Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0, hệ thống băng tải đóng vai trò huyết mạch trong dây chuyền sản xuất và logistics tự động hóa. Theo thống kê từ Viện Nghiên cứu Năng lượng Công nghiệp, các hệ thống truyền động và băng tải chiếm tới hơn 60% tổng lượng điện năng tiêu thụ trong nhà máy. Tuy nhiên, các sự cố phát sinh từ động cơ băng tải (quá tải, kẹt cơ khí, lệch pha, suy giảm hệ số công suất) thường chiếm hơn 45% nguyên nhân gây gián đoạn sản xuất đột ngột (downtime), gây thiệt hại hàng tỷ đồng và tiềm ẩn nguy cơ chập cháy, mất an toàn lao động.

Các giải pháp giám sát truyền thống hiện nay chủ yếu dựa vào rơ-le nhiệt, aptomat chống giật (CB) hoặc các rơ-le bảo vệ quá dòng cơ bản. Nhược điểm lớn của chúng là tính bị động: chỉ can thiệp ngắt nguồn khi sự cố đã xảy ra nghiêm trọng, không có khả năng tự phục hồi (auto-reclosing) an toàn, thiếu tính năng cảnh báo sớm dựa trên xu hướng biến thiên và không thể lưu trữ, đánh giá dữ liệu vận hành thời gian thực.

Đề tài "Giám sát và phân tích hoạt động của băng tải" được thực hiện nhằm giải quyết triệt để các tồn tại trên bằng giải pháp kết hợp IoT công nghiệp và Trí tuệ nhân tạo (Machine Learning).

[Khối Cảm Biến: CT, Phân Áp, Mạch Cosφ, Encoder] 
[Bộ ADC 16-bit ADS1115 & GPIO Ngắt] 
[Giao diện GUI / Cảnh báo]   [Biến tần Omron 3G3JX Điều Khiển Động Cơ]

Mục tiêu cụ thể của dự án:

  1. Thiết kế phần cứng đo lường chuyên dụng: Đo lường chính xác 4 tham số vận hành then chốt: Điện áp ($U$), Dòng điện ($I$), Hệ số công suất ($\cos\varphi$) và Tốc độ động cơ ($V$).
  2. Xây dựng module chuyển đổi và xử lý tín hiệu: Tích hợp bộ chuyển đổi ADC 16-bit ADS1115 qua giao tiếp I2C cùng bộ giải mã xung Encoder quang 20 xung.
  3. Phát triển luồng xử lý dữ liệu và học máy trên máy tính nhúng Raspberry Pi 3: Thu thập, chuẩn hóa dữ liệu, áp dụng thuật toán giảm chiều PCA và mô hình phát hiện dị thường cục bộ Local Outlier Factor (LOF).
  4. Xây dựng hệ thống điều khiển & cảnh báo: Tích hợp biến tần Omron 3G3JX điều khiển động cơ xoay chiều, còi báo động và giao diện đồ họa người dùng (GUI) trực quan.

Phạm vi và giới hạn đề tài:

  • Phạm vi: Giám sát động cơ xoay chiều kéo băng tải thông qua biến tần công nghiệp, thu thập tín hiệu lưới điện 1 pha/3 pha tần số 50Hz, xử lý biên (edge computing) trực tiếp trên máy tính nhúng.
  • Giới hạn: Sử dụng ADC tần số lấy mẫu tối đa 860 SPS kết hợp mạch chỉnh lưu bán dẫn tích cực để đo dòng/áp hiệu dụng thay vì tính toán sóng hài bậc cao phức tạp; mô hình học máy LOF chạy theo đợt (batch/stream window) trên tập dữ liệu vận hành tiêu chuẩn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Rơ-le bảo vệ & CB truyền thống Cảm biến Hall (ACS712) + Vi điều khiển 8-bit Giải pháp đề tài (Embedded Edge AI + ADS1115)
Độ phân giải đo lường Rất thấp (Chỉ tác động theo ngưỡng cắt) 10-bit ADC (Sai số $\pm 1.5 - 3%$) 16-bit ADC ADS1115 (Sai số $< 0.5%$)
Khả năng đo $\cos\varphi$ Không hỗ trợ Rất khó, tốn tài nguyên vi điều khiển Mạch Zero-Crossing + Ngắt Timer chuyên biệt
Phát hiện suy thoái sớm Hoàn toàn không (Chỉ ngắt khi đã hỏng hóc) Giới hạn (Chỉ so sánh ngưỡng cố định) Machine Learning (PCA + Local Outlier Factor)
Phân tích đa chiều Không có Đơn biến (chỉ dòng hoặc áp) Đa biến kết hợp ($U, I, \cos\varphi, \omega$)
Giao diện & Cảnh báo Đèn chỉ thị cơ học Màn hình LCD 1602/OLED cơ bản GUI Python trực quan + Còi báo + Tự động bảo vệ

Yêu cầu người dùng theo ma trận MoSCoW:

  • Must Have (Bắt buộc): Đo đạc chính xác $U_{rms}$, $I_{rms}$, $\cos\varphi$, tốc độ vòng quay; phát hiện bất thường và kích hoạt còi cảnh báo; giao tiếp I2C ổn định.
  • Should Have (Nên có): Giao diện GUI hiển thị đồ thị thời gian thực; thuật toán tự động lọc nhiễu và chuẩn hóa dữ liệu; khả năng điều khiển dừng/giảm tốc qua biến tần.
  • Could Have (Có thể mở rộng): Tự động đóng điện an toàn sau khi hết sự cố; xuất báo cáo định dạng Excel/CSV.
  • Won't Have (Chưa thực hiện ở giai đoạn này): Phân tích phổ rung động trục cơ khí (Vibration analysis) và giao tiếp Cloud qua giao thức MQTT.

