứng dụng

• Lý thuyết điều khiển PID và hệ thống điều khiển rời rạc: Phân tích giải thuật điều khiển 3 khâu Tỉ lệ (Proportional - P), Tích phân (Integral - I), Vi phân (Derivative - D). Khảo sát các phương pháp chỉnh định thông số gồm: chỉnh định thủ công, phương pháp kinh nghiệm Ziegler – Nichols và công cụ tự chỉnh định tự động (PID_Compact). Phân tích đặc tính trễ lấy mẫu và lượng tử hóa tín hiệu của hệ điều khiển số có phản hồi.
• Giao thức truyền thông công nghiệp: Nghiên cứu kiến trúc 5 lớp của mô hình giao thức TCP/IP (Ứng dụng, Vận chuyển, Internet, Truy cập mạng, Vật lý); mạng Profinet công nghiệp chuẩn Ethernet (tốc độ 100 Mbits/s, chu kỳ truyền thông 1ms); và giao thức truyền thông tầng ứng dụng Siemens S7 Ethernet RFC1006.
• Lý thuyết Học sâu và Mạng nơ-ron tích chập (CNN): Cấu trúc mạng gồm các lớp Tích chập (Convolutional Layer), lớp kích hoạt phi tuyến (Nonlinear Layer), lớp gộp (Pooling Layer: Max Pooling, Average Pooling) và lớp kết nối đầy đủ (Fully Connected Layer). Khảo sát các hàm kích hoạt tiêu chuẩn:
  • Hàm Sigmoid: $\sigma(x) = \frac{1}{1 + e^{-x}}$
  • Hàm ReLU: $f(x) = \max(0, x)$
  • Hàm Leaky ReLU: $f(x) = x$ khi $x > 0$ và $f(x) = 0.01x$ khi $x \le 0$
  • Hàm Tanh: $\tanh(x) = \frac{e^x - e^{-x}}{e^x + e^{-x}}$
  • Khảo sát các kiến trúc CNN tiêu biểu: LeNet-5, AlexNet và VGG-16.
• Lý thuyết chẩn đoán và tự chẩn đoán: Khái niệm triệu chứng chẩn đoán, phân loại sự cố tiệm tiến và sự cố tức thời trong hệ thống điều khiển mạch kín có phản hồi.
• Công nghệ Webserver và Cơ sở dữ liệu: Nền tảng thực thi Node.js (V8 JavaScript Runtime), bộ khung ứng dụng Express Framework, thư viện truyền thông thời gian thực Socket.IO, công cụ xử lý mảng Lodash, thư viện kết nối PLC NodeS7, hệ thống mẫu EJS, thư viện jQuery và hệ quản trị cơ sở dữ liệu MySQL.

Phương pháp chỉnh định PID	Ưu điểm	Khuyết điểm
Điều chỉnh thủ công	Không yêu cầu hiểu biết sâu về toán học; thực hiện online.	Phải điều chỉnh nhiều lần; dễ gây rối loạn quá trình thử nghiệm.
Ziegler – Nichols	Đã được chứng minh bằng thực nghiệm; thực hiện trực tiếp online.	Dễ gây vọt lố hoặc dao động mạnh khi tiệm cận biên ổn định.
Phần mềm tự chỉnh định (PID Compact)	Tự động xác định mô hình, tối ưu hóa vòng lặp; đảm bảo độ ổn định.	Chi phí phần mềm cao; phụ thuộc vào thuật toán nội tại của hãng.

Phương pháp nghiên cứu và nguồn dữ liệu

• Nghiên cứu lý thuyết: Tổng hợp tài liệu chuyên ngành về thiết bị tự động hóa Siemens, lý thuyết xử lý tín hiệu analog, kiến trúc mạng nơ-ron tích chập và các thư viện mã nguồn mở.
• Phương pháp thực nghiệm phần cứng: Khảo sát, đấu nối dây tín hiệu điều khiển, cảm biến và cơ cấu chấp hành trên bộ thí nghiệm IT-5200; thiết lập các mạch giả lập sự cố phần cứng.
• Phương pháp thu thập dữ liệu: Sử dụng tính năng Table View trong phần mềm WinCC (TIA Portal V16) để trích xuất dữ liệu chuỗi thời gian của áp suất và trạng thái điều khiển từ PLC S7-1500.
• Phương pháp huấn luyện và liên kết dữ liệu: Lập trình mô hình CNN bằng ngôn ngữ Python trên môi trường Visual Studio Code; sử dụng thư viện Snap7 để trao đổi dữ liệu hai chiều thời gian thực giữa máy tính tính toán AI và PLC.

