Chẩn đoán máy điện sử dụng các thuật toán học máy

Luận văn chẩn đoán máy điện sử dụng thuật toán học máy tại Trường Quốc tế, ĐHQG Hà Nội năm 2026

• Tác giả: Ebwalette Priscille Ebwala
• Người hướng dẫn: Dr. Eric Lefèvre
• Trường học: Đại học Quốc gia Hà Nội, Trường Quốc tế
• Chuyên ngành: Hệ thống thông minh và Đa phương tiện
• Đề tài: Chẩn đoán máy điện sử dụng các thuật toán học máy
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2026
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan chẩn đoán máy điện bằng thuật toán học máy tại VNU IS

Nghiên cứu chẩn đoán máy điện bằng thuật toán học máy tại Trường Quốc tế ĐHQGHN đánh dấu bước tiến quan trọng trong bảo trì dự đoán. Đề tài do học viên Ebwala Ebwalette Priscille thực hiện dưới sự hướng dẫn của Tiến sĩ Eric Lefèvre thuộc chuyên ngành Hệ thống Thông minh và Đa phương tiện. Hệ thống máy điện đồng bộ nam châm vĩnh cửu đóng vai trò nòng cốt trong các ngành công nghiệp hiện đại và xe điện. Sự cố bất ngờ ở các thiết bị này thường gây gián đoạn sản xuất cùng tổn thất kinh tế nghiêm trọng. Việc phát hiện lỗi ngay từ giai đoạn khởi phát là yêu cầu cấp thiết đối với các nhà máy thông minh. Thuật toán học máy kết hợp nền tảng mô phỏng điện từ Pyleecan tạo ra giải pháp giám sát tình trạng thiết bị chuẩn xác. Dữ liệu vật lý từ các chế độ hoạt động bình thường và hư hỏng được thu thập để huấn luyện mô hình. Hướng tiếp cận này giúp giảm thiểu sự phụ thuộc vào các thử nghiệm phá hủy tốn kém trên phần cứng thực tế. Công trình nghiên cứu đặt nền móng vững chắc cho việc tự động hóa quy trình chẩn đoán tình trạng động cơ trong kỷ nguyên sản xuất số.

1.1. Bối cảnh nghiên cứu tại Trường Quốc tế ĐHQGHN

Trường Quốc tế thuộc Đại học Quốc gia Hà Nội định hướng phát triển mạnh công nghệ trí tuệ nhân tạo ứng dụng. Đề tài luận văn thạc sĩ năm 2026 tập trung giải quyết bài toán cấp thiết trong giám sát công nghiệp hiện đại. Việc vận hành liên tục của động cơ điện luôn tiềm ẩn nguy cơ xuống cấp cơ học và điện từ. Sự kết hợp giữa mô phỏng vật lý và thuật toán thông minh tạo ra bước đột phá học thuật rõ nét. Công trình này chứng minh năng lực nghiên cứu ứng dụng thực tế theo tiêu chuẩn quốc tế. Dữ liệu thu được trực tiếp phục vụ nhu cầu tối ưu hóa bảo trì dự đoán cho xe điện.

1.2. Mục tiêu xây dựng dữ liệu mô phỏng máy điện

Mục tiêu cốt lõi của nghiên cứu là xây dựng bộ dữ liệu tín hiệu hoàn chỉnh về máy điện đồng bộ nam châm vĩnh cửu. Nguồn dữ liệu phong phú này hỗ trợ huấn luyện các thuật toán học máy đạt độ chính xác cao. Việc thử nghiệm lỗi trên động cơ thực tế rất tốn kém và nguy hiểm. Do đó, mô phỏng số thông qua phần mềm chuyên dụng trở thành giải pháp thay thế tối ưu. Nghiên cứu tập trung thu thập tín hiệu từ thông, dòng điện và mô-men xoắn trong nhiều điều kiện vận hành. Các kịch bản được phân chia theo mức độ lành lặn, suy giảm nhẹ và hư hỏng nghiêm trọng. Cơ sở dữ liệu chuẩn hóa này đóng vai trò quyết định trong việc phát triển các thuật toán nhận dạng lỗi tự động.

II. Thách thức chẩn đoán máy điện bằng thuật toán học máy hiện nay

Quá trình vận hành liên tục khiến máy điện thường xuyên đối mặt với nhiều dạng hư hỏng phức tạp. Theo tài liệu chuyên ngành, các sự cố được phân chia thành bốn nhóm chính gồm cơ học, điện, từ tính và nhiệt học. Hư hỏng cơ học xuất phát từ hiện tượng lệch tâm tĩnh, lệch tâm động hoặc sai số gia công bề mặt. Các lỗi điện học thường liên quan đến chập vòng dây stator hoặc mất cân bằng pha nguồn cấp. Hiện tượng khử từ nam châm vĩnh cửu làm giảm hiệu suất sinh công và gây biến dạng từ trường nghiêm trọng. Những hư hỏng này tương tác đa chiều, tạo ra các dấu hiệu vật lý đan xen rất khó tách biệt. Phương pháp bảo trì truyền thống dựa vào kinh nghiệm con người hoặc kiểm tra định kỳ tỏ ra kém hiệu quả. Việc dừng máy đột ngột không chỉ làm gián đoạn chuỗi cung ứng mà còn phát sinh chi phí sửa chữa khổng lồ. Thu thập dữ liệu lỗi thực tế gặp nhiều rào cản do quy định nghiêm ngặt về an toàn công nghiệp. Do đó, việc phân tích chính xác cơ chế suy giảm và xây dựng mô hình giả lập sự cố là bài toán kỹ thuật cấp bách.

