Đồ án tốt nghiệp: Chẩn đoán lỗi cho hệ bồn nước đơn - ĐH SPKT TP.HCM

Hướng dẫn chuẩn đoán lỗi hệ bồn nước đơn hiệu quả. Cách nhận biết và khắc phục sự cố phổ biến trong hệ thống cấp thoát nước sinh hoạt.

• Tác giả: Huỳnh Duy Phương
• Người hướng dẫn: TS. Tạ Văn Phương
• Trường học: 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 bồn nước đơn bằng PCA và nơ-ron
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về chuẩn đoán lỗi hệ bồn nước đơn

Hệ bồn nước đơn là hệ thống điều khiển mức nước cơ bản trong công nghiệp, bao gồm bồn chứa, cảm biến mức, bơm và bộ điều khiển. Chuẩn đoán lỗi hệ thống này là quá trình xác định và phân loại các bất thường trong hoạt động nhằm đảm bảo vận hành ổn định. Phương pháp chuẩn đoán thường kết hợp phân tích tín hiệu cảm biến, mô hình hóa hệ thống và thuật toán phát hiện lỗi. Các kỹ thuật phổ biến bao gồm phân tích thành phần chính (PCA), mạng nơ-ron nhân tạo (ANN) và thuật toán đệ quy. Hệ thống cần được giám sát liên tục để phát hiện sớm lỗi tiềm ẩn, ngăn ngừa hỏng hóc thiết bị và gián đoạn sản xuất. Việc chuẩn đoán lỗi hiệu quả giúp tối ưu hóa hiệu suất và kéo dài tuổi thọ thiết bị.

1.1. Nguyên lý hoạt động hệ bồn nước đơn

Hệ bồn nước đơn hoạt động dựa trên nguyên lý điều khiển mức nước thông qua cảm biến. Cảm biến mức liên tục đo mực nước trong bồn và truyền tín hiệu về bộ điều khiển. Bộ điều khiển so sánh mức thực tế với mức mong muốn, sau đó điều chỉnh hoạt động bơm thông qua biến tần. Quá trình này đảm bảo mức nước luôn đạt yêu cầu vận hành. Các thành phần chính gồm: bồn chứa, cảm biến mức (thường là loại float hoặc siêu âm), bơm ly tâm, biến tần điều khiển tốc độ bơm, và bộ điều khiển PLC. Hệ thống có thể vận hành liên tục trong môi trường công nghiệp nhờ cơ chế phản hồi vòng kín.

1.2. Vai trò của chuẩn đoán lỗi trong hệ thống

Chuẩn đoán lỗi đóng vai trò quan trọng trong việc duy trì hoạt động ổn định của hệ thống bồn nước. Nó giúp phát hiện sớm các bất thường như rò rỉ, tắc nghẽn hoặc hỏng hóc thiết bị trước khi gây ra thiệt hại nghiêm trọng. Bằng cách phân tích dữ liệu từ cảm biến và thuật toán học máy, hệ thống có thể tự động cảnh báo lỗi và đề xuất biện pháp khắc phục. Điều này không chỉ giảm thiểu thời gian ngừng hoạt động mà còn nâng cao độ tin cậy của toàn bộ quy trình sản xuất. Chuẩn đoán lỗi còn hỗ trợ tối ưu hóa hiệu suất năng lượng và kéo dài tuổi thọ thiết bị.

II. Các vấn đề thường gặp trong hệ bồn nước đơn

Hệ bồn nước đơn thường gặp nhiều vấn đề ảnh hưởng đến hiệu quả vận hành. Lỗi phổ biến nhất là lỗi cảm biến, bao gồm đứt dây, nhiễu tín hiệu hoặc hỏng hóc cảm biến. Tiếp theo là lỗi bơm, thường do quá tải, hỏng motor hoặc mất nguồn cấp. Lỗi điều khiển cũng thường xảy ra, chẳng hạn như sai lệch trong thuật toán PID hoặc lỗi phần mềm PLC. Ngoài ra, hệ thống có thể gặp sự cố do tắc nghẽn đường ống, rò rỉ bồn hoặc mất cân bằng áp suất. Những vấn đề này nếu không được phát hiện kịp thời sẽ dẫn đến gián đoạn sản xuất, thiệt hại kinh tế và nguy cơ an toàn lao động. Việc phân tích nguyên nhân gốc rễ là bước quan trọng để xây dựng giải pháp khắc phục hiệu quả.