---

Thiết kế và triển khai hệ thống kỹ thuật

Đồ án triển khai một hệ thống kỹ thuật hoàn chỉnh bao gồm phần cứng điều khiển, giao diện giám sát tại chỗ, dịch vụ web từ xa và mô hình trí tuệ nhân tạo chẩn đoán lỗi:

Cấu trúc phần cứng và cơ chế giả lập lỗi

• Bộ điều khiển trung tâm: PLC Siemens S7-1500 (CPU 1512C-1 PN) tích hợp sẵn module ngõ vào/ra tương tự Analog on-board (X10) và ngõ vào/ra số Digital on-board (X11, X12).
• Thiết bị giám sát tại trạm: Màn hình cảm ứng HMI Siemens KTP700 Comfort PN kết nối qua chuẩn Profinet.
• Cơ cấu chấp hành và cảm biến: Bộ thí nghiệm IT-5200 gồm bơm điện tự mồi (Self-Priming Electric Pump), van xả tự động (Automatic Drain Valve/van solenoid), cảm biến áp suất biến dạng (Strain Gauge), cảm biến dịch chỉnh biến trở vi sai (LVDT) và phao lưu lượng nước.
• Mạch giả lập sự cố: Thiết kế sơ đồ đấu dây nhân tạo để kích hoạt 6 trạng thái lỗi:
  • F1: Lỗi tín hiệu đầu vào analog của cảm biến áp suất.
  • F2: Lỗi mất tín hiệu điều khiển van xả solenoid.
  • F3: Lỗi mất nguồn cấp tại module mở rộng X12.
  • F4, F5, F6: Các trạng thái lỗi phối hợp giữa suy giảm áp lực bơm, kẹt van xả và sai lệch cảm biến.

Kiến trúc phần mềm và tích hợp hệ thống

• Lập trình điều khiển trên TIA Portal V16: Cấu hình CPU 1512C-1 PN cho phép toàn quyền truy cập (Full Access), kích hoạt tính năng truyền thông PUT/GET dữ liệu, thiết lập khối dữ liệu chia sẻ (DB - Data Block). Lập trình thuật toán điều khiển vòng kín thông qua khối hàm chuẩn PID_Compact.
• Thiết kế giao diện HMI: Xây dựng màn hình giám sát thời gian thực (Monitoring), màn hình cấu hình vận hành tự động (Auto Mode) và bằng tay (Manual Mode), màn hình đồ thị xu hướng (Trend/Curves), trang thông báo cảnh báo sự cố (Alarm) và hệ thống phân quyền tài khoản (Admin, Operator).
• Mô hình học sâu CNN:
  • Tiền xử lý dữ liệu: Chuyển đổi dữ liệu chuỗi thời gian thu thập được thành ma trận đặc trưng đại diện cho từng chu kỳ đáp ứng áp suất.
  • Cấu trúc mạng: Thiết kế mạng tích chập gồm các tầng Convolutional phát hiện đặc trưng không gian/thời gian, tầng kích hoạt phi tuyến, tầng Max Pooling giảm chiều dữ liệu và tầng Fully Connected để xuất vector xác suất phân loại đa lớp (trạng thái bình thường và các mã lỗi F1–F6).
• Liên kết trao đổi dữ liệu thời gian thực (Real-time Integration):
  • Sử dụng thư viện Snap7 trong mã nguồn Python để liên tục đọc giá trị áp suất thực tế từ các vùng nhớ DB của PLC S7-1500, đưa vào mô hình CNN để tính toán trạng thái. Kết quả chẩn đoán (mã lỗi) được ghi ngược trở lại PLC ngay lập tức.
  • Webserver xây dựng trên Node.js sử dụng thư viện NodeS7 đọc các biến trạng thái và giá trị đo từ PLC, thông qua Socket.IO đẩy dữ liệu trực tiếp lên trình duyệt người dùng mà không cần tải lại trang. Hệ quản trị MySQL ghi nhận lịch sử vận hành và sự cố.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày tổng quan về tầm quan trọng của tự động hóa và sự cần thiết của công nghệ chẩn đoán lỗi trong công nghiệp. Tác giả chỉ ra hạn chế của các phương pháp bảo trì, chẩn đoán truyền thống vốn phụ thuộc vào chu kỳ và kinh nghiệm cá nhân. Nội dung chương xác lập 5 mục tiêu cốt lõi của đề tài: điều khiển ổn định áp suất bằng PID, giám sát qua HMI, xây dựng Webserver, ứng dụng mạng CNN chẩn đoán lỗi và thiết lập cơ chế truyền thông thời gian thực với PLC S7-1500. Chương này cũng phân định giới hạn nghiên cứu trên mô hình bộ thí nghiệm IT-5200 tại phòng thí nghiệm và phác thảo phương pháp tiếp cận từ lý thuyết đến thực nghiệm.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp toàn bộ cơ sở khoa học làm nền tảng cho đề tài:

• Thiết bị điều khiển và giám sát: Giới thiệu tổng quan về các dòng PLC phổ biến (Allen-Bradley, Siemens S7-1500, Mitsubishi FX) và phân loại màn hình HMI theo kích thước, giao thức truyền thông, tính năng nhúng/PC.
• Bộ điều khiển PID và hệ rời rạc: Trình bày nguyên lý 3 khâu P-I-D, sơ đồ khối hệ thống điều khiển rời rạc và các phương pháp chỉnh định tham số (thủ công, Ziegler-Nichols, phần mềm tự chỉnh).
• Giao thức truyền thông: Khái quát về cú pháp (Syntax), ngữ nghĩa (Semantic), định thời (Timing) trong giao thức mạng; cấu trúc 5 lớp của TCP/IP và đặc tính kỹ thuật của mạng Profinet công nghiệp.
• Học sâu và CNN: Khái niệm Deep Learning, cấu trúc các tầng cơ bản của mạng CNN (Convolution, Pooling, Fully Connected), các hàm kích hoạt (Sigmoid, ReLU, Leaky ReLU, Tanh) và các kiến trúc mạng tiêu biểu (LeNet-5, AlexNet, VGG-16).
• Lý thuyết chẩn đoán: Định nghĩa về chẩn đoán kỹ thuật, phương pháp tự chẩn đoán (self-diagnosis) trong hệ điều khiển kín.
• Webserver và Cơ sở dữ liệu: Nguyên lý hoạt động của Node.js, V8 JavaScript Runtime, các công nghệ HTML/CSS/JavaScript, các module NPM phụ trợ (Express, Socket.IO, Lodash, EJS, jQuery, NodeS7) và cơ sở dữ liệu MySQL.

Chương 3: Mô tả hệ thống

Chương 3 chi tiết hóa phần cứng của hệ thống thực nghiệm:

• Trình bày yêu cầu kỹ thuật và cấu trúc tổng thể của bộ thực hành điều khiển quá trình IT-5200.
• Khảo sát chi tiết thông số kỹ thuật của PLC Siemens S7-1500 CPU 1512C-1 PN và màn hình HMI KTP700 Comfort PN.
• Mô tả nguyên lý hoạt động của các thiết bị chấp hành và đo lường: bơm điện tự mồi, van xả solenoid tự động, cảm biến áp suất Strain Gauge, cảm biến biến dịch LVDT, phao lưu lượng nước.
• Thiết lập nguyên lý và sơ đồ đấu dây giả lập các trạng thái lỗi trên module Analog X10, Digital X11 và module nguồn/mở rộng X12 nhằm phục vụ công tác tạo dữ liệu huấn luyện cho mô hình chẩn đoán.

Chương 4: Thiết kế phần mềm

Chương 4 tập trung vào quy trình thiết kế và tích hợp toàn bộ các phân hệ phần mềm:

• Cấu hình PLC: Hướng dẫn cấu hình phần cứng trên TIA Portal V16, cấp quyền truy cập đầy đủ (Full Access), bật cơ chế truyền thông PUT/GET và xây dựng các khối dữ liệu DB để trao đổi biến.
• Bộ điều khiển PID: Thiết lập khối hàm PID_Compact, cấu hình các thông số đặt, ngõ vào hồi tiếp analog và cấu hình thuật toán tự chỉnh định thông số.
• Giao diện HMI: Thiết kế lưu đồ hoạt động của HMI, xây dựng giao diện vận hành (Monitoring), trang cấu hình tham số PID dạng pop-up, hệ thống cảnh báo (Alarm List) và phân quyền bảo mật người dùng.
• Webserver: Thiết kế giao diện web theo dõi áp suất, điều khiển chế độ Auto/Manual, quản lý phân quyền người dùng và xây dựng giao thức nhận dữ liệu thông qua thư viện NodeS7 và Socket.IO.
• Mô hình CNN và xử lý thời gian thực: Trình bày quy trình thu thập dữ liệu bằng Table View trong WinCC, xây dựng kiến trúc mạng CNN hoàn chỉnh trên Python, lập trình quy trình đọc/ghi biến với PLC S7-1500 thông qua thư viện Snap7 để đưa ra kết luận chẩn đoán lỗi theo thời gian thực.

