Luận Văn Thạc Sĩ Về Đánh Giá Tình Trạng Hoạt Động Của Van Điều Khiển Trong Kỹ Thuật Cơ Điện Tử

Luận văn thạc sĩ nghiên cứu kỹ thuật cơ điện tử nghiên cứu đánh giá tình trạng hoạt động của van điều khiển, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện

• Tác giả: Trịnh Văn Kiều
• Người hướng dẫn: PGS. Võ Tường Quân
• Trường học: Đại học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Kỹ Thuật Cơ Điện Tử
• Đề tài: Đánh Giá Hoạt Động Van Điều Khiển Trong Nghiên Cứu Kỹ Thuật Cơ Điện Tử
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. GIỚI THIỆU ĐỀ TÀI
• 1.2. TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC
• 1.3. TÌNH HÌNH NGHIÊN CỨU NGOÀI NƯỚC
• 1.4. MÔ TẢ QUÁ TRÌNH THU THẬP VÀ XỬ LÝ DỮ LIỆU
• 1.5. MỤC TIÊU CHÍNH
• 1.6. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.6.1. Đối tượng nghiên cứu
• 1.6.2. Phạm vi nghiên cứu
• 1.7. NỘI DUNG NGHIÊN CỨU
• 1.8. TIÊU CHI ĐÁNH GIÁ
• 1.9. Các từ viết tắt được sử dụng trong đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. TRÌNH BÀY VỀ CÁC VAN ĐIỀU KHIỂN CỦA HÃNG FISHER
• 2.1.1. Giới thiệu về van điều khiển hãng FISHER
• 2.1.2. Mô tả hoạt động của bộ định vị (Positioner) DVC6000/6200
• 2.2. TRÌNH BÀY LÝ THUYẾT VỀ NHẬN DẠNG HỆ THỐNG
• 2.2.1. Nhận dạng mô hình hệ thống
• 2.2.2. Mô hình quá trình
• 2.2.3. Giải thuật MRAC
• 2.3. TRÌNH BÀY VỀ CÁC GIẢI THUẬT ĐỂ KIỂM TRA VAN BỊ LỖI CƠ KHÍ VÀ LỖI ĐIỀU KHIỂN
• 2.3.1. Các lỗi thường gặp trên van điều khiển
• 2.3.2. Dùng phương pháp so sánh giá trị chuẩn và giá trị hoạt động thực tế của van
• 2.3.3. Phương pháp sử dụng Machine Learning sử dụng giải thuật cây quyết định (Ensemble Bagging Tree) [27]
• 2.4. TRÌNH BÀY VỀ HỆ THỐNG THU THẬP DỮ LIỆU CHUẨN ĐOÁN TRẠNG THÁI VALVE
• 2.4.1. Hệ quá trình điều khiển lưu lượng 16FV002
• 2.4.2. Thu thập dữ liệu của van từ hệ thống DCS
• 2.4.3. Khái quát về OPC và OPC DA
• 2.4.4. Exa OPC Yokogawa
• 2.4.5. Thiết kế giao tiếp Matlab với hệ thống DCS qua OPC server
• 3. CHƯƠNG 3: NỘI DUNG THỰC HIỆN
• 3.1. NGHIÊN CỨU VÀ XÂY DỰNG PHẦN CỨNG HỆ THỐNG LẤY MẪU TRÊN MÔ HÌNH VAN
• 3.1.1. Xây dựng mô hình thí nghiệm để giả lập các lỗi trên van
• 3.1.2. Xây dựng hệ thống thu thập dữ liệu theo thực gian thực
• 3.2. NGHIÊN CỨU VÀ XÂY DỰNG PHƯƠNG PHÁP DỰ ĐOÁN DỰA TRÊN ĐƯỜNG ĐẶC TUYẾN VAN
• 3.3. NGHIÊN CỨU VÀ XÂY DỰNG GIẢI THUẬT PHÁT HIỆN LỖI VAN DỰA TRÊN MÔ HÌNH THAM CHIẾU CHUẨN
• 3.3.1. Nhận dạng mô hình và kiểm tra độ phù hợp của mô hình
• 3.3.2. Áp dụng mô hình được nhận dạng cho việc phát hiện lỗi
• 3.4. NGHIÊN CỨU VÀ XÂY DỰNG GIẢI THUẬT PHÁT HIỆN LỖI VAN DỰA TRÊN MÔ HÌNH MACHINE LEARNING
• 3.4.1. Thiết kế kịch bản thí nghiệm bố trí các trạng thái lỗi trên van
• 3.4.2. Xử lý dữ liệu cho việc huấn luyện mô hình
• 3.4.3. Huấn luyện mô hình dự đoán
• 3.4.4. Áp dụng mô hình huấn luyện vào thực nghiệm realtime
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM
• 4.1. KẾT QUẢ THỰC NGHIỆM PHÁT HIỆN LỖI TRÊN VAN DỰA TRÊN PHƯƠNG PHÁP XÂY DỰNG ĐƯỜNG ĐẶC TUYẾN
• 4.2. KẾT QUẢ THỰC NGHIỆM PHÁT HIỆN LỖI TRÊN VAN DỰA TRÊN GIẢI THUẬT MÔ HÌNH THAM CHIẾU CHUẨN
• 4.3. KẾT QUẢ THỰC NGHIỆM PHÁT HIỆN LỖI TRÊN VAN DỰA TRÊN GIẢI THUẬT MACHINE LEARNING
• 4.4. TỔNG KẾT, PHÂN TÍCH VÀ ĐÁNH GIÁ CÁC KẾT QUẢ THỰC NGHIỆM
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.2. HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 01

Tóm tắt

I. Đánh Giá Hoạt Động Van Điều Khiển

Hoạt động của van điều khiển trong các hệ thống công nghiệp là rất quan trọng, đặc biệt trong các lĩnh vực như lọc dầu, hóa chất và phát điện. Việc đánh giá hiệu suất của van điều khiển không chỉ giúp cải thiện quy trình sản xuất mà còn giảm thiểu rủi ro dừng máy và tổn thất kinh tế. Nghiên cứu này tập trung vào việc phát hiện sớm các lỗi thường gặp của hệ thống điều khiển để có biện pháp bảo trì kịp thời. Qua đó, đánh giá hiệu suất của van điều khiển sẽ được thực hiện thông qua các phương pháp như thu thập dữ liệu từ cảm biến và phân tích thông số hoạt động của van.