2.1. Lỗi cảm biến mức nước

Lỗi cảm biến mức nước là một trong những vấn đề thường gặp nhất trong hệ bồn nước đơn. Nguyên nhân chủ yếu do đứt dây kết nối, nhiễu điện từ hoặc hỏng hóc linh kiện bên trong cảm biến. Khi xảy ra lỗi, tín hiệu trả về không chính xác hoặc hoàn toàn mất tín hiệu, khiến bộ điều khiển không thể xác định mức nước thực tế. Điều này dẫn đến hoạt động không ổn định của bơm, có thể gây tràn nước hoặc cạn kiệt bồn. Các biện pháp khắc phục bao gồm kiểm tra kết nối dây, hiệu chuẩn cảm biến hoặc thay thế thiết bị mới. Việc lắp đặt cảm biến đúng cách và sử dụng bộ lọc nhiễu cũng giúp giảm thiểu lỗi.

2.2. Lỗi hoạt động của bơm

Lỗi bơm trong hệ bồn nước đơn thường do quá tải điện, hỏng motor hoặc mất nguồn cấp. Khi xảy ra lỗi, bơm ngừng hoạt động hoặc hoạt động không ổn định, dẫn đến mất kiểm soát mức nước trong bồn. Các triệu chứng bao gồm tiếng ồn bất thường, rung lắc mạnh hoặc không bơm được nước. Nguyên nhân sâu xa có thể do chất lỏng có tạp chất gây tắc nghẽn, hoặc nhiệt độ môi trường quá cao làm hỏng linh kiện. Để khắc phục, cần kiểm tra nguồn điện, vệ sinh bơm định kỳ và theo dõi nhiệt độ hoạt động. Việc lắp đặt bộ bảo vệ quá tải cũng giúp ngăn ngừa hỏng hóc đột ngột.

III. Phương pháp chuẩn đoán lỗi hiệu quả

Chuẩn đoán lỗi hệ bồn nước đơn đòi hỏi sự kết hợp giữa phân tích dữ liệu, mô hình hóa hệ thống và thuật toán học máy. Phương pháp truyền thống sử dụng các quy tắc logic dựa trên ngưỡng giới hạn để phát hiện lỗi. Tuy nhiên, phương pháp hiện đại ứng dụng thuật toán PCA (Principal Component Analysis) để phát hiện bất thường trong dữ liệu cảm biến. Ngoài ra, mạng nơ-ron nhân tạo (ANN) được sử dụng để phân loại lỗi dựa trên dữ liệu huấn luyện. Thuật toán đệ quy cũng giúp ước lượng các thông số hệ thống, từ đó dự đoán lỗi tiềm ẩn. Việc kết nối hệ thống với cơ sở dữ liệu SQL cho phép lưu trữ và phân tích dữ liệu lịch sử, nâng cao độ chính xác chuẩn đoán.

3.1. Sử dụng thuật toán PCA trong phát hiện lỗi

Thuật toán PCA (Phân tích thành phần chính) là phương pháp thống kê biến đổi dữ liệu từ không gian chiều cao sang không gian chiều thấp hơn, vẫn giữ được các đặc tính quan trọng nhất. Trong hệ bồn nước, PCA được áp dụng để phát hiện lỗi bằng cách phân tích sự biến đổi của tín hiệu cảm biến. Khi hệ thống hoạt động bình thường, các thành phần chính sẽ nằm trong một không gian xác định. Nếu xuất hiện lỗi, dữ liệu sẽ lệch khỏi không gian này, tạo ra tín hiệu cảnh báo. PCA giúp giảm nhiễu và tập trung vào các đặc trưng quan trọng, từ đó tăng độ chính xác phát hiện lỗi. Phương pháp này đặc biệt hiệu quả trong việc phát hiện lỗi sớm trước khi chúng gây ra hỏng hóc nghiêm trọng.