Chương 5: Kết quả thực hiện

Chương 5 trình bày toàn bộ các kết quả thu được sau khi triển khai hệ thống:

• Kết quả phần cứng: Hoàn thiện lắp ráp, đấu nối toàn bộ hệ thống điều khiển áp suất trên bộ thực hành IT-5200, đảm bảo an toàn điện và độ tin cậy tín hiệu.
• Kết quả điều khiển PID: Hệ thống điều khiển bám tốt các điểm đặt áp suất định trước với thời gian đáp ứng nhanh, sai số xác lập được triệt tiêu và đáp ứng quá độ ổn định.
• Kết quả giao diện HMI và Webserver: Giao diện HMI KTP700 và Webserver trên trình duyệt hiển thị chính xác các thông số vận hành, đồ thị đường cong áp suất và bảng thông báo cảnh báo tức thời.
• Kết quả chẩn đoán lỗi thời gian thực: Mô hình CNN kết hợp với Snap7 nhận dạng chính xác trạng thái bình thường và phát hiện đúng các trường hợp lỗi giả lập F1, F2, F3, F4, F5, F6. Mã lỗi được cập nhật đồng bộ lên cả giao diện HMI và Webserver ngay khi sự cố xảy ra.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết toàn diện các nội dung đã hoàn thành của đồ án: điều khiển ổn định hệ thống áp suất bằng thuật toán PID trên PLC S7-1500, thiết kế thành công hệ thống giám sát kép qua HMI và Webserver, ứng dụng hiệu quả mạng nơ-ron tích chập CNN để tự động chẩn đoán lỗi qua Snap7. Đồng thời, tác giả chỉ ra các hạn chế hiện tại về quy mô mô hình thử nghiệm và cấu trúc mạng CNN, từ đó đề xuất các định hướng nâng cấp, mở rộng thuật toán trong tương lai.

---

Kết quả và đóng góp

Kết quả chính thu được

• Về điều khiển và giám sát:
  • Triển khai thành công thuật toán PID bằng khối PID_Compact trên PLC S7-1500 CPU 1512C-1 PN, giúp áp suất thực tế bám sát giá trị đặt (Setpoint) ở nhiều dải làm việc khác nhau.
  • Xây dựng hoàn chỉnh giao diện HMI KTP700 Comfort với đầy đủ chức năng: giám sát thông số, đổi chế độ Auto/Manual, cài đặt tham số PID qua cửa sổ pop-up, hiển thị biểu đồ thời gian thực và quản lý phân quyền Admin/User.
  • Triển khai thành công Webserver trên nền tảng Node.js kết hợp NodeS7 và Socket.IO, cho phép giám sát và điều khiển áp suất từ xa qua trình duyệt web với độ trễ thấp.
• Về mô hình chẩn đoán lỗi CNN:
  • Thu thập thành công tập dữ liệu đáp ứng áp suất thông qua công cụ Table View của WinCC.
  • Xây dựng và huấn luyện mô hình CNN trên Python, phân loại chính xác các trạng thái hoạt động của hệ thống.
  • Tích hợp thành công thư viện Snap7, cho phép máy tính chạy mô hình CNN liên tục đọc dữ liệu chuỗi thời gian từ PLC S7-1500 và ghi trả mã lỗi về PLC theo thời gian thực.

Trạng thái / Mã lỗi	Hiện tượng giả lập trên phần cứng	Đáp ứng nhận diện & Cảnh báo
Hệ thống ổn định	Vận hành bình thường, áp suất bám sát điểm đặt.	Hệ thống báo Normal, đồ thị áp suất ổn định.
Lỗi F1	Ngắt/hỏng tín hiệu ngõ vào analog của cảm biến áp suất.	CNN phát hiện lỗi F1; HMI & Web hiển thị cảnh báo lỗi cảm biến.
Lỗi F2	Ngắt tín hiệu điều khiển van xả tự động (solenoid valve).	CNN phát hiện lỗi F2; HMI & Web hiển thị cảnh báo lỗi van xả.
Lỗi F3	Mất nguồn cấp tại module mở rộng X12.	CNN phát hiện lỗi F3; kích hoạt cảnh báo mất nguồn module.
Lỗi F4, F5, F6	Giả lập suy giảm lưu lượng bơm, kẹt van cơ học, sai lệch hệ số.	CNN phân loại chính xác từng trạng thái F4, F5, F6 tương ứng.

Đóng góp của đồ án

• Kết hợp thành công giữa hệ thống điều khiển tự động hóa công nghiệp truyền thống (PLC S7-1500, HMI KTP700) với công nghệ Trí tuệ nhân tạo hiện đại (Học sâu / Mạng nơ-ron tích chập CNN).
• Xây dựng giải pháp trao đổi dữ liệu hai chiều thời gian thực giữa môi trường tính toán AI (Python qua Snap7) và PLC công nghiệp mà không cần trang bị thêm phần cứng tính toán chuyên dụng đắt tiền trên PLC.
• Cung cấp giải pháp giám sát IoT công nghiệp chi phí thấp dựa trên mã nguồn mở Node.js và giao thức Siemens S7 Ethernet RFC1006.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