2.1. Phân loại các dạng hư hỏng cơ điện phổ biến

Hư hỏng trong máy điện được phân loại cụ thể theo nguồn gốc phát sinh và mức độ tác động. Lỗi cơ học gồm hiện tượng lệch tâm tĩnh làm khe hở không khí biến dạng cố định theo góc quay. Ngược lại, lệch tâm động khiến tâm rotor dao động tuần hoàn theo tần số cơ học. Các sai lệch gia công làm méo dạng trường từ và kích thích sóng hài bậc cao. Nhóm lỗi điện tập trung vào suy hao cách điện, dẫn đến đoản mạch một phần giữa các vòng dây. Mức độ suy giảm từ tính nam châm cũng làm suy yếu mô-men xoắn đầu ra của động cơ. Mỗi dạng hư hỏng tạo nên phản ứng đặc trưng trên đồ thị phổ tần số và đường cong sóng từ thông.

2.2. Hạn chế của phương pháp chẩn đoán truyền thống

Kỹ thuật chẩn đoán truyền thống chủ yếu dựa vào kiểm tra ngoại quan hoặc đo kiểm rung động định kỳ. Cách tiếp cận này bộc lộ nhiều điểm yếu khi chỉ phát hiện lỗi ở giai đoạn muộn. Chi phí cho các thiết bị đo đạc chuyên sâu trên dây chuyền vận hành thường rất đắt đỏ. Hơn nữa, việc cố tình tạo lỗi trên phần cứng thực tế tiềm ẩn nguy cơ cháy nổ máy móc nghiêm trọng. Dữ liệu hư hỏng thực nghiệm thường khan hiếm và thiếu tính đa dạng về mức độ suy biến. Kỹ thuật viên không thể bao quát toàn bộ các kịch bản kết hợp nhiều dạng sự cố cùng lúc. Vì vậy, các giải pháp học máy thiếu hụt nguồn dữ liệu huấn luyện đáng tin cậy nếu không có mô phỏng hỗ trợ.

III. Giải pháp chẩn đoán máy điện bằng thuật toán học máy Pyleecan

Nghiên cứu đề xuất giải pháp đột phá bằng cách tích hợp nền tảng mô phỏng mã nguồn mở Pyleecan với các kịch bản lập trình Python tự động. Hệ thống thiết lập quy trình tính toán phần tử hữu hạn điện từ khép kín cho từng cấu hình động cơ cụ thể. Hơn 500 mô phỏng chi tiết được khởi tạo nhằm quét qua nhiều cấp độ suy biến khác nhau. Mỗi kịch bản điều chỉnh có kiểm soát các thông số hình học, khe hở không khí và đặc tính vật liệu. Dữ liệu đầu ra được lưu trữ đồng bộ dưới định dạng JSON có cấu trúc rõ ràng. Các thông tin này bao gồm nhận diện loại máy, thông số lỗi bơm vào và các chuỗi tín hiệu vật lý tương ứng. Việc tự động hóa giúp tạo lập nhanh chóng cơ sở dữ liệu lớn mà không tốn kém chi phí phần cứng. Quy trình này cung cấp nguồn dữ liệu mẫu phong phú cho các thuật toán phân loại và hồi quy thông minh. Nhờ đó, mô hình học máy có thể học sâu các đặc trưng biến đổi tín hiệu từ giai đoạn rất sớm. Phương pháp mang tính khoa học cao, bảo đảm sự nhất quán và khả năng tái lập trong thực nghiệm số.

3.1. Quy trình mô phỏng tự động hóa trên Pyleecan

Quy trình mô phỏng tự động hóa được xây dựng trên thư viện mã nguồn mở Pyleecan kết hợp với Python. Các tập lệnh thực hiện tạo lập mô hình hình học, phân lưới và thiết lập điều kiện biên tự động. Thuật toán chủ động thay đổi kích thước rãnh stator, góc lệch nam châm và độ dày khe hở không khí. Quá trình tính toán trường điện từ được lặp lại liên tục qua từng bước thời gian quay của rotor. Dữ liệu trích xuất bao gồm mật độ từ thông xuyên tâm, mật độ từ thông tiếp tuyến và dòng điện các pha. Mọi tệp kết quả được lưu trữ độc lập theo cấu trúc JSON chuẩn hóa. Cơ chế này loại bỏ hoàn toàn các thao tác thủ công, đồng thời nâng cao độ chính xác và tốc độ xử lý dữ liệu.

3.2. Trích xuất đặc trưng và xử lý tín hiệu vật lý

Giai đoạn xử lý tín hiệu đóng vai trò cầu nối then chốt giữa mô phỏng vật lý và thuật toán học máy. Các tín hiệu từ thông và mô-men xoắn theo miền thời gian được chuyển đổi sang miền tần số bằng biến đổi Fourier nhanh. Phổ tần số giúp phát hiện rõ ràng sự xuất hiện của các sóng hài bất thường do sai lệch cơ khí sinh ra. Biên độ hài bậc cao phản ánh trực tiếp mức độ hư hại của nam châm hoặc vòng dây. Ngoài ra, các chỉ số thống kê như độ lệch chuẩn, độ nhọn kurtosis và giá trị hiệu dụng cũng được trích xuất kỹ lưỡng. Tập đặc trưng này cung cấp các véc-tơ đầu vào cô đọng và chất lượng cho mạng nơ-ron nhân tạo.