3.2. Mạng nơ ron nhân tạo trong phân loại lỗi

Mạng nơ-ron nhân tạo (ANN) là công cụ mạnh mẽ trong việc phân loại lỗi hệ thống bồn nước đơn. ANN được huấn luyện trên dữ liệu lịch sử bao gồm tín hiệu cảm biến, trạng thái hoạt động và nhãn lỗi tương ứng. Khi hệ thống vận hành, ANN phân tích dữ liệu đầu vào và đưa ra xác suất xảy ra từng loại lỗi. Quá trình này sử dụng hàm kích hoạt Softmax để chuyển đổi đầu ra thành xác suất, sau đó so sánh với ngưỡng quyết định. ANN có khả năng học từ dữ liệu mới, thích ứng với sự thay đổi của hệ thống theo thời gian. Việc sử dụng ANN giúp tự động hóa quá trình chuẩn đoán, giảm thiểu sự phụ thuộc vào chuyên gia.

IV. Kết luận và ứng dụng thực tiễn

Chuẩn đoán lỗi hệ bồn nước đơn là giải pháp quan trọng nhằm đảm bảo vận hành ổn định và hiệu quả của hệ thống trong công nghiệp. Các phương pháp như PCA, ANN và thuật toán đệ quy đã chứng minh hiệu quả trong việc phát hiện và phân loại lỗi sớm. Việc ứng dụng truyền thông OPC UA và lưu trữ dữ liệu trên SQL nâng cao khả năng giám sát và phân tích. Hệ thống chuẩn đoán lỗi có thể triển khai trong nhiều lĩnh vực như xử lý nước, sản xuất thực phẩm và hóa chất. Đối với doanh nghiệp, việc đầu tư vào công nghệ chuẩn đoán lỗi giúp giảm chi phí bảo trì, tăng năng suất và đảm bảo an toàn lao động. Trong tương lai, tích hợp trí tuệ nhân tạo (AI) sẽ tiếp tục cải thiện độ chính xác và khả năng dự đoán của hệ thống.

4.1. Lợi ích của hệ thống chuẩn đoán lỗi

Hệ thống chuẩn đoán lỗi mang lại nhiều lợi ích thiết thực cho doanh nghiệp. Đầu tiên, nó giúp phát hiện sớm các bất thường, ngăn ngừa hỏng hóc thiết bị và gián đoạn sản xuất. Thứ hai, việc tối ưu hóa hiệu suất hoạt động giúp tiết kiệm năng lượng và chi phí vận hành. Thứ ba, hệ thống cung cấp dữ liệu lịch sử để phân tích xu hướng, hỗ trợ ra quyết định trong quản lý bảo trì. Ngoài ra, việc tự động hóa quá trình chuẩn đoán giảm thiểu sự phụ thuộc vào chuyên gia, nâng cao tính linh hoạt của hệ thống. Cuối cùng, ứng dụng công nghệ tiên tiến nâng cao uy tín và cạnh tranh của doanh nghiệp trong ngành công nghiệp 4.0.

4.2. Triển khai hệ thống trong thực tế

Triển khai hệ thống chuẩn đoán lỗi hệ bồn nước đơn đòi hỏi sự phối hợp giữa phần cứng, phần mềm và thuật toán. Đầu tiên, cần thiết kế mô hình thực nghiệm bao gồm bồn chứa, cảm biến, bơm và PLC. Tiếp theo, lập trình điều khiển hệ thống và giao diện giám sát trên Matlab App Designer. Sau đó, tích hợp thuật toán PCA và ANN để phân tích dữ liệu cảm biến. Việc kết nối hệ thống với cơ sở dữ liệu SQL giúp lưu trữ và phân tích dữ liệu lịch sử. Cuối cùng, triển khai trên môi trường công nghiệp và đánh giá hiệu quả hoạt động. Quá trình này đòi hỏi sự thử nghiệm và tối ưu hóa liên tục để đạt được hiệu quả cao nhất.