• Quy mô thực nghiệm: Hệ thống mới chỉ dừng lại ở mức độ mô hình thí nghiệm phòng lab (Process Control Trainer IT-5200), quy mô nhỏ, chưa được kiểm chứng trong môi trường công nghiệp thực tế với dải áp suất lớn và độ nhiễu cao.
• Mô hình học sâu: Nhóm tác giả mới chỉ ứng dụng cấu trúc mạng CNN tiêu chuẩn dựa trên các kiến trúc tham khảo (LeNet, AlexNet, VGG), chưa tối ưu hóa cấu trúc mạng dành riêng cho đặc thù của dữ liệu chuỗi thời gian công nghiệp.
• Kịch bản sự cố: Số lượng lỗi khảo sát mới dừng lại ở 6 kịch bản giả lập cơ bản (F1–F6), chưa bao quát hết các dạng hư hỏng phức tạp như suy giảm hiệu suất động cơ theo thời gian, rò rỉ vi mô trên đường ống hay lỗi quá nhiệt.

Hướng nghiên cứu tiếp

• Tối ưu hóa thuật toán học sâu: Nghiên cứu thiết kế kiến trúc mạng nơ-ron chuyên biệt (kết hợp CNN với RNN/LSTM) nhằm nâng cao độ chính xác dự đoán đối với dữ liệu chuỗi thời gian liên tục.
• Mở rộng phạm vi ứng dụng: Triển khai thử nghiệm thuật toán trên các hệ thống áp suất công nghiệp thực tế có công suất lớn; mở rộng tập dữ liệu huấn luyện cho nhiều dạng sự cố cơ khí và cảm biến khác nhau.

---

Giá trị tham khảo

Đồ án là tài liệu tham khảo có giá trị học thuật và thực tiễn cao đối với:

• Sinh viên và học viên: Thuộc các ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Kỹ thuật Máy tính và Hệ thống Thông tin Công nghiệp đang thực hiện đồ án môn học hoặc khóa luận tốt nghiệp liên quan đến điều khiển quá trình và ứng dụng AI trong công nghiệp.
• Các nội dung đáng tham khảo chuyên sâu:
  • Quy trình cấu hình khối hàm PID_Compact và chỉnh định tham số điều khiển trên phần mềm TIA Portal V16.
  • Phương pháp xây dựng Webserver giám sát PLC Siemens bằng Node.js thông qua thư viện node-snap7 / nodes7 và Socket.IO.
  • Kỹ thuật kết nối và truyền nhận dữ liệu thời gian thực giữa mô hình Học sâu viết bằng Python với PLC Siemens S7-1500 qua thư viện Snap7.

---

Câu hỏi thường gặp

1. Hệ thống điều khiển và giám sát trong đồ án sử dụng các thiết bị phần cứng cụ thể nào?

Hệ thống sử dụng bộ thí nghiệm điều khiển quá trình IT-5200 của hãng Infinit Technologies, bộ điều khiển khả trình PLC Siemens S7-1500 (CPU 1512C-1 PN) tích hợp các module on-board X10 (Analog), X11 và X12 (Digital), màn hình cảm ứng HMI Siemens KTP700 Comfort PN, bơm điện tự mồi (Self-Priming Electric Pump), van xả tự động solenoid, cảm biến áp suất Strain Gauge và cảm biến LVDT.

2. Thuật toán và công cụ nào được sử dụng để điều khiển ổn định áp suất?

Tác giả sử dụng thuật toán điều khiển PID được lập trình thông qua khối hàm chuẩn PID_Compact trong phần mềm TIA Portal V16 của Siemens. Khối hàm này thực hiện xử lý tín hiệu phản hồi từ cảm biến áp suất analog và xuất tín hiệu điều khiển để duy trì áp suất bám sát điểm đặt mong muốn.

3. Mô hình Trí tuệ nhân tạo nào được ứng dụng để chẩn đoán lỗi và cách thức thu thập dữ liệu ra sao?

Đề tài ứng dụng mô hình Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) được lập trình bằng ngôn ngữ Python trên môi trường Visual Studio Code. Dữ liệu áp suất và trạng thái vận hành của hệ thống được thu thập thông qua công cụ Table View của phần mềm WinCC (TIA Portal) dưới các kịch bản vận hành bình thường và giả lập lỗi phần cứng (F1 đến F6).

4. Cơ chế truyền thông thời gian thực giữa PLC Siemens S7-1500 và mô hình CNN (Python) được thực hiện như thế nào?

Việc trao đổi dữ liệu được thực hiện thông qua thư viện Snap7. Mã nguồn Python sử dụng Snap7 để kết nối với PLC S7-1500 qua cổng Profinet/Ethernet, liên tục đọc các giá trị áp suất từ khối dữ liệu (DB) để đưa vào mô hình CNN chẩn đoán, sau đó ghi trực tiếp kết quả mã lỗi phát hiện được trở lại vùng nhớ PLC theo thời gian thực.