IV. Ứng dụng chẩn đoán máy điện bằng thuật toán học máy thực tiễn

Nghiên cứu mang lại giá trị thực tiễn to lớn thông qua việc thử nghiệm trên hai mẫu động cơ xe điện phổ biến là Toyota Prius và Tesla Model 3. Kết quả mô phỏng khẳng định mỗi dạng sự cố để lại một dấu vân điện từ độc nhất. Động cơ ở trạng thái bình thường, suy giảm nhẹ và hư hại nặng bộc lộ hành vi vật lý tách biệt rõ ràng. Nhờ đó, các thuật toán học máy có thể phân loại chính xác tình trạng vận hành của thiết bị theo thời gian thực. Mô hình bảo trì dự đoán này giúp các doanh nghiệp sản xuất chuyển đổi từ bảo trì phản ứng sang bảo trì chủ động. Giải pháp góp phần loại bỏ nguy cơ gián đoạn dây chuyền, kéo dài tuổi thọ động cơ và tiết kiệm ngân sách bảo dưỡng. Ngoài ngành giao thông điện, phương pháp còn có tiềm năng ứng dụng rộng rãi trong các hệ thống tuabin gió, máy phát điện nhà máy và robot công nghiệp. Đây là minh chứng rõ rệt cho tính ứng dụng cao của các công trình học thuật tại Trường Quốc tế ĐHQGHN trong công cuộc chuyển đổi số sản xuất.

4.1. Hiệu quả trên động cơ xe điện Toyota và Tesla

Hai dòng động cơ đồng bộ nam châm vĩnh cửu của Toyota Prius và Tesla Model 3 đại diện cho công nghệ truyền động ô tô hiện đại. Việc thử nghiệm trên hai kiến trúc động cơ này giúp kiểm chứng toàn diện tính tổng quát của phương pháp. Dữ liệu mô phỏng phản ánh chính xác sự thay đổi mô-men xoắn khi xuất hiện hiện tượng ngắn mạch hoặc khử từ cục bộ. Thuật toán học máy có khả năng phát hiện độ lệch biên độ sóng hài ngay khi sự cố mới chớm xuất hiện. Nhờ vậy, hệ thống điều khiển trên ô tô có thể đưa ra cảnh báo sớm cho người lái hoặc kích hoạt chế độ tự bảo vệ an toàn trước khi xảy ra hư hại cơ học nghiêm trọng.

4.2. Định hướng tích hợp AI trong công nghiệp 4.0

Mô hình chẩn đoán tự động mở ra triển vọng lớn trong việc số hóa quản lý tài sản kỹ thuật của các nhà máy thông minh. Cơ sở dữ liệu mô phỏng từ nghiên cứu có thể tích hợp trực tiếp vào các hệ thống bản sao số (Digital Twin). Khi đó, dữ liệu cảm biến thời gian thực được so sánh liên tục với mô hình ảo để đánh giá trạng thái động cơ. Giải pháp này giúp các kỹ sư bảo trì đưa ra quyết định thay thế linh kiện kịp thời và chính xác. Sự kết hợp giữa AI và vật lý máy điện sẽ tạo ra các thiết bị tự giám sát thông minh thế hệ mới. Hướng nghiên cứu này đóng góp trực tiếp vào mục tiêu tối ưu hiệu quả năng lượng và phát triển công nghiệp bền vững.

Nội dung chính

Tổng quan nghiên cứu

Trong hệ thống năng lượng hiện đại, máy điện quay đóng vai trò thiết yếu nhưng luôn chịu tác động liên tục từ các ứng suất cơ học, nhiệt độ và điện từ. Theo ước tính từ các báo cáo chuyên ngành, sự cố bất ngờ trong vận hành máy điện công nghiệp có thể làm tăng tới 40% tổng chi phí bảo trì định kỳ và làm suy giảm khoảng 15% hiệu suất vận hành toàn hệ thống. Vấn đề nghiên cứu then chốt xuất phát từ bối cảnh thực tế tại Tập đoàn Điện lực Pháp (EDF): sự phân hóa đa dạng giữa các tổ máy thủy điện với sự khác biệt lớn về số đôi cực từ 3 đến 8 cặp cực, dải tốc độ quay và kích thước hình học khiến việc thu thập dữ liệu bất thường thực nghiệm trở nên cực kỳ khan hiếm. Hơn nữa, việc tạo sự cố cưỡng bức trên các thiết bị công suất lớn tiềm ẩn nguy cơ mất an toàn nghiêm trọng. Nhằm giải quyết điểm nghẽn này, mục tiêu cụ thể của luận văn do học viên Ebwala Ebwalette Priscille thực hiện là xây dựng một quy trình mô phỏng tham số hóa tự động bằng thư viện mã nguồn mở Pyleecan kết hợp phương pháp phần tử hữu hạn, nhằm tạo lập cơ sở dữ liệu chuỗi thời gian và bản đồ trường điện từ đáng tin cậy. Phạm vi nghiên cứu tập trung vào hai cấu trúc động cơ đồng bộ nam châm vĩnh cửu chìm tiêu biểu là Toyota Prius và Tesla Model 3 trong khung thời gian năm 2026 tại Viện Quốc tế Pháp ngữ phối hợp với các phòng thí nghiệm LGI2A và LSEE. Ý nghĩa khoa học và thực tiễn của công trình được khẳng định qua việc thiết lập hơn 500 kịch bản mô phỏng đa trạng thái, nâng độ chính xác định vị khuyết tật tự động lên trên 90%, đồng thời toàn bộ kết quả đã được công bố chính thức tại kỷ yếu hội nghị quốc tế IEA/AIE 2026 của nhà xuất bản Springer.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được thiết lập dựa trên sự kết hợp giữa lý thuyết trường điện từ Maxwell ứng dụng trong máy điện đồng bộ nam châm vĩnh cửu chìm (IPMSM) và lý thuyết học máy tự giám sát (Self-Supervised Learning). Khung lý thuyết điện từ giải quyết các phương trình vi phân đạo hàm riêng để phân tích tương tác giữa từ trường cực từ rotor và sức từ động do dòng stator sinh ra. Ba khái niệm nền tảng chi phối phân tích bao gồm: mật độ từ thông hướng tâm phản ánh độ đối xứng xuyên tâm, mật độ từ thông tiếp tuyến đại diện cho lực kéo điện từ tạo mô-men, và biến thiên phổ điều hòa qua phân tích Fourier nhanh. Về mặt trí tuệ nhân tạo, tác giả áp dụng mô hình mạng nơ-ron tích chập tự giám sát Self2Self+ dựa trên cơ chế mặt nạ ngẫu nhiên Bernoulli. Khác với học sâu truyền thống đòi hỏi dữ liệu sạch làm đối chứng, mô hình này tận dụng tính dư thừa thống kê nội tại của chính từng bức ảnh bản đồ từ trường để tự phục hồi điểm ảnh bị khuyết, từ đó phát hiện dị thường cấu trúc mà không cần bất kỳ nhãn gán thủ công nào từ chuyên gia.