1.1. Các Lỗi Thường Gặp Trên Van Điều Khiển

Các lỗi phổ biến trên van điều khiển có thể bao gồm rò rỉ khí nén và kẹt cơ khí. Những lỗi này thường dẫn đến việc van không hoạt động đúng cách, ảnh hưởng đến hiệu suất của toàn bộ hệ thống. Việc phát hiện sớm các lỗi này là rất cần thiết để ngăn ngừa sự cố nghiêm trọng. Sử dụng các phương pháp như phân tích đường đặc tuyến van và machine learning có thể giúp xác định tình trạng hoạt động của van một cách chính xác và nhanh chóng.

1.2. Phương Pháp Phát Hiện Lỗi

Nghiên cứu đã đề xuất ba phương pháp chính để phát hiện lỗi trên van điều khiển. Đầu tiên, phương pháp sử dụng đường đặc tuyến van để phân tích các thông số hoạt động. Thứ hai, giải thuật sử dụng mô hình tham chiếu cho phép so sánh giá trị thực tế với giá trị chuẩn. Cuối cùng, phương pháp machine learning sử dụng các thuật toán như cây quyết định để phân tích và dự đoán tình trạng của van. Những phương pháp này không chỉ giúp phát hiện lỗi mà còn cải thiện khả năng tự động hóa trong quá trình bảo trì.

II. Thiết Kế Hệ Thống Đánh Giá

Thiết kế của hệ thống điều khiển bao gồm việc xây dựng một mô hình thí nghiệm để giả lập các lỗi trên van điều khiển. Mô hình này được kết nối với các cảm biến và hệ thống thu thập dữ liệu, giúp theo dõi hoạt động của van trong thời gian thực. Việc thu thập dữ liệu từ hệ thống DCS và phân tích thông qua MATLAB/SIMULINK sẽ cung cấp cái nhìn sâu sắc về hiệu suất của van điều khiển. Hệ thống này không chỉ giúp phát hiện lỗi mà còn hỗ trợ trong việc tối ưu hóa quy trình sản xuất.

2.1. Xây Dựng Mô Hình Thí Nghiệm

Việc xây dựng mô hình thí nghiệm để giả lập các lỗi trên van điều khiển là một bước quan trọng trong nghiên cứu. Mô hình này cho phép kiểm tra và xác định các thông số quan trọng như áp suất, hành trình và độ chính xác của vị trí van. Các cảm biến được lắp đặt để theo dõi các thông số này, từ đó có thể phát hiện sớm các vấn đề tiềm ẩn. Việc sử dụng mô hình thí nghiệm giúp tiết kiệm thời gian và chi phí so với việc kiểm tra thực tế trên hệ thống đang hoạt động.

2.2. Phân Tích Dữ Liệu và Đánh Giá Hiệu Suất

Sau khi thu thập dữ liệu từ mô hình thí nghiệm, việc phân tích sẽ được thực hiện để đánh giá hiệu suất của van điều khiển. Các thuật toán phân tích dữ liệu sẽ được áp dụng để xác định các xu hướng và mẫu trong hoạt động của van. Kết quả phân tích không chỉ giúp phát hiện lỗi mà còn cung cấp thông tin quý giá cho việc bảo trì và tối ưu hóa quy trình sản xuất. Sử dụng các công cụ như MATLAB và SIMULINK sẽ giúp tăng cường khả năng phân tích và đánh giá hiệu suất của hệ thống điều khiển.

III. Kết Quả Thực Nghiệm và Đánh Giá

Kết quả thực nghiệm cho thấy các phương pháp được đề xuất có khả năng phát hiện lỗi trên van điều khiển với độ chính xác cao. Các phương pháp như machine learning và đường đặc tuyến van đã được kiểm chứng và cho thấy hiệu quả trong việc phát hiện sớm các lỗi. Việc áp dụng các phương pháp này trong thực tế sẽ giúp các nhà máy giảm thiểu rủi ro và tối ưu hóa quy trình sản xuất. Đánh giá kết quả thực nghiệm cho thấy rằng việc sử dụng công nghệ hiện đại trong việc giám sát và bảo trì van điều khiển là cần thiết và mang lại nhiều lợi ích.

3.1. Phân Tích Kết Quả Thực Nghiệm

Các kết quả thực nghiệm cho thấy rằng khả năng phát hiện lỗi của các phương pháp được đề xuất đều đạt tiêu chí yêu cầu. Phân tích cho thấy rằng việc sử dụng machine learning không chỉ giúp phát hiện lỗi mà còn dự đoán được tình trạng của van điều khiển trong tương lai. Điều này cho phép các kỹ sư có thể lên kế hoạch bảo trì một cách hiệu quả hơn, giảm thiểu thời gian dừng máy và chi phí sản xuất.

3.2. Đánh Giá Tính Thực Tiễn

Đánh giá tính thực tiễn của nghiên cứu cho thấy các phương pháp phát hiện lỗi có thể được áp dụng rộng rãi trong các nhà máy công nghiệp. Việc tích hợp các công nghệ mới vào quy trình bảo trì sẽ giúp tăng cường độ tin cậy và hiệu suất của hệ thống điều khiển. Các nhà máy có thể tiết kiệm chi phí và thời gian thông qua việc áp dụng các phương pháp này, đồng thời nâng cao chất lượng sản phẩm và hiệu quả sản xuất.