5. Webserver giám sát hệ thống từ xa được xây dựng bằng những công nghệ nào?

Webserver được xây dựng trên môi trường thực thi Node.js (ngôn ngữ JavaScript) sử dụng Express Framework. Dữ liệu từ PLC S7-1500 được đọc qua giao thức Siemens S7 Ethernet RFC1006 nhờ thư viện NodeS7, sau đó truyền thời gian thực lên giao diện web (xây dựng bằng HTML, CSS, JavaScript, EJS, jQuery) thông qua Socket.IO. Hệ quản trị MySQL được tích hợp để quản lý cơ sở dữ liệu người dùng và lịch sử cảnh báo.

---

Kết luận

Đồ án tốt nghiệp "Chẩn đoán lỗi cho hệ thống điều khiển áp suất" đã hoàn thành toàn diện các mục tiêu nghiên cứu đặt ra, bao gồm việc điều khiển ổn định áp suất bằng thuật toán PID trên PLC Siemens S7-1500 và thiết kế hệ thống giám sát trực quan tại chỗ qua HMI KTP700 Comfort. Điểm nổi bật của đề tài là việc tích hợp thành công mô hình học sâu CNN để tự động chẩn đoán và phân loại các trạng thái sự cố phần cứng theo thời gian thực thông qua thư viện Snap7, đồng thời triển khai Webserver giám sát từ xa dựa trên nền tảng Node.js. Kết quả thực nghiệm trên bộ thiết bị IT-5200 đã chứng minh tính khả thi của giải pháp kết hợp giữa công nghệ tự động hóa truyền thống và trí tuệ nhân tạo trong việc nâng cao độ an toàn và độ tin cậy vận hành cho các hệ thống điều khiển công nghiệp.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan Trong chương này nhóm sẽ trình bày tổng quan về đề tài nghiên cứu, các phương pháp nghiên cứu, các mục tiêu, đối tượng, ứng dụng và phạm vi đề tài. Chương 2: Cơ sở lý thuyết Trong chương này trình bày về tổng quan về hệ thống, các kiến thức liên quan. Ngoài ra còn trình bày tổng quan về các thiết bị được sử dụng trong hệ thống. Chương 3: Thiết kế phần cứng Ở chương này sẽ trình bày về những yêu cầu thiết kế phần cứng, quy trình hoạt động của hệ thống, lựa chọn các thiết bị và đưa ra các thông số kỹ thuật chính của từng thiết bị.

Chương 4: Thiết kế phần mềm Ở chương này nhóm sẽ trình bày về những yêu cầu thiết kế phần mềm, thiết kế giao diện điều khiển và giám sát qua HMI, thiết kế giao diện Web, thiết kế mô hình CNN chẩn đoán lỗi cho hệ thống, trình bày về cách trao đổi dữ liệu giữa PLC và mô hình CNN. Tổng quan Chương 5: Kết quả thực hiện Trong chương này sẽ trình bày về những kết quả đạt được của hệ thống như phần cứng, giao diện điều khiển và giám sát trên HMI và Webserver, kết quả chẩn đoán và chạy thực tế. Chương 6: Kết luận và hướng phát triển Ở chương này sẽ trình bày về ưu, nhược điểm của hệ thống và đưa ra một vài định hướng phát triển trong tương lai để nâng cao tính ứng dụng và chất lượng hệ thống vào thực tế. Cơ sở lý thuyết CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về thiết bị 2.1 Tổng quan về bộ điều khiển PLC Bộ điều khiển lập trình PLC (Programmable Logic Controller) có thể lập trình bằng nhiều ngôn ngữ như sơ đồ hình thang (LAD), sơ đồ khối (FBD), cấu trúc lệnh (STL), biểu đồ chức năng tuần tự (SFC).

Hiện nay có rất nhiều hãng sản xuất PLC như Siemens, Panasonic, Omron, Delta, Mitsubishi,. Khi sử dụng PLC thì mỗi hãng đều cung cấp cho người dùng một phần mềm chuyên dụng riêng để lập trình và mô phỏng PLC cho từng hãng. Đối với mỗi dòng thiết bị PLC của từng hãng khác nhau thì đều có những ưu và nhược điểm riêng tùy theo hệ thống mà ta sử dụng. PLC Allen – Bradley được biết đến với khả năng chịu nhiệt tốt, tuy giá thị trường tương đối cao nhưng tuổi thọ hoạt động của sản phẩm vô cùng kinh ngạc.

Với những ưu điểm trên nên PLC Allen – Bradley được các nhà máy lựa chọn trong môi trường tương đối khắc nghiệt và đòi hỏi độ ổn định cao.1: PLC Allen - Bradley PLC Siemens S7 – 1500 được thiết kế theo dạng module nhỏ gọn, với nhiều loại CPU khác nhau phù hợp cho nhiều cấp hiệu suất khác nhau, có thể giao tiếp diện truyền thông đáp ứng tiêu chuẩn cao nhất trong truyền thông công nghiệp. PLC S7 – 1500 được tích hợp sẵn cổng truyền thông Profinet (Ethernet) có thể giao tiếp với nhiều thiết bị lập trình khác, thiết bị HMI,. Có nhiều đặc điểm nổi bật như độ bền cao, chẩn đoán và sửa lỗi nhanh, dễ dàng sử dụng và lắp đặt, tích hợp chức năng bảo mật,. nên được sử dụng rất nhiều trong nhiều lĩnh vực công nghiệp.