Phương pháp nghiên cứu

Dữ liệu của luận văn được tổng hợp thông qua quy trình mô phỏng số học hai chiều (2D) bằng cách tích hợp thư viện Python Pyleecan với bộ giải trường phần tử hữu hạn FEMM. Cỡ mẫu nghiên cứu bao gồm 520 kịch bản mô phỏng độc lập, bao quát trạng thái vận hành chuẩn xác cùng 8 nhóm khuyết tật vật lý khác nhau trên hai mẫu động cơ khảo sát. Phương pháp chọn mẫu áp dụng kỹ thuật quét tham số đa biến có kiểm soát chặt chẽ: độ lệch tâm trục biến thiên trong khoảng 0.01 mm đến 0.08 mm (chiếm khoảng 0.5% đến 2% độ rộng khe hở danh định), dải thay đổi khe hở không khí từ 0.5 mm đến 1.85 mm, hệ số suy giảm từ cảm dư Br của nam châm từ 2% đến 70%, và hiện tượng ngắn mạch cục bộ từ 1 đến 3 vòng dây trên mỗi bối stator. Lý do lựa chọn phương pháp phân tích phần tử hữu hạn kết hợp thuật toán biến đổi Fourier nhanh (FFT) là vì phương pháp này cho phép giải quyết chính xác sự phân bố phi tuyến của từ trường tại các góc rãnh răng mà các công thức giải tích cổ điển không thể lượng hóa. Toàn bộ chu kỳ nghiên cứu được hoàn thiện theo tiến trình từ xây dựng tham số hình học, tự động hóa tính toán trường đến kiểm chứng thuật toán trong khoảng thời gian 24 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm từ hơn 500 kịch bản mô phỏng đã đem lại bốn phát hiện khoa học quan trọng:

Thứ nhất, hiện tượng suy giảm từ cảm dư Br ở mức 2% đã khiến giá trị đỉnh của mật độ từ thông tiếp tuyến giảm khoảng 1.8%, đồng thời làm sụt giảm mô-men điện từ trung bình 2.3% và khiến biên độ dao động gợn mô-men tăng hơn 4.2% so với trạng thái định mức.

Thứ hai, các sai số gia công cơ khí tại rãnh stator với độ sai lệch kích thước từ -5% đến +5% làm biến dạng cục bộ mạch từ, khiến biên độ các thành phần sóng hài bậc cao trong dải tần số 300 Hz đến 600 Hz tăng vọt từ 11.5% đến 14.8%.

Thứ ba, sự cố ngắn mạch một phần giữa các vòng dây stator với mức giảm từ 1 đến 3 vòng gây ra sự mất cân bằng pha nghiêm trọng, dẫn đến xung dao động mô-men xoắn tức thời tăng vọt 18.5% và xuất hiện sóng điều hòa phân kỳ rõ rệt tại góc quét 180 độ.

Thứ tư, pipeline trí tuệ nhân tạo Self2Self+ tích hợp phân ngưỡng Otsu tự động khoanh vùng chính xác vị trí khuyết tật trên bản đồ từ thông hai chiều, ghi nhận chỉ số tương đồng cấu trúc SSIM đạt trên 0.92 và hệ số tương đồng Dice vượt mốc 0.88.

Thảo luận kết quả

Sự suy giảm mô-men và hiện tượng biến dạng phổ sóng từ thông xuất phát trực tiếp từ sự phân bố lại đường sức từ bên trong lõi thép kỹ thuật điện và khe hở không khí. Đáng chú ý, cấu trúc động cơ Tesla Model 3 với khe hở không khí cực mỏng chỉ 0.45 mm bộc lộ độ nhạy cảm trước khuyết tật lệch tâm cao hơn khoảng 35% so với mẫu Toyota Prius sở hữu khe hở 0.75 mm. Khi so sánh với phương pháp phân tích dòng điện stator truyền thống (MCSA) vốn chỉ phát hiện lỗi rõ ràng khi máy hoạt động trên 70% công suất tải danh định, giải pháp xử lý bản đồ trường điện từ kết hợp Self2Self+ thể hiện ưu thế vượt trội khi phát hiện bất thường ngay cả ở chế độ tải nhẹ dưới 20%.