Nội dung chính

Tổng quan nghiên cứu

Trong các tổ hợp công nghiệp quy mô lớn như nhà máy lọc hóa dầu, đạm và nhiệt điện, van điều khiển khí nén chiếm hơn 80% tổng số các cơ cấu chấp hành cuối cùng của hệ thống tự động hóa quá trình. Bất kỳ sự cố bất thường nào xảy ra trên van đều có thể làm suy giảm nghiêm trọng hiệu suất công nghệ hoặc gây dừng khẩn cấp toàn bộ dây chuyền sản xuất, dẫn đến thiệt hại kinh tế ước tính từ hàng chục nghìn đến hàng trăm nghìn USD cho mỗi giờ gián đoạn. Trong thực tế vận hành tại Nhà máy Đạm Cà Mau, công tác giám sát van hiện nay phần lớn vẫn phụ thuộc vào kinh nghiệm trực quan của kỹ sư vận hành hoặc các đợt bảo dưỡng định kỳ đòi hỏi phải tháo dỡ van ra khỏi đường ống với chi phí rất tốn kém. Bên cạnh đó, các phần mềm chẩn đoán chuyên dụng của nhà sản xuất thường có chi phí bản quyền rất cao và gặp nhiều khó khăn khi tích hợp trực tiếp vào hệ thống điều khiển phân tán DCS Yokogawa hiện hữu.

Nhằm giải quyết triệt để bài toán này, đề tài nghiên cứu tập trung xây dựng giải pháp giám sát online và đánh giá tình trạng hoạt động của đối tượng van điều khiển điện - khí nén Fisher tích hợp bộ định vị thông minh Fieldvue DVC6200 trên Kit thực nghiệm thuộc loop điều khiển lưu lượng 16FV002 (16FIC02) tại Nhà máy Đạm Cà Mau. Mục tiêu trọng tâm của nghiên cứu là nhận dạng chính xác mô hình toán học của van, đồng thời phát triển các giải thuật cảnh báo sớm theo thời gian thực đối với hai dạng hư hỏng điển hình: rò rỉ khí nén cấp vào cơ cấu chấp hành (Fail air) và kẹt cơ khí do ma sát hoặc bó ty van (Fail friction).

Được triển khai thực hiện trong khung thời gian từ ngày 14/02/2022 đến ngày 06/06/2022, công trình mang lại giá trị thực tiễn to lớn thông qua việc thiết lập cầu nối dữ liệu chuẩn OPC DA giữa hệ thống DCS và môi trường tính toán MATLAB/Simulink. Kết quả nghiên cứu cung cấp một phương pháp luận hoàn chỉnh giúp nâng cao khả năng phát hiện lỗi chính xác 100% trong các kịch bản thử nghiệm, hỗ trợ đội ngũ kỹ thuật chủ động chuyển đổi từ chiến lược bảo dưỡng định kỳ bị động sang bảo dưỡng dự đoán thông minh, từ đó giảm thiểu nguy cơ dừng máy ngoài kế hoạch và cắt giảm chi phí bảo trì ước tính hơn 30% hàng năm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của ba trụ cột lý thuyết chuyên ngành kỹ thuật điều khiển và tự động hóa:

Thứ nhất là lý thuyết nhận dạng hệ thống (System Identification) và điều khiển thích nghi mô hình tham chiếu (Model Reference Adaptive Control - MRAC). Phương pháp này tiếp cận đối tượng van thông qua cấu trúc mô hình quá trình (Process Model) và mô hình đa thức tham số hộp đen như ARX, ARMAX, OE. Bằng cách kết hợp độ lợi hệ thống (Kp), hằng số thời gian (Tp) và thời gian trễ (Dead Time Td khoảng từ 0.1 đến 0.5 giây), hệ thống thiết lập mô hình tham chiếu chuẩn nhằm phản ánh trung thực động lực học của van ở trạng thái khỏe mạnh hoàn hảo.

Thứ hai là lý thuyết học máy giám sát (Supervised Machine Learning) với giải thuật cây quyết định đóng bao (Ensemble Bagged Trees). Thuật toán này phân đoạn không gian đặc trưng đa chiều bằng kỹ thuật tách nhị phân đệ quy nhằm tối thiểu hóa tổng bình phương phần dư (RSS), sau đó kết hợp nhiều cây quyết định độc lập để gia tăng độ chính xác dự đoán và triệt tiêu hiện tượng quá khớp (overfitting) khi phân loại dữ liệu trạng thái van.

Thứ ba là lý thuyết động lực học cơ cấu chấp hành van điều khiển điện - khí nén hãng Fisher, tập trung vào nguyên lý hoạt động của bộ định vị số DVC6200. Các khái niệm then chốt được lượng hóa và kiểm soát chặt chẽ bao gồm: hành trình di chuyển thực tế của ty van (Travel/Feedback ZI, dải từ 0% đến 100%), vùng chết của tín hiệu ngõ vào (Dead Band), dải điều khiển tối ưu (Control Range duy trì độ khuếch đại từ 0.5 đến 2.0 lần giá trị quy định) và mối tương quan phi tuyến giữa áp suất khí nén cấp (Actuator Pressure) với vị trí phản hồi.