Trích đoạn nội dung tài liệu

Chương 1. Tổng Quan Đề Tài giảm chiều dữ liệu PCA trong việc phát hiện những sự cố bất thường của hệ thống; sử dụng mạng nơ-ron nhân tạo (Artificial Neural Network) để xác định cụ thể từng lỗi của hệ thống. Cuối cùng, chương này giới thiệu các phần mềm sẽ được sử dụng trong đồ án, khái quát về chuẩn truyền thông OPC UA và phân tích đặc điểm của các dòng PLC thông dụng để lập luận, tiến hành lựa chọn PLC sử dụng cho hệ thống. Chương 3: Thiết kế phần cứng Chương 3 trình bày các yêu cầu thiết kế và tiến hành lựa chọn mô hình hoạt động của hệ thống.

Đồng thời, chương này còn làm rõ việc lựa chọn các thiết bị cụ thể sẽ được áp dụng vào hệ thống thông qua yêu cầu thiết kế và trình bày sơ đồ nối dây của các thiết bị đã lựa chọn. Chương 4: Thiết kế phần mềm Chương 4 trình bày những yêu cầu khi thiết kế phần mềm, từ đó thiết kế chương trình PLC, giao diện Matlab App Designer để hiển thị dữ liệu thu được, lưu trữ dữ liệu lên SQL Server, xây dựng phương pháp đệ quy ước lượng tham số, sử dụng thuật toán PCA và Artificial Neural Network để phát hiện và chẩn đoán lỗi cho hệ thống. Chương 5: Kết quả đạt được Chương này trình bày những kết quả đạt được trong quá trình thực hiện đề tài. Chương 6: Kết luận và hướng phát triển Chương này trình bày kết luận chung sau khi hoàn thành đề tài, từ đó nêu ra hướng phát triển dựa trên thực tế.

Bộ Môn Điều Khiển Tự Động 4 Chương 2. Cơ Sở Lý Thuyết CHƯƠNG 2. CƠ SỞ LÝ THUYẾT VÀ ÁP DỤNG 2. Tổng quan hệ bồn nước Hệ thống bồn nước đơn là một hệ thống kín, trong đó máy bơm sẽ bơm nước vào bồn với công suất bơm được chọn sao cho phù hợp với mục đích sử dụng.

Bên trong bồn có cảm biến mực chất lỏng giám sát mức nước và trả tín hiệu về cho bộ điều khiển tạo thành một vòng hệ thống điều khiển hồi tiếp. Hiện nay, các phòng thí nghiệm đã nâng cấp hệ thống thành nhiều phiên bản khác nhau như hệ thống bồn đôi (Two-tank system), hệ ba bồn nước,… hay bồn nước có điều khiển thêm gia nhiệt cho nước tạo thành hệ thống MIMO (Multiple Input-Multiple Output). Tuy có nhiều phiên bản khác nhau, nhưng tất cả đều dựa trên nguyên lý mô hình hóa và điều khiển hệ thống dựa trên hệ thống bồn nước đơn (hệ SISO- Single Input Single Output). Sơ đồ khối cho hệ bồn nước đơn Hệ thống bồn nước đơn là một hệ thống với các biến số mà ta cần quan tâm như tốc độ bơm nước vào bồn, tốc độ xả ra của nước, tốc độ thay đổi của nước (thời gian lấy mẫu),… và được xây dựng thành mô hình toán học có phương trình trạng thái theo [1]: a  h t   k u  t   CD a 2 g h  t   (2.1) A h   Bộ Môn Điều Khiển Tự Động 5 Chương 2.