Để trực quan hóa toàn bộ dữ liệu phức tạp này, kết quả nghiên cứu có thể được biểu diễn trực quan qua hai hình thức đồ họa tiêu biểu: đồ thị phổ tần số FFT dạng cột ghép so sánh độ cao các đỉnh sóng hài giữa máy lành và máy lỗi, kết hợp cùng biểu đồ tán xạ hai chiều thể hiện rõ mối tương quan tuyến tính chặt chẽ giữa mật độ từ thông cực đại và mô-men xoắn trung bình. Bên cạnh đó, việc bố trí một bảng tổng hợp định lượng các chỉ số chất lượng ảnh như SSIM, tỷ số tín hiệu trên nhiễu đỉnh (PSNR) và hệ số Dice sẽ phản ánh trực quan sự cải thiện rõ rệt của mô hình trước và sau khi qua bước khử nhiễu tự thân.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra bốn khuyến nghị hành động mang tính ứng dụng thực tiễn cao cho ngành công nghiệp chế tạo và vận hành máy điện:

Thứ nhất, chuẩn hóa quy trình sinh dữ liệu số bằng việc tự động hóa kịch bản chạy trên nền tảng Pyleecan, hướng tới mục tiêu nâng quy mô cơ sở dữ liệu lên 2000 kịch bản vận hành đa thông số trong vòng 6 tháng tới, do các kỹ sư mô phỏng thuộc bộ phận nghiên cứu và phát triển đảm trách.

Thứ hai, tích hợp công nghệ học chuyển giao nhằm chuyển đổi tri thức từ mô hình mô phỏng sang các tổ máy phát thủy điện thực tế của Tập đoàn EDF, nhắm tới chỉ tiêu duy trì độ chính xác nhận dạng bất thường trên 88% trên tập dữ liệu đo thực địa trong lộ trình 12 tháng, với sự phối hợp giữa nhóm chuyên gia dữ liệu và đội ngũ bảo trì kỹ thuật.

Thứ ba, nâng cấp hệ thống giám sát trực tuyến thông qua việc lắp đặt các cảm biến đo từ thông phân tán có dải tần lấy mẫu tối thiểu 10 kHz tại khe hở không khí của các máy điện trọng yếu, giúp giảm thời gian trễ trong việc phát tín hiệu cảnh báo sự cố xuống dưới 200 mili-giây, triển khai trong khung thời gian 2026-2027 bởi đơn vị kỹ thuật vận hành nhà máy.

Thứ tư, hoàn thiện gói phần mềm chẩn đoán độc lập tích hợp mô hình khử nhiễu Self2Self+ và kỹ thuật phân ngưỡng tự động, phấn đấu cắt giảm 85% thời gian gán nhãn thủ công cho các kỹ thuật viên phân tích, thử nghiệm trên diện rộng trong thời hạn 9 tháng tại các trung tâm kiểm định thiết bị công nghiệp.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị lý luận và ứng dụng sâu sắc cho bốn nhóm đối tượng chuyên môn cụ thể:

Thứ nhất, các kỹ sư thiết kế và chế tạo máy điện: Tài liệu cung cấp quy trình phân tích tham số chuẩn xác, giúp người thiết kế đánh giá nhanh dung sai gia công rãnh stator trong dải kiểm soát ±5% và dự liệu trước mức độ suy hao công suất do biến thiên từ tính của nam châm trong điều kiện vận hành khắc nghiệt.

Thứ hai, chuyên gia bảo trì tiên đoán và giám sát tình trạng thiết bị: Cung cấp bộ chữ ký phổ tần số FFT chi tiết cùng các ngưỡng cảnh báo định lượng đối với sự cố lệch tâm trục từ 0.01 mm và ngắn mạch nội bộ, làm cơ sở xây dựng kế hoạch bảo dưỡng ngăn ngừa sự cố dừng máy đột ngột.

Thứ ba, các nhà nghiên cứu trí tuệ nhân tạo công nghiệp: Tài liệu mở ra hướng tiếp cận mới mẻ về học tự giám sát dựa trên mô hình Self2Self+, đóng vai trò như một trường hợp điển hình trong việc giải quyết bài toán thiếu hụt nhãn gán trên dữ liệu hình ảnh và tín hiệu vật lý phức tạp.

Thứ tư, học viên sau đại học ngành kỹ thuật điện và hệ thống thông minh: Luận văn là tài liệu tham khảo giá trị về phương pháp kết hợp mô phỏng phần tử hữu hạn với các thuật toán học máy hiện đại, đồng thời cung cấp kinh nghiệm thực tế trong việc chuẩn bị báo cáo đạt chuẩn công bố quốc tế tại các diễn đàn khoa học uy tín như Springer.

Câu hỏi thường gặp

Nghiên cứu sử dụng hai mô hình máy điện Toyota Prius và Tesla Model 3 nhằm mục đích gì? Hai dòng máy này đại diện cho hai trường phái thiết kế động cơ đồng bộ nam châm chìm tiêu biểu với thông số khe hở tương ứng là 0.75 mm và 0.45 mm. Việc khảo sát hai cấu trúc này giúp kiểm chứng tính khái quát của phương pháp mô phỏng, tạo ra hơn 500 kịch bản kiểm tra an toàn mà không làm gián đoạn lưới điện công nghiệp thực tế.

Thuật toán Self2Self+ giải quyết bài toán thiếu dữ liệu gắn nhãn trong công nghiệp ra sao? Mô hình Self2Self+ áp dụng cơ chế mặt nạ ngẫu nhiên Bernoulli để che giấu một phần các điểm ảnh trên bản đồ từ thông, buộc mạng nơ-ron phải tự khôi phục dữ liệu từ các vùng lân cận. Quy trình này giúp mô hình đạt chỉ số tương đồng cấu trúc trên 0.92 và phân đoạn khuyết tật chính xác mà không cần chuyên gia gán nhãn thủ công.

Dấu hiệu nào trong phổ tần số giúp nhận biết sớm sự cố ngắn mạch giữa các vòng dây? Hiện tượng ngắn mạch từ 1 đến 3 vòng dây trong bối stator làm phá vỡ sự đối xứng sức từ động, kích thích sự bùng nổ của các hài bậc cao. Kết quả phân tích phổ FFT cho thấy biên độ các sóng hài bậc 3 và bậc 5 tăng vọt khoảng 15%, đồng thời kéo theo độ gợn mô-men tức thời dao động mạnh tới 18.5%.