Phương pháp nghiên cứu

Về nguồn dữ liệu và thiết kế thí nghiệm, nghiên cứu xây dựng mô hình phần cứng giả lập lỗi trên Kit thực nghiệm tại Nhà máy Đạm Cà Mau. Dữ liệu vận hành được thu thập theo thời gian thực từ trạm điều khiển phân tán DCS Yokogawa (sử dụng gói ExaOPC) truyền thông về MATLAB/Simulink qua giao thức OPC DA Server. Để đảm bảo tính toàn vẹn của tín hiệu theo định lý lấy mẫu Nyquist-Shannon, chu kỳ lấy mẫu được thiết lập ở mức 1.0 giây đối với các dải kích thích hàm nấc (Step Response từ 10% đến 25%) và hàm dốc (Ramp).

Về phương pháp chọn mẫu và phân tích dữ liệu, quy trình trích xuất thu thập dữ liệu qua 3 kịch bản thực nghiệm độc lập (trial_1, trial_2, trial_3) tương ứng với ba trạng thái: vận hành bình thường, rò rỉ khí nén và kẹt cơ khí do ma sát. Dữ liệu sau khi làm sạch và gắn nhãn được phân tách thành tập huấn luyện gồm 132 quan sát và tập kiểm thử độc lập gồm 131 quan sát (tổng quy mô 263 mẫu chuẩn hóa phục vụ phân tích cây phân loại chuyên sâu).

Lý do lựa chọn phương pháp phân tích kết hợp giữa mô hình hàm truyền 4 khâu liên tiếp: G1(s) từ biến điều khiển MV sang dòng điện 4-20mA, G2(s) từ dòng điện sang giá trị đặt Setpoint, G3(s) từ Setpoint sang áp suất Pressure và G4(s) từ áp suất sang hành trình phản hồi ZI với giải thuật Ensemble Bagged Trees là nhằm khai thác tối đa ưu thế kép: vừa đảm bảo khả năng giải thích tường minh về mặt cơ chế vật lý của hệ thống điều khiển tự động, vừa đạt hiệu năng phân loại cực cao đối với các biến động phi tuyến phức tạp trong môi trường công nghiệp thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm chứng thực nghiệm trên hệ thống DCS thực tế đã mang lại bốn phát hiện khoa học quan trọng:

Thứ nhất, phương pháp xây dựng đường đặc tuyến cơ sở (Curve Fitting) giữa áp suất cấp và độ mở van (Travel Feedback) đã xác lập thành công hai phương trình đặc tính tuyến tính cho quá trình đóng và mở van. Khi thiết lập ngưỡng sai lệch dung sai biên ở mức 5%, phương pháp này phát hiện nhanh chóng hiện tượng kẹt ty van với độ nhạy đạt trên 95% mà không đòi hỏi tài nguyên tính toán phức tạp.

Thứ hai, giải thuật nhận dạng hệ thống đã xác định thành công 4 hàm truyền thành phần mô tả trọn vẹn vòng lặp điều khiển van 16FV002. Độ chính xác mô phỏng (Fit Rate) của các hàm truyền G1(s), G2(s), G3(s) và G4(s) so với dữ liệu thực tế đều đạt mức cao, dao động từ 88.5% đến 96.2%. Khi tích hợp vào cấu trúc mô hình tham chiếu chuẩn MRAC, sai số giữa đáp ứng thực tế và mô hình chuẩn cho phép kích hoạt tín hiệu cảnh báo lỗi với độ trễ phản hồi chỉ khoảng 1.2 giây sau khi sự cố phát sinh.

Thứ ba, mô hình học máy Ensemble Bagged Trees thể hiện hiệu năng vượt trội trong công cụ Classification Learner. Kết quả đánh giá trên ma trận nhầm lẫn (Confusion Matrix) cho thấy mô hình đạt độ chính xác phân loại tổng thể lên tới 98.6%. Trong đó, tỷ lệ nhận diện chính xác trạng thái bình thường đạt 98.1%, trạng thái rò rỉ khí (Fail Air) đạt tuyệt đối 100% và trạng thái kẹt cơ khí do ma sát (Fail Friction) đạt 97.8%.

Thứ tư, khi triển khai chạy thực nghiệm thời gian thực (Real-time Runtime) trên phần mềm Simulink liên kết trực tiếp với DCS qua 2 phiên chạy độc lập, cả ba giải thuật đều thể hiện tính ổn định cao, nhận dạng chính xác 100% các trạng thái lỗi được tạo ra mà không gây trễ hoặc xung đột dữ liệu trên mạng truyền thông điều khiển.

Thảo luận kết quả

Khi phân tích sâu về mặt cơ chế, sự khác biệt giữa các trạng thái lỗi được thể hiện rõ ràng nhất thông qua biểu đồ phân tán (Scatter Plot) hai chiều giữa hai thuộc tính: Áp suất khí nén buồng màng (Actuator Pressure) và Độ mở van thực tế (Travel Feedback ZI). Trong điều kiện bình thường, các điểm dữ liệu phân bố dọc theo đường đặc tuyến chuẩn với độ dốc ổn định. Khi xảy ra lỗi rò rỉ khí (Fail Air), áp suất khí nén cấp bị sụt giảm từ 15% đến 20% so với giá trị cần thiết để duy trì cùng một độ mở, khiến điểm làm việc dịch chuyển hẳn xuống phía dưới đường biên chuẩn. Ngược lại, khi xảy ra lỗi kẹt cơ khí (Fail Friction), lực ma sát tĩnh và động tại cổ van tăng cao làm mở rộng đáng kể vùng trễ (Hysteresis Loop), khiến đường đặc tính khi tăng và giảm hành trình bị biến dạng rõ rệt.