Cơ Sở Lý Thuyết Bảng 2. Thông số của mô hình bồn nước đơn h(t) Biến trạng thái h(t) Chiều cao mực chất lỏng có trong bồn cm A(h) Tiết diện ngang của bồn chứa cm2 u(t) Điện áp điều khiển máy bơm theo thời gian Voltage k Hệ số tỉ lệ với công suất máy bơm cm3/s a Tiết diện van xả cm2 g Gia tốc trọng trường m/s2 CD Hệ số xả Từ phương trình trên ta thấy rằng hệ thống bồn nước đơn là một hệ phi tuyến, mà trong thực tế hầu hết các hệ thống đều là hệ phi tuyến, nên việc lựa chọn mô hình bồn nước đơn cho sẽ mang lại nhiều giá trị thiết thực. Phương pháp nhận dạng hệ thống 2. Khái quát quá trình nhận dạng hê thống bồn nước đơn Hiện nay, có nhiều phương pháp ước lượng cho hệ thống có tham số đầu ra, trong đó, đối với một hệ thống có mức phi tuyến cao như hệ bồn nước thì một phương pháp đã được đề xuất và sử dụng với độ chính xác khá cao đó là mô hình ước lượng hồi quy với việc thực hiện thuật toán ước lượng đệ quy cho các vector đặc trưng của hệ thống.

Thực hiện rời rạc hóa hệ thống dùng phương trình sai phân ứng với mô hình toán của hệ thống theo công thức 2.1, ta có: Bộ Môn Điều Khiển Tự Động 6 Chương 2. Cơ Sở Lý Thuyết a  h t   k u  t   CD a 2 g h  t   Ah   h(k  1)  h(k ) Ku  k   a CD 2 gh  k  2   ( K  a.k ) Ts A Ts   h(k  1)  h(k )  Ku  k   a 2CD 2 gh  k   A  T T  h(k  1)  h(k )  s a 2CD 2 g .2) A A Trong đó h  k  1 , h  k  , u  k  lần lượt là giá trị của ngõ ra tại mẫu thứ (k +1), ngõ ra tại mẫu thứ k, tín hiệu ngõ vào tại mẫu thứ k với Ts là thời gian lấy mẫu. Ta định nghĩa các vector hồi quy như sau: 1  Vector tham số:    2  (2.3)  3   h  k  1    Vector phần tử hồi quy:    h  k  1  (2.4)   u  k  1  Từ đó ta có mô hình hồi quy nhận dạng của hệ thống: yˆ  k ,     T  k   (2.5) Với yˆ k hay hˆk chính là độ cao mực nước nhận dạng của hệ thống. Mô hình nhận dạng hồi quy sẽ lấy giá trị nhận dạng yˆ k làm giá trị đầu vào cho lần nhận dạng kế tiếp.

Từ công thức 2.5 ta cũng thấy rằng, việc nhận dạng hệ thống có ổn định và chính xác hay không sẽ phụ thuộc rất nhiều vào việc ta tìm ra vector tham số nhận dạng  của hệ thống sao cho tối ưu nhất có thể. Bộ Môn Điều Khiển Tự Động 7 Chương 2. Thuật toán ước lượng đệ quy Thuật toán ước lượng đệ qui thường được sử dụng trong các hệ thống điều khiển cần tính thích nghi, nhằm đảm bảo chất lượng điều khiển khi tham số mô hình thay đổi. Việc tính toán tham số mô hình trực tuyến phải được thực hiện sao cho việc xử lý dữ liệu đo tại mỗi thời điểm lấy mẫu phải chắc chắn hoàn tất trong khoảng thời gian nhỏ hơn chu kỳ lấy mẫu.