Độ nhạy cảm trước sai lệch khe hở không khí giữa hai dòng động cơ khác nhau như thế nào? Động cơ Tesla Model 3 sở hữu khe hở danh định hẹp 0.45 mm nên có độ nhạy trước khuyết tật lệch tâm 0.08 mm cao hơn khoảng 35% so with mức khe hở 0.75 mm của Toyota Prius. Do đó, sự biến dạng sóng từ thông tiếp tuyến và mật độ năng lượng rò rỉ diễn ra gay gắt hơn trên mẫu xe điện thuần túy.

Dữ liệu mô phỏng tổng hợp từ Pyleecan có thể hỗ trợ hệ thống vật lý thực tế được không? Dữ liệu tổng hợp đóng vai trò nền tảng để áp dụng kỹ thuật học chuyển giao. Hơn 500 kịch bản mô phỏng giúp mạng nơ-ron học trước quy luật phân bố trường điện từ. Khi triển khai tại nhà máy thực địa, hệ thống chỉ cần khoảng 5% đến 10% mẫu đo thực tế để hiệu chỉnh là có thể đạt độ chính xác chẩn đoán trên 90%.

Kết luận

• Xây dựng thành công khung phương pháp luận mô phỏng tự động hóa và trích xuất dữ liệu điện từ trên hơn 500 kịch bản suy thoái của hai dòng động cơ đồng bộ nam châm vĩnh cửu tiêu biểu.
• Định lượng chính xác chữ ký vật lý của 8 nhóm hư hại điển hình thông qua phân tích phổ tần số FFT và quan sát biến thiên độ gợn mô-men từ 4.2% đến 18.5%.
• Phát triển thành công pipeline trí tuệ nhân tạo tự giám sát Self2Self+ kết hợp phân ngưỡng Otsu, ghi nhận chỉ số tương đồng cấu trúc SSIM vượt mốc 0.92 và hệ số tương đồng Dice đạt trên 0.88.
• Công bố kết quả nghiên cứu trong kỷ yếu hội nghị quốc tế IEA/AIE 2026 của nhà xuất bản danh tiếng Springer, khẳng định tính học thuật và giá trị thực tiễn.
• Mở ra lộ trình ứng dụng công nghệ học chuyển giao vào chẩn đoán tình trạng kỹ thuật của các tổ máy phát thủy điện quy mô lớn thuộc Tập đoàn EDF.

Đóng góp trọng tâm của luận văn là giải quyết triệt để nút thắt khan hiếm dữ liệu hư hỏng trong công nghiệp thông qua phương pháp mô phỏng số học chuẩn xác cao. Lộ trình tiếp theo đặt mục tiêu hoàn thiện việc chuyển giao mô hình sang dữ liệu đo thực địa trong vòng 12 tháng tới trong giai đoạn 2026-2027. Các nhà nghiên cứu và doanh nghiệp quan tâm được khuyến khích liên hệ với nhóm tác giả để tiếp cận nguồn dữ liệu mô phỏng chuẩn và cùng thúc đẩy các giải pháp bảo trì số hóa thông minh.

Trích đoạn nội dung tài liệu

UNIVERSITE NATIONALE DU VIETNAM, HANOI ECOLE INTERNATIONALE ============= EBWALA Ebwalette Priscille DIAGNOSTIC DE MACHINES ÉLECTRIQUES EN UTILISANT DES ALGORITHMES DE MACHINE LEARNING CHẨN ĐOÁN MÁY ĐIỆN SỬ DỤNG CÁC THUẬT TOÁN HỌC MÁY Spécialité: Systèmes Intelligents et Multimédia Code: 8480201.02 Sous la direction de: Dr. Eric Lefèvre MASTER SYSTÈMES INTELLIGENTS ET MULTIMÉDIA Hanoi - 2026 UNIVERSITE NATIONALE DU VIETNAM, HANOI ECOLE INTERNATIONALE ============= EBWALA Ebwalette Priscille DIAGNOSTIC DE MACHINES ÉLECTRIQUES EN UTILISANT DES ALGORITHMES DE MACHINE LEARNING CHẨN ĐOÁN MÁY ĐIỆN SỬ DỤNG CÁC THUẬT TOÁN HỌC MÁY Spécialité: Systèmes Intelligents et Multimédia Code: 8480201.02 Sous la direction de: Dr. Eric Lefèvre MASTER SYSTÈMES INTELLIGENTS ET MULTIMÉDIA Hanoi - 2026 ATTESTATION SUR L’HONNEUR -----🙡🙡🙡----- Je déclare par la présente que ce mémoire a été réalisé par moi-même sous la direction et la supervision de Dr. Eric Lefèvre; et que les travaux et les résultats qu'il contient sont conformes à la réalité de l'auteur et respectent l'éthique de la recherche.

Les données et figures présentées dans ce mémoire sont issues de mes propres analyses, commentaires et évaluations, issues de diverses sources et sont dûment mentionnées dans la partie référence. De plus, les autres commentaires, analyses et données utilisés par d'autres auteurs et organisations ont été explicitement mentionnés. J'assume l'entière responsabilité de toute fraude détectée dans mon mémoire.27/05/ 2026 (Auteur) (Signature et nom complet) Priscille Ebwalette EBWALA Approuvé par ENCADRANT Eric Lefèvre RESUME Ce mémoire présente une approche méthodologique pour la génération, la simulation et l’analyse des défauts dans les machines électriques, en s’appuyant sur la plate- forme de modélisation électromagnétique Pyleecan. L’objectif principal est de créer une base de données fiable et structurée de signaux sains et dégradés, constituant un socle indispensable pour le développement futur d’outils automatisés de diagnostic basés sur l’intelligence artificielle.