So với các nghiên cứu tiền nhiệm trên thế giới như sáng chế của Henry W. Boger (2011) hay nghiên cứu của Wilke Galen tại Fisher Controls vốn yêu cầu lắp đặt bổ sung nhiều cảm biến đo áp suất và dòng điện chuyên biệt trên bộ định vị, phương pháp được đề xuất trong luận văn này tận dụng tối đa các thẻ dữ liệu (Data Items) sẵn có trong hệ thống DCS thông qua OPC DA. Cách tiếp cận này giúp tiết kiệm ước tính hơn 60% chi phí đầu tư phần cứng mới, đồng thời loại bỏ hoàn toàn nguy cơ mất an toàn do can thiệp cơ khí vào các van đang vận hành trên tuyến ống áp lực cao. Kết quả này cũng khắc phục được hạn chế phụ thuộc vào kinh nghiệm chủ quan của chuyên gia trong mô hình mạng nơ-ron của nhóm tác giả Ahmed Hafaifa, đem lại một công cụ giám sát trực quan, tin cậy và có khả năng tự động hóa hoàn toàn.

Đề xuất và khuyến nghị

Dựa trên các kết quả thực nghiệm đạt được, bốn giải pháp cụ thể được khuyến nghị để đưa kết quả nghiên cứu vào ứng dụng thực tiễn:

1. Tích hợp trực tiếp module giải thuật Ensemble Bagged Trees vào trạm kỹ thuật EWS của hệ thống DCS Yokogawa: Chủ thể thực hiện là Phòng Tự động hóa thuộc Nhà máy Đạm Cà Mau. Mục tiêu hành động là thiết lập giao diện cảnh báo tự động Popup hiển thị trạng thái van theo thời gian thực với thời gian xử lý sự cố mục tiêu dưới 30 giây, dự kiến hoàn thành trong quý 3 năm 2023.

2. Ban hành quy trình kiểm tra và chuẩn hóa đặc tuyến van định kỳ trực tuyến: Chủ thể thực hiện là Đội Bảo trì Đo lường - Điều khiển. Quy trình áp dụng phương pháp so sánh đường đặc tuyến để đánh giá độ suy giảm cơ học của ty van và lò xo sau mỗi chu kỳ 6 tháng vận hành, duy trì sai số độ mở luôn dưới ngưỡng an toàn 1.5%.

3. Xây dựng cơ sở dữ liệu số hóa tập trung (Data Lake) lưu trữ toàn bộ tham số vận hành của hệ thống van điều khiển qua chuẩn OPC: Chủ thể thực hiện là Ban Công nghệ Thông tin phối hợp cùng Khối Kỹ thuật. Dự án hướng tới thu thập liên tục trên 50.000 bản ghi dữ liệu đa biến (áp suất, hành trình, nhiệt độ lưu chất, độ rung) trong lộ trình 12 tháng nhằm tái huấn luyện và nâng cao độ chính xác của mô hình học máy.

4. Mở rộng phạm vi áp dụng giải thuật chẩn đoán cho toàn bộ hơn 120 van điều khiển trọng yếu trong dây chuyền sản xuất: Chủ thể thực hiện là Ban Giám đốc Kỹ thuật nhà máy. Mục tiêu chiến lược là giảm tỷ lệ sự cố dừng máy khẩn cấp do hỏng van xuống dưới mức 0.5% mỗi năm trong giai đoạn 2023 - 2024, từng bước hoàn thiện mô hình nhà máy thông minh (Smart Factory).

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho bốn nhóm đối tượng chuyên môn:

1. Kỹ sư Tự động hóa và Vận hành hệ thống điều khiển phân tán (DCS): Nhóm chuyên gia này có thể ứng dụng trực tiếp kiến trúc kết nối OPC DA giữa MATLAB và hệ thống Yokogawa để xây dựng các giải pháp giám sát online cho các loop điều khiển lưu lượng phức tạp như 16FIC02 mà không làm gián đoạn sản xuất.

2. Đội ngũ Kỹ sư và Chuyên viên Bảo trì Thiết bị Nhà máy: Khai thác phương pháp chẩn đoán dựa trên đường đặc tuyến và mô hình nhận dạng tham số để phát hiện sớm các hiện tượng ăn mòn đĩa van, mòn seat hoặc bó ty van, giúp giảm hơn 40% chi phí và nhân lực tháo lắp kiểm tra thủ công trong các kỳ đại tu.

3. Học viên Cao học và Nghiên cứu sinh ngành Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa: Luận văn cung cấp phương pháp luận chặt chẽ từ khâu nhận dạng mô hình toán thực nghiệm (ARX, OE), thiết kế thuật toán thích nghi MRAC đến ứng dụng học máy phân loại Ensemble Bagged Trees trong chẩn đoán lỗi công nghiệp (Fault Detection and Isolation - FDI).

4. Giảng viên và Cán bộ Nghiên cứu tại các Trường Đại học Kỹ thuật: Tài liệu đóng vai trò như một giáo trình tình huống thực tế (case study) điển hình trong giảng dạy các học phần Điều khiển quá trình, Xử lý tín hiệu thời gian thực và Ứng dụng Trí tuệ nhân tạo trong Công nghiệp 4.0.

Câu hỏi thường gặp

Hệ thống chẩn đoán lỗi này có yêu cầu phải dừng hoạt động của nhà máy để thực hiện kiểm tra van không?

Giải pháp này hoàn toàn không yêu cầu dừng dây chuyền sản xuất. Bằng cách thu thập dữ liệu thụ động thông qua giao thức chuẩn OPC DA từ hệ thống DCS Yokogawa với chu kỳ lấy mẫu 1.0 giây, hệ thống có khả năng phân tích trực tiếp các tín hiệu vận hành thực tế như dòng điện 4-20mA, áp suất buồng màng và độ mở ZI để phát hiện bất thường ngay trong quá trình van đang điều tiết lưu lượng.

Tại sao thuật toán Ensemble Bagged Trees lại được đánh giá vượt trội hơn các giải pháp học máy khác trong đề tài?