Mục đích của thuật toán ước lượng chính là tìm ra vecto tham số  sao cho khi kết hợp với các giá trị y(k-1) (hay h(k-1)) và u(k-1) ta được giá trị dự đoán ŷ (trong công thức 2.5) mà gần với giá trị y thực tế của hệ thống nhất, tức là tìm các hàm số dẫn đến giá trị ước lượng sao cho y  yˆ là cực tiểu. Theo chứng minh ở [1], ta có thuật toán ước lượng đệ qui không tính nghịch đảo ma trận :    (k )   (k  1)  L(k ) (k ) (2.9) Phương trình 2.6 là phương trình toán tối ưu cuối cùng dùng để ước lượng vector tham số  của hệ thống với bộ dữ liệu đầu vào chuẩn.  Vector tham số  có thể ước lượng trực tiếp từ công thức trên. Do đó ngõ ra củaquá trình có thể ước lượng online.

Áp dụng cơ sở lý thuyết cho nhận dạng hệ thống Tiến hành thu thập dữ liệu là tín hiệu điều khiển và mức nước trên giao diện Bộ Môn Điều Khiển Tự Động 8 Chương 2. Cơ Sở Lý Thuyết Hình 2. Dữ liệu được thu thập và đưa vào SQL Sau đó tiến hành đưa dữ liệu vào Matlab để thực hiện quá trình xác định vector tham số của hệ thống. Dữ liệu thu thập của hệ thống Theo công thức từ 2.7, ta thực hiện lập trình chạy vòng lặp để tính toán các vector tham số.

Kết quả tính toán thành phần của vector tham số: Bộ Môn Điều Khiển Tự Động 9 Chương 2. Cơ Sở Lý Thuyết Hình 2. Kết quả tính toán vector tham số với tập dữ liệu thu thập được Theo kết quả như hình, theta 1, theta 2, theta 3 lúc này đã hội tụ và không còn thay đổi giá trị nữa. Ta có vector tham số chính là 3 giá trị hội tụ (3 giá trị cuối cùng của mảng) là: 1   1.10645  Sau đó ta tiến hành thiết lập phương trình tìm giá trị dự đoán của hệ thống với vector tham số đã tìm được kết hợp với công thức 2.

Các tiêu chuẩn đánh giá quá trình nhận dạng hệ thống Sau khi áp dụng phương pháp ước lượng đệ quy để tìm ra vector tham số  và áp dụng yˆ  k ,      k   để tìm ra giá trị nhận dạng của hệ thống thì việc tiếp T theo ta cần làm đó là đánh giá độ chính xác của quá trình nhận dạng đó. Đánh giá sai số hệ thống thực tế và mô hình nhận dạng dùng một trong các chỉ tiêu dạng sau: Bộ Môn Điều Khiển Tự Động 10 Chương 2. Cơ Sở Lý Thuyết N   yˆ  y  2 i i - Trung bình bình phương sai số: MSE  i 1 (2.12) N - Trung vị bình phương sai số: MEDSE  Median  yˆi  yi 2  (2.13)   N - Tổng bình phương sai số : SSE    yˆi  yi  2 (2.14) i 1 N  ( yˆ  y ) i i 2 - Căn bậc 2 trung bình bình phương sai số : RMSE  i (2.15) N Với N là số mẫu mà ta thu thập được. Trong đề tài này sẽ áp dụng tiêu chuẩn đánh giá Trung bình bình phương sai số (MSE).

Phương pháp phát hiện lỗi dùng thuật toán PCA 2. Cơ sở lý thuyết của quá trình giảm chiều dữ liệu Trong thế giới xử lý dữ liệu hiện nay, việc một tập dữ liệu có đến hàng nghìn chiều là việc hết sức bình thường, mặc dù công nghệ phần cứng phát triển vượt bậc đã hỗ trợ đắc lực cho các nhà nghiên cứu, các chuyên gia trong lĩnh vực Machine Learning hay Data Analysis nhưng vẫn tốn rất nhiều tài nguyên máy cho việc lưu trữ và làm giảm tốc độ xử lý của hệ thống. Do đó, các nhà nghiên cứu đã chuyển hướng tiếp cận sang việc xử lý dữ liệu đầu vào ban đầu sao cho tập dữ liệu đó phù hợp nhất cho hệ thống máy tính.