L’étude se concentre sur deux machines synchrones à aimants permanents largement utilisées dans les applications industrielles : la Toyota Prius et la Tesla Model 3. Diffé- rents types de défauts ont été simulés, parmi lesquels la démagnétisation, les défauts d’usinage, les variations de l’entrefer, les variations géométriques des encoches et des aimants, ainsi que le court-circuit partiel entre spires. Chaque scénario est analysé à travers les grandeurs physiques caractéristiques : flux radial et tangentiel, couple élec- tromagnétique et spectre fréquentiel (FFT). Les résultats montrent que chaque type de défaut laisse une signature électromagné- tique identifiable, confirmant la pertinence de la démarche de simulation.

Les ma- chines saines, modérément dégradées et fortement dégradées présentent des compor- tements distincts, permettant d’enrichir une base de données diversifiée et exploitable pour de futurs modèles d’apprentissage automatique. L’exploitabilité de ces données a été confirmée par le développement d’un pipeline de diagnostic auto-supervisé basé sur Self2Self+, permettant la détection et la localisation automatique des défauts à partir des cartes FEM sans aucune annotation humaine. Ces travaux ont été publiés dans les actes de la conférence internationale IEA/AIE 2026, chez Springer. Ce travail constitue ainsi une étape essentielle dans la mise en place d’un système complet de diagnostic automatique, en démontrant la faisabilité, la cohérence et la reproductibilité des simulations multi-topologies et multi-défauts.

Mots clés : Machines électriques, Défauts, Simulation électromagnétique, Pyleecan, Flux magnétique, FFT, Diagnostic, Séries temporelles, Apprentissage auto-supervisé, Machine learning. i ABSTRACT This thesis presents a methodological framework for the generation, simulation, and analysis of faults in electrical machines, using the electromagnetic modeling platform Pyleecan. The main objective is to build a reliable and structured dataset of healthy and faulty operating conditions, which will serve as a foundation for future develop- ment of automated diagnostic tools based on artificial intelligence. The study focuses on two widely used permanent magnet synchronous machines : the Toyota Prius and the Tesla Model 3.

Several types of faults were simulated, including partial demagnetization, machining defects, air-gap variations, geometric variations of slots and magnets, and partial turn-to-turn short circuits. Each scenario was evalua- ted through key electromagnetic quantities such as radial and tangential flux density, electromagnetic torque, and frequency spectra (FFT). The results demonstrate that each type of fault produces a distinct electromagnetic si- gnature, confirming the relevance of the simulation approach. Healthy, moderately de- graded, and severely degraded machine variants exhibit clearly identifiable behaviors, enabling the creation of a diverse and valuable dataset for future machine-learning- based diagnostic systems.The exploitability of these data was confirmed through the development of a self-supervised diagnostic pipeline based on Self2Self+, enabling automatic fault detection and localization from FEM-based flux maps without any hu- man annotation.

This work was published in the Springer proceedings of the IEA/AIE 2026 international conference. This work therefore represents an essential step toward the development of a com- plete automatic fault diagnosis framework, by validating the feasibility, coherence, and reproducibility of multi-topology and multi-fault simulations. Keywords : Electrical machines, Faults, Electromagnetic simulation, Pyleecan, Ma- gnetic flux, FFT, Diagnosis, Time series, Self-supervised learning, Machine learning. ii REMERCIEMENTS Je tiens tout d’abord à exprimer ma profonde gratitude à mes encadrants : Dr.

Eric Lefèvre, Dr. Morvan Gildas, ainsi que Dr. Mathieu Rossi, dont les expertises com- plémentaires en modélisation, électronique et phénomènes électromagnétiques ont constitué un pilier essentiel dans l’avancement de ce travail. Leur disponibilité, leurs orientations scientifiques et la qualité de leurs retours ont considérablement enrichi cette recherche et m’ont permis de progresser avec rigueur et confiance.

Mes remerciements s’adressent également à l’ensemble des ingénieurs en physique et énergie qui nous ont accompagnés durant ce projet. Leurs échanges techniques, leurs conseils pratiques et leur bienveillance ont contribué à renforcer la pertinence et la profondeur de ce mémoire. Je souhaite également remercier mon superviseur institutionnel, Dr. HO Tuong Vinh, pour son suivi attentif, son soutien constant et ses encouragements tout au long du processus.

Sa vision scientifique et sa confiance ont été une source d’inspiration. Mes remerciements vont aussi à l’ensemble du corps scientifique et administratif de l’Institut Francophone International (IFI) pour la qualité de l’environnement acadé- mique, l’encadrement offert et les connaissances transmises durant ces années de for- mation. Enfin, j’adresse mes remerciements les plus sincères et les plus profonds à ma fa- mille, qui a constitué le pilier central de ce parcours. Je pense tout particulièrement à mon père, D.

Ebwala Géorges, et à ma mère, Mariane Mwamba Nkiepa, dont l’amour, la patience et la foi inébranlable en moi ont été ma plus grande force. Malgré les épreuves et les distances qui ont pu nous séparer, vous avez toujours été présents dans mon cœur, et c’est pour vous autant que pour moi que j’ai tenu. Maman, tes prières ne m’ont jamais quittée je sais qu’elles m’ont portée jusqu’ici. Papa, pour moi tu es un Lion : une force et une source d’inspiration qui m’a enseigné, pendant ces deux ans, sans avoir à ouvrir la bouche.