Thuật toán Ensemble Bagged Trees kết hợp nhiều cây quyết định phân đoạn không gian đặc trưng dựa trên kỹ thuật đóng bao (Bootstrap Aggregating). Cấu trúc này giúp tối ưu hóa ranh giới phân loại giữa ba trạng thái van với độ chính xác kiểm thử đạt 98.6%, loại bỏ triệt để hiện tượng quá khớp (overfitting) và có khả năng chống chịu tốt với nhiễu công nghiệp trên tập mẫu 263 bản ghi.

Giao tiếp giữa phần mềm MATLAB và hệ thống DCS Yokogawa được thiết lập như thế nào?

Giao tiếp được thiết lập thông qua chuẩn công nghiệp OPC DA (OLE for Process Control Data Access). Phần mềm MATLAB đóng vai trò là OPC Client kết nối đến gói phần mềm ExaOPC Server cài đặt trên máy chủ DCS Yokogawa tại Nhà máy Đạm Cà Mau, cho phép đọc và ghi dữ liệu hai chiều theo thời gian thực đối với các thẻ dữ liệu của van 16FV002 một cách an toàn và bảo mật.

Phương pháp nhận dạng hệ thống và mô hình tham chiếu chuẩn (MRAC) phát hiện lỗi kẹt van theo cơ chế nào?

Hệ thống ước lượng 4 hàm truyền động lực học của van ở trạng thái tiêu chuẩn để làm mô hình tham chiếu. Khi van bị kẹt ma sát, đáp ứng ngõ ra thực tế sẽ xuất hiện độ trễ lớn và sai lệch biên độ so với ngõ ra của mô hình chuẩn. Cơ chế so sánh sai số sẽ tự động kích hoạt ngưỡng cảnh báo chỉ sau khoảng 1.2 giây khi độ lệch vượt quá giới hạn thiết kế.

Giải pháp đề xuất trong luận văn có thể áp dụng cho các dòng van điều khiển của các thương hiệu khác ngoài Fisher không?

Quy trình nhận dạng tham số và cấu trúc thuật toán Machine Learning được thiết kế hoàn toàn mở và độc lập với phần cứng. Do đó, toàn bộ phương pháp luận này có thể áp dụng hiệu quả cho bất kỳ dòng van điều khiển điện - khí nén nào khác như Masoneilan, Samson hay Flowserve, miễn là van có trang bị bộ định vị thông minh hỗ trợ truyền dữ liệu về hệ thống DCS hoặc SCADA.

Kết luận

1. Nghiên cứu đã xây dựng hoàn chỉnh cấu trúc thu thập và xử lý dữ liệu thời gian thực cho đối tượng van điều khiển khí nén Fisher DVC6200 thông qua cầu nối giao tiếp OPC DA giữa DCS Yokogawa và MATLAB/Simulink.
2. Nhận dạng thành công hệ thống 4 hàm truyền thành phần G1(s) đến G4(s) mô tả chính xác động học vận hành của van với độ phù hợp đạt trên 88.5%.
3. Phát triển và ứng dụng thành công ba phương pháp chẩn đoán lỗi trực tuyến: đường đặc tuyến cơ sở, mô hình tham chiếu chuẩn MRAC và giải thuật học máy Ensemble Bagged Trees đạt độ chính xác phân loại ấn tượng 98.6%.
4. Kiểm chứng thực nghiệm thành công trên loop điều khiển 16FV002 tại Nhà máy Đạm Cà Mau với khả năng cảnh báo sớm chính xác 100% hai lỗi công nghiệp nguy hiểm là rò rỉ khí nén và kẹt cơ khí.
5. Giải pháp chứng minh tính hiệu quả vượt trội về mặt chi phí và an toàn khi không cần lắp thêm cảm biến phụ trợ đắt tiền, mở ra hướng đi bền vững cho công tác bảo dưỡng dự đoán trong công nghiệp 4.0.

Đóng góp lớn nhất của công trình là giải quyết trọn vẹn bài toán tích hợp thuật toán phân tích nâng cao vào hệ thống điều khiển phân tán hiện hữu của nhà máy hóa chất quy mô lớn. Trong lộ trình 6 đến 12 tháng tiếp theo, nhóm nghiên cứu khuyến nghị triển khai mở rộng thu thập dữ liệu lớn trên toàn bộ hệ thống van của nhà máy để tối ưu hóa mô hình AI. Quý doanh nghiệp, kỹ sư và nhà nghiên cứu quan tâm đến việc ứng dụng giải pháp chẩn đoán lỗi van điều khiển thông minh vui lòng liên hệ trực tiếp với Khoa Cơ Khí - Trường Đại học Bách Khoa, ĐHQG TP.HCM để hợp tác chuyển giao công nghệ và triển khai thực tế.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN 1.1 GIỚI THIỆU ĐỀ TÀI Các van điều khiển khí nén trong các quá trình công nghệ của nhà máy lọc dầu, hóa chất, phát điện… đóng vai trò đặc biệt quan trọng trong quá trình công nghệ tuy nhiên do nhiều yếu tố như ăn mòn, điều kiện môi trường hoạt động, thời gian hoạt động, hoặc việc sử dụng van không phù hợp, hoặc lỗi do nhà sản xuất chế tạo, dẫn đến van điều khiển được sử dụng trong các quá trình công nghệ có thể hoạt động không chính xác hoặc bị lỗi. Khi van hoạt động không chính xác hoặc bị lỗi sẽ làm giảm năng suất của quá trình công nghệ. Nếu van bị lỗi sẽ làm dừng quá trình công nghệ, dừng nhà máy. Đối với các nhà máy lọc dầu hoặc nhà máy hóa chất hoặc nhà máy phát điện thì chi phí cho mỗi lần dừng máy và chạy lại rất cao gây tốn kém không mong muốn.1 Seat của van bị ăn mòn Vì vậy việc phát hiện sớm các vấn đề trong hoạt động của van trước khi van bị lỗi nghiêm trọng gây ảnh hưởng đến quá trình công nghệ là rất quan trọng.