Cơ sở lý thuyết Hình 2.2: PLC Siemens S7 - 1500 PLC Mitsubishi được thiết kế theo dạng khối tích hợp đầy đủ các ngõ in/out, đáp ứng đầy đủ đa dạng các cấu hình yêu cầu các chức năng như: Ngõ vào analog, phát xung tốc độ cao, giao tiếp truyền thông,. Có ưu điểm lớn về giá thành, độ bền cao, khả năng hoạt động ổn định ở nhiều môi trường khác nhau, đa dạng CPU phù hợp cho nhiều loại máy móc. Một số dòng PLC Misubishi thông dụng trên thị trường như: PLC Mitsubishi FX1N, PLC Mitsubishi FX2N, PLC Mitsubishi FX3G, PLC Mitsubishi FX3U.2 Tổng quan về bộ giám sát HMI HMI (Human Machine Interface) là thiết bị giao tiếp giữa người điều hành với máy móc, là một giao diện (màn hình) có chức năng hiển thị và điều khiển nhằm mục đích giúp người vận hành có thể dễ dàng kiểm soát các thiết bị và máy móc. Có thể phân loại HMI theo các tiêu chí như sau: - Theo kích thước: 3.5 inch, 4 inch, 7 inch, 10 inch, 12 inch, 15 inch,.

Cơ sở lý thuyết - Theo cổng truyền thông: USB, Ethernet, RS232, RS422, RS485,. - Theo kiểu màn hình: màn hình HMI cảm ứng và màn hình HMI không cảm ứng (TFT, LCD, Touch,.) - Theo giao thức truyền thông: MODBUS, MQTT, FTP, CANopen, SNMP,. - Theo tính năng nâng cao: SCADA, Cloud, Web Server, SQL, Email & SMS, Wifi,. - Theo dung lượng bộ nhớ: 288KB, 1MB, 2MB, 10MB,.

Với sự phát triển của màn hình HMI mà chúng ta có thể phân chia ra thành 2 nhóm là HMI hiện đại và HMI truyền thống. HMI hiện đại sẽ bao gồm 2 loại chính là HMI trên nền PC, Windows/Mac và HMI trên nền nhúng (HMI chuyên dụng). Ngoài ra còn có một số loại HMI khác như MobileHMI dùng Palm, PocketPC. Dòng HMI hiện đại được nâng cấp và cải thiện nhằm tối ưu quá trình hoạt động của thiết bị như: Tính đầy đủ kịp thời và chính xác của thông tin, cho phép người vận hành dễ dàng thay đổi bổ sung thông tin cần thiết, dễ dàng mở rộng, vận hành và sửa chữa, được trang bị một bộ nhớ có dung lượng cao, cho phép người vận hành lưu trữ được nhiều hơn trên một thiết bị, có khả năng kết nối với nhiều thiết bị khác thông qua các giao thức thường thấy hiện nay.

HMI truyền thống gồm những thiết bị xuất thông tin (Thiết bị đồng hồ đo, còi hú, đèn báo, các loại máy tự ghi trên giấy,.) và những thiết bị nhập thông tin (Nút nhấn, công tắc chuyển mạch, bàn phím,. Do loại thiết bị này đã ra đời ở những năm trước khi công nghệ chưa phát triển, khi khoa học chưa có những bước đột phá mạnh mẽ nên còn nhiều nhược điểm như: HMI truyền thống hoạt động mang lại hiệu quả chưa cao, chưa đáp ứng hoàn toàn nhu cầu của người dùng, các thông tin hay tín hiệu khi nhập hoặc xóa sẽ không hoàn toàn đầy đủ, khả năng lưu trữ thấp dẫn đến năng suất không cao nên độ tin cậy của người dùng ngày càng giảm. Một số đặc trưng của giao diện HMI: − Kích cỡ màn hình: Quyết định số lượng thông tin có thể hiển thị cùng lúc của HMI. − Màn hình cảm ứng: Quyết định khả năng thao tác vận hành.