À vous deux, et à toute notre famille, merci du fond du cœur pour votre amour, votre soutien et votre confiance. Ce diplôme vous appartient autant qu’à moi. Une pensée également pour mes frères et sœurs : Benel, Joys, Christ, Gloriel, Bienfait et Colethia. EBWALA iii Liste des abréviations PMSM : Permanent Magnet Synchronous Machine - Machine synchrone à ai- mants permanents IPMSM : Interior PMSM - Machine synchrone à aimants permanents à réluctance intérieure FEA : Finite Element Analysis - Analyse par éléments finis FEM : Finite Element Method - Méthode des éléments finis FFT : Fast Fourier Transform - Transformée de Fourier rapide EM : Électromagnétique Br : Flux rémanent (remanent flux density) Hc : Champ coercitif µr : Perméabilité relative Brad : Flux magnétique radial dans l’entrefer Btan : Flux magnétique tangentiel dans l’entrefer Tem : Couple électromagnétique Ntcoil : Nombre de spires par bobine ∆N : Variation du nombre de spires kd : Coefficient de démagnétisation mach : Coefficient de variation d’usinage g : Entrefer (écart rotor-stator) LA : Longueur active SlotW, SlotUD : Types d’encoches statoriques dans Pyleecan LamHole : Type de rotor laminé avec cavités d’aimants CSV : Comma-Separated Values Pyleecan : Python Library for Electrical Engineering Computational Analysis JSON : JavaScript Object Notation - Format structuré utilisé pour les paramètres RPM : Revolutions Per Minute - Tours par minute Hz : Hertz - Unité de fréquence A : Ampère V : Volt IA : Intelligence artificielle CNN : Convolutional Neural Network - Réseau de neurones convolutif iv LSTM : Long Short-Term Memory SSIM : Structural Similarity Index Measure - Indice de similarité structurelle PSNR : Peak Signal-to-Noise Ratio - Rapport signal sur bruit de crête IQA : Image Quality Assessment - Évaluation de la qualité d’image GPU : Graphics Processing Unit CPU : Central Processing Unit - Unité centrale de traitement HPC : High-Performance Computing FMM : Force magnétomotrice v Table des matières 1 Introduction Générale 1 1.2 Présentation de l’établissement d’accueil .3 Contexte du sujet .4 Objectifs du stage .7 Les défis à relever .9 Plan du mémoire.

8 2 Recherche et Synthèse Bibliographique 9 2.2 Diagnostic des machines électriques : concepts et enjeux .1 Définition et typologie des défauts .2 Conséquences sur le fonctionnement et les performances .3 Importance du diagnostic précoce et de la maintenance pré- dictive .3 Méthodes traditionnelles de diagnostic .2 Analyse de Park et MCSA .3 Méthodes vibratoires et acoustiques .4 Limites des méthodes classiques .4 Approches modernes fondées sur l’intelligence artificielle .1 Apprentissage supervisé et non supervisé .2 Réseaux de neurones profonds .3 Fusion de données et modèles hybrides .4 Avantages et défis .5 Séries temporelles et données simulées dans le diagnostic .1 Nature et caractéristiques des séries temporelles .2 Apport de la simulation pour la génération de données .3 Vers une approche hybride .6 Simulation numérique et génération de données .1 Outils et environnements de simulation .2 Exploitation des données simulées .7 Synthèse critique et positionnement scientifique .1 Analyse comparative des méthodes existantes .2 Limites identifiées et motivation de notre approche .3 Originalité et apport de la méthode proposée .8 Conclusion du chapitre. 19 3 Conception et Description de la Solution Proposée 20 3.2 Démarche générale et architecture de la solution proposée .1 Vue d’ensemble de la méthodologie .2 Architecture de la solution .3 Outils logiciels utilisés et justification du choix .3 Modélisation des machines électriques .1 Choix du type de machine étudiée .2 Modèle 1 : Machine Toyota Prius .3 Modèle 2 : Machine Tesla Model 3 .4 Comparaison et synthèse .4 Simulation des défauts et méthodes d’injection .1 Excentricité statique et dynamique .5 Défaut de matériau magnétique .6 Variations des aimants permanents .7 Court-circuit partiel entre spires .8 Défaut de bobinage (variation du nombre de spires) .10 Structuration et automatisation des simulations .11 Extraction et Analyse des Grandeurs Physiques .12 Structure et organisation des fichiers générés .13 Prétraitement et nettoyage des données .5 Conclusion du Chapitre. 36 4 Implémentation, Expérimentation et Analyse des Résultats 37 4.1 Implémentation du système expérimental .1 Paramètres généraux de simulation .2 Automatisation et environnement logiciel .2 Expérimentations : génération, simulation et variation des points de fonctionnement .1 Stratégie générale de génération et de comparaison .2 Scénarios de simulation sur la Tesla Model 3 .3 Scénarios de simulation sur la machine Toyota Prius .4 Analyse de la variation des points de fonctionnement .5 Synthèse des expérimentations .3 Discussion et interprétation .1 Analyse critique des résultats. 81 5 Application de l’intelligence artificielle aux données électromagnétiques simulées 83 5.1 Objectifs de l’application de l’intelligence artificielle .2 Données électromagnétiques utilisées .3 Prétraitement et préparation des cartes électromagnétiques .1 Recadrage des cartes .4 Architecture générale du pipeline de diagnostic .5 Apprentissage auto-supervisé avec Self2Self+ .1 Masquage aléatoire de Bernoulli .2 Fonction de perte .4 Adaptation aux cartes électromagnétiques .6 Calcul de la carte de différence et segmentation automatique .1 Calcul de la carte de différence .2 Segmentation par seuillage d’Otsu .3 Cohérence entre les composantes Br et Bt .7 Protocole expérimental et métriques d’évaluation .1 Rapport signal sur bruit de crête .2 Indice de similarité structurelle .3 Coefficient de Dice .8 Résultats expérimentaux et analyse .1 Qualité du débruitage auto-supervisé .2 Analyse visuelle des défauts .4 Comparaison avec une méthode de référence .9 Étude d’ablation et analyse de la robustesse .2 Robustesse au bruit .