Một số vấn đề thường xảy ra đối với van điều khiển như: “Seat” bị mòn hoặc hư hỏng, “Stem” bị hư hỏng, “Stem” bị mòn hoặc bị ăn mòn, vật liệu làm kín bị mòn, Trang 1 LUẬN VĂN THẠC SĨ các phần ghép nối bị lỏng, màng van bị lão hóa do bị nước ngưng tụ. Đa phần các vấn đề này thường không thể phát hiện được nếu không tháo van ra để kiểm tra. Việc tháo van ra để kiểm tra là phương pháp được sử dụng phổ biến nhất, và gây tổn thất chi phí rất nhiều.2 Lỗi van bị dao động Có thể sử dụng nhiều phương pháp để phát hiện các vấn đề thường gặp bằng các hệ thống kiểm tra van giúp hạn chế việc phải tháo van ra để kiểm tra. Tuy nhiên cần phải lắp thêm thiết bị hỗ trợ kiểm tra van được thực hiện bằng cách lắp thêm các cảm biến trên van và đo các thông số cần thiết.

Các thông số quan trọng thường được thu thập bao gồm bộ định vị bị lỗi, độ chính xác của vị trí van, hành trình của van, và ma sát hoặc kẹt van. Để thực hiện kiểm tra được các thông số này, phải thực hiện lắp thêm các cảm biến vào van và phải kiểm tra hết hành trình hoạt động của van. Tuy nhiên việc này không thể thực hiện được khi van đang điều khiển quá trình công nghệ. Việc thu thập dữ liệu hoạt động của van đã được sử dụng rộng rãi tuy nhiên sử dụng để chuẩn đoán tình trạng của van thì còn hạn chế.

Ngày càng nhiều hệ thống giúp thu thập dữ liệu được sử dụng để đánh giá tổng quan hoạt động của van và điều Trang 2 LUẬN VĂN THẠC SĨ chỉnh quá trình công nghệ. Giá trị cài đặt (Setpoint) của van và vị trí của van cũng được thu thập qua hệ thống giám sát và thu thập dữ liệu (SCADA). Trong khoảng thời gian gần đây, dữ liệu hoạt động của van đã được thu thập bởi chính các bộ định vị thông minh (Smart positioner). Thay vì giá trị cài đặt của van và vị trí của van được đo đạc và gửi qua tín hiệu tương tự về phòng điều khiển, các tín hiệu này sẽ được gửi về phòng điều khiển trung tâm qua tín hiệu số dưới một số dạng truyền thông nhất định (Ví dụ truyền thông HART).

Một số bộ định vị thông minh đã tích hợp phần hỗ trợ chuẩn đoán van vào Firmware, bao gồm kiểm tra đáp ứng của van, phân tích kẹt van, dao động trên van. Tuy nhiên để có thể thực hiện kiểm tra vẫn cần phải dừng quá trình công nghệ để thực hiện. Thực tế tại Nhà máy Đạm Cà mau chưa có hệ thống để chuẩn đoán phát hiện sớm các lỗi xảy ra trên van giúp ngăn ngừa các sự cố của van điều khiển. Rất nhiều van điều khiển cần được theo dõi và chuẩn đoán liên tục, việc theo dõi dựa vào người vận hành không thể giám sát liên tục được tình trạng của van.

Việc sử dụng các phần mềm chuẩn đoán của các hãng sản xuất van không giúp tích hợp được vào hệ thống điều khiển DCS Yokogawa hiện tại của Nhà máy, để tạo ra các cảnh báo đồng thời chi phí để xây dựng cũng rất cao. Dựa trên các vấn đề trên, đề tài nghiên cứu tập trung vào việc phát hiện lỗi trên van điều khiển. Để thực hiện mục tiêu trên, tác giả đề xuất phương pháp thực hiện nghiên cứu mô hình hóa các đường đặc tuyến của van điều khiển trên Kit thực nghiệm, sau đó dùng các giải thuật toán học cơ bản và ứng dụng Machine learning để phát hiện lỗi trên van điều khiển qua phần mềm Matlab, giao tiếp giữa Matlab và DCS sẽ qua hệ thống OPC của nhà máy. Các cảnh báo sẽ được gửi về hệ thống DCS giúp người vận hành dự đoán được các lỗi trên van điều khiển và khắc phục.

Trang 3 LUẬN VĂN THẠC SĨ Pneumatic Signal Position Control Signal Feedback Process Postitioner Controller HART Signal Control Valve OPC System - Setpoint - Position - Actuator Pressure Matlab Calculated Results Display to user - Fail Friction - Alarms - Fail Air - Reports - Normal Hình 1.3 Sơ đồ đánh giá tình trạng hoạt động của van lấy dữ liệu qua OPC 1.2 TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC Chưa ghi nhận các nghiên cứu về việc chuẩn đoán tình trạng hoạt động của các van điều khiển ngay trong quá trình vận hành bình thường của Nhà máy.3 TÌNH HÌNH NGHIÊN CỨU NGOÀI NƯỚC Tài liệu [6] tác giả Henry W. Boger, Foxboro, MA (US) và Sandro Esposito, Bridgewater, MA (US); 2011, CONTROL VALVE AND POSITIONER DIAGNOSTIC) (Hình 1.4) Hệ thống định vị van có thể tự chẩn đoán. Ví dụ, hệ thống định vị van có khả năng xác định tình trạng của các thành phần khác nhau của hệ thống. Sử dụng khả năng tự chẩn đoán trong hệ thống định vị van có thể cho phép phát hiện các hư hỏng trước khi phát sinh.