− Dung lượng của HMI: Quyết định biến số tối đa, dung lượng lưu trữ thông tin.2 Tổng quan về bộ điều khiển PID 2.1 Khái niệm chung về bộ điều khiển PID Bộ điều khiển vi phân tích phân tỉ lệ (PID – Proportional Integral Derivative) là một cơ chế phản hồi vòng điều khiển tổng quát được sử dụng rộng rãi trong các hệ thống điều khiển công nghiệp ngày nay, là bộ điều khiển được sử dụng nhiều nhất trong các bộ điều khiển phản hồi. Bộ điều khiển PID sẽ tính toán các giá trị “sai số” là hiệu số giữa giá trị đo thông số biến đổi và giá trị đặt mong muốn bằng việc giảm tối đa sai số bằng cách điều chỉnh giá trị điều khiển đầu vào. Khi kiểu điều khiển của các hệ thống là giống nhau nên để đạt được kết quả tốt nhất thì các thông số PID phải được điều chỉnh dựa theo tính chất hay đặc thù của hệ thống.4: Sơ đồ khối của bộ điều khiển PID Giải thuật tính toán của bộ điều khiển PID bao gồm 3 thông số chính, hay còn được gọi là bộ điều khiển 3 khâu, là giá trị tỉ lệ (P – Proportional), tích phân (I – Intergral), đạo hàm (D – Derivative). Giá trị tỉ lệ xác định tác động đến sai số hiện tại, giá trị tích phân xác định tác động của tổng các sai số quá khứ, giá trị vi phân xác định tác động của biến đổi sai số.

Kết quả của ba tác động này sẽ điều chỉnh quá trình thông qua một phần tử điều khiển như công suất bơm, vị trí van điều khiển hay bộ gia nhiệt. Bằng việc điều chỉnh 3 thông số của bộ điều khiển PID, có thể dùng bộ điều khiển trong những hệ thống có yêu cầu đặc biệt. Ngoài ra, khi chỉ sử dụng một hoặc hai khâu tùy theo hệ thống, bộ điều khiển PID sẽ được gọi là bộ điều khiển PI, PD.2 Các phương pháp điều chỉnh PID Có nhiều phương pháp để điều chỉnh thông số của bộ điều khiển PID. Những phương pháp hữu hiệu thường bao gồm những triển khai của vài dạng mô hình xử lý, sau đó chọn P, I, và D dựa trên thông số của mô hình động học.

Lựa chọn phương 8 Chương 2. Cơ sở lý thuyết pháp thích hợp sẽ phụ thuộc phần lớn vào việc điều chỉnh “offline” và đáp ứng thời gian của hệ thống. Nếu hệ thống có thể thực hiện “offline”, phương pháp điều chỉnh tốt nhất thường bao gồm bắt hệ thống thay đổi đầu vào từng bước, sử dụng đáp ứng này để xác định thông số điều khiển.1: Các phương pháp điều chỉnh PID Phương pháp Ưu điểm Khuyết điểm Điều chỉnh thủ Không cần hiểu biết về Người điều khiển phải công toán. Phương pháp online.

Phải điều chỉnh nhiều Ziegler – Phương pháp chứng minh. lần, rối loạn quá trình Nichols Phương pháp online. Điều chỉnh chắc chắn. Cho phép mô phỏng trước khi tải Các phần mềm xuống để đưa vào hệ thống.

Giá thành cao điều chỉnh Phương pháp online hoặc offline. − Điều chỉnh thủ công Đầu tiên, ta sẽ thiết đặt giá trị đầu tiên của Ki và Kd bằng không. Tăng dần Kp cho đến khi vòng điều khiển dao động, sau đó Kp có thể đặt tới xấp xỉ một nửa giá trị đo để đạt được đáp ứng ứng với “1/4 giá trị suy giảm biên độ”. Sau đó tăng Ki đến giá trị phù hợp sao cho đủ thời gian xử lý, tuy nhiên Ki quá lớn sẽ gây mất ổn định.

Cuối cùng tăng Kd cho đến khi vòng điều khiển nhanh có thể chấp nhận được nhanh chóng lấy lại được giá trị đặt sau khi nhiễu, tuy nhiên Kd quá lớn sẽ gây đáp ứng dư và vọt lố.2: Điều chỉnh thủ công Thời gian Thời gian xác Sai số ổn Thông số Quá độ Độ ổn định khởi động lập định Kp Giảm Tăng Thay đổi nhỏ Giảm Giảm Giảm đáng Ki Giảm Tăng Tăng Giảm kể Không tác Cải thiện nếu Kd Giảm Giảm ít Giảm ít động Kd nhỏ − Phương pháp Ziegler – Nichols 9 Chương 2. Cơ sở lý thuyết Đây là phương pháp điều chỉnh theo kinh nghiệm, tương tự như phương pháp trên, độ lợi Ki và Kd, lúc đầu được gán bằng không. Độ lợi P được tăng cho đến khi tiến tới độ lợi giới hạn, Ku, ở đầu ra của vòng điều khiển bắt đầu dao động. Ku và thời gian dao động Pu được dùng để gán độ lợi như sau: Bảng 2.