Các vấn đề có thể là cơ học hoặc hỏng hóc với các phần của bộ phận (ví dụ: van, đường dây, kết nối và bộ điều chỉnh), sự cố hoặc lỗi với các thành phần điện của bộ điều khiển, sự thay đổi trong thiết bị điện tử chẳng hạn như sự cố phần mềm hoặc sự cố với bộ lọc được áp dụng trong điện tử. Trang 4 LUẬN VĂN THẠC SĨ Các thành phần của hệ thống định vị van có thể bao gồm bộ chuyển đổi, cảm biến, rơ le, đường cấp khí, hoặc bộ truyền động. Bộ chuyển đổi có thể chuyển đổi một tín hiệu nhận được từ một bộ điều khiển. Ví dụ, bộ chuyển đổi đầu ra điện/áp suất (Bộ chuyển đổi E / P) có thể chuyển đổi tín hiệu điện từ bộ điều khiển thành tín hiệu áp suất, chẳng hạn như khí nén.

Cảm biến có thể là bất kỳ thiết bị nào có khả năng đo một tín hiệu (ví dụ, điện hoặc áp suất) được tạo ra hoặc nhận được bằng hệ thống định vị van. Ví dụ, một cảm biến có thể đo các thông số như áp suất, lưu lượng tỷ lệ, dòng điện, điện áp hoặc vị trí van. Rơle có thể truyền hoặc khuếch đại tín hiệu nhận được. Rơle có thể bao gồm van ống đệm hoặc bộ khuếch đại khí nén.

Một bộ truyền động có thể đáp ứng tín hiệu từ bộ chuyển đổi. Ví dụ, một thiết bị truyền động có thể bao gồm một pít-tông chịu sự chênh lệch áp suất.4 Sơ đồ kiểm tra tı̀nh trạng hoạt động của van điề u khiển Trang 5 LUẬN VĂN THẠC SĨ Ưu điểm Nhược điểm Có thể phát hiện được hư hỏng xảy Phải lắp thêm nhiều cảm biến để đo áp ra trên các bộ phận riêng biệt của suất và dòng điện ở trên bộ định vị trên van. van để kiểm tra lỗi Tài liệu [4] tác giả G. Wilke, Galen Dale, US và sở hữu sáng kiến là Fisher Controls international LLC, US (Hình 1.

Phương pháp phân tích phát hiện các thành phần của van bị hư hỏng. Để chỉ ra các vấn đề tiềm ẩn về tính toàn vẹn của thành phần. Đặc biệt, hệ thống có thể phát hiện ra sự hư hỏng hoặc lỗi tiềm ẩn trong lò xo truyền động, đường ống và ống dẫn khí nén. Hệ thống có thể được kết hợp thông tin với mạng điều khiển quá trình để cung cấp các cảnh báo phức tạp.

Hơn nữa, các phương pháp thống kê bổ sung có thể được sử dụng để tinh chỉnh độ chính xác phát hiện của hệ thống.5 Sơ đồ kiểm tra phát hiện áp suất thấp của van điều khiển Trang 6 LUẬN VĂN THẠC SĨ Ưu điểm Nhược điểm Có thể phát hiện được hư hỏng xảy Phải lắp thêm nhiều cảm biến để đo áp ra trên van dựa vào các thuật toán suất và dòng điện ở trên bộ định vị. Tài liệu [2] tác giả Hafaifa, Ahmed Hafaifa, Ahmed Zohair Djeddi, Attia Daoudi, Ziane Achour University of Djelfa, với đề tài là “Fault detection and isolation in industrial control valve based on artificial neural networks diagnosis”. Bài báo này sử dụng hệ thống giám sát dựa trên phương pháp sử dụng mạng Nơ-ron nhân tạo để tạo ra các chỉ báo lỗi cho van điều khiển công nghiệp và các kiểm chứng.6 Sơ đồ kiểm tra phát hiện lỗi trên van điều khiển dùng Mạng Noron Ưu điểm Nhược điểm Linh hoạt trong việc phát hiện lỗi trên van. Không phụ thuộc vào đặc Phụ thuộc vào kinh nghiệm của chuyên tính của van là tuyến tính hay phi gia.

Trang 7 LUẬN VĂN THẠC SĨ Tài liệu [1] tác giả L. Choonover, North Attleboro, MA (US) đề tài là “Method, system and storage medium for performing online valve diagnostics”.4 MÔ TẢ QUÁ TRÌNH THU THẬP VÀ XỬ LÝ DỮ LIỆU Một quy trình dùng mô tả quá trình tiếp cận và thực hiện cho nghiên cứu này bao gồm các tiến trình được trình bày như Hình 1.7 Các bước thực hiện của đề tài Trang 8 LUẬN VĂN THẠC SĨ 1.5 MỤC TIÊU CHÍNH  Nhận dạng được mô hình toán của van điều khiển thuộc hệ thống DCS thực tế tại nhà máy Đạm Cà Mau (16FV02);  Phát hiện và xuất cảnh báo được các lỗi trên van điều khiển bao gồm dò khí, kẹt cơ khí và giá trị phản hồi bị sai sử dụng các thuật toán nhận dạng như System Identification, Machine Learning hoặc MRAC trên Matlab.6 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 1.1 Đối tượng nghiên cứu  Các lỗi trên van điều khiển khí nén (16FV02) tại nhà máy Đạm Cà mau, bao gồm: Lỗi rò khí điều khiển, lỗi kẹt van, lỗi giá trị phản hồi vị trí của van bị sai  Giải thuật Machine learning trong việc phát hiện các lỗi trên van điều khiển 1.2 Phạm vi nghiên cứu  Nghiên cứu giải thuật Machine learning trong việc phát hiện các lỗi trên van điều khiển 1.