Thiết kế hệ thống

Kiến trúc tổng thể và công nghệ sử dụng:

  1. Khối cảm biến & đo lường:
    • Đo điện áp: Mạch cầu phân áp điện trở công suất cao ($R_1 = 100 R_2$) kết hợp diode zener ghim áp $3.9\text{V}$ và tụ lọc phẳng.
    • Đo dòng điện: Biến dòng CT (Current Transformer) tỉ số biến dòng tiêu chuẩn, phối hợp mạch khuếch đại đảo, không đảo và ghim áp bằng Op-Amp nhằm chỉnh lưu sóng sin thành điện áp một chiều tương ứng với giá trị đỉnh.
    • Đo hệ số công suất ($\cos\varphi$): Mạch so sánh điện áp/dòng điện xác định điểm cắt qua 0 (Zero-Crossing), tạo xung vuông đưa vào mạch đo độ lệch thời gian $\Delta t$.
    • Đo tốc độ: Đĩa mã hóa quang học (Encoder) 20 xung/vòng gắn trực tiếp trên trục động cơ.
  2. Khối chuyển đổi ADC: ADS1115 (Texas Instruments) độ phân giải 16-bit, 4 kênh đầu vào tương tự, giao tiếp I2C tốc độ Fast Mode (400 kbps).
  3. Khối điều khiển & Xử lý trung tâm: Máy tính nhúng Raspberry Pi 3 Model B (Quad-core 1.2GHz ARM Cortex-A53, 1GB RAM), chạy hệ điều hành Linux (Raspbian).
  4. Khối truyền động: Biến tần Omron 3G3JX điều khiển động cơ không đồng bộ xoay chiều giảm tốc.
  5. Technology Stack:
    • Ngôn ngữ: Python 3.6+
    • Thư viện xử lý dữ liệu: pandas 0.23+, numpy 1.14+
    • Thư viện học máy: scikit-learn 0.19+
    • Giao diện người dùng: Tkinter GUI
+-------------------------------------------------------------------------+
|                      MÔ HÌNH DỮ LIỆU ĐO LƯỜNG (SCHEMA)                  |
+-------------------------------------------------------------------------+
| Field Name      | Data Type | Unit   | Sampling Rate | Hardware Source  |
+-----------------+-----------+--------+---------------+------------------+
| timestamp       | datetime  | ISO    | 10 Hz         | System RTC       |
| voltage_rms     | float64   | Volt   | 10 Hz         | ADS1115 (AIN0)   |
| current_rms     | float64   | Ampere | 10 Hz         | ADS1115 (AIN1)   |
| power_factor    | float64   | cosφ   | 10 Hz         | Zero-Cross + Pi  |
| motor_speed     | float64   | RPM    | 2 Hz          | GPIO Pin (Timer) |
| anomaly_score   | float64   | LOF    | 1 Hz          | Scikit-Learn LOF |
| system_status   | int8      | Enum   | Real-time     | Control Logic    |
+-----------------+-----------+--------+---------------+------------------+

Methodology

Quy trình phát triển hệ thống áp dụng mô hình lai V-Model kết hợp Agile:

  1. Giai đoạn 1 (Hardware Modeling & Signal Conditioning): Thiết kế nguyên lý, tính toán phối hợp trở kháng, mô phỏng mạch khuếch đại đệm trên Proteus, thi công mạch in (PCB).
  2. Giai đoạn 2 (Firmware & Driver Integration): Lập trình module đọc ADS1115 qua bus I2C, xây dựng ngắt đo tần số xung Encoder trên Linux kernel.
  3. Giai đoạn 3 (Machine Learning Engineering): Thu thập tập mẫu chuẩn (baseline dataset), xây dựng pipeline tiền xử lý, huấn luyện mô hình phát hiện dị thường và tối ưu hóa thời gian thực thi trên CPU ARM.
  4. Giai đoạn 4 (System Integration & Stress Testing): Đóng vỏ mô hình băng tải thực tế, tích hợp biến tần Omron 3G3JX, thử nghiệm các kịch bản quá tải, trượt tải và đánh giá độ chính xác.

Implementation và kết quả

Development process

1. Tính toán toán học và thuật toán đo lường phần cứng

  • Tính toán điện áp nguồn ($U_{ng}$): Bước lượng tử của bộ ADC (Step Size - $SS$) với $V_{ref} = 4.096\text{V}$ ở chế độ 15-bit đơn cực (Single-ended): $$SS = \frac{V_{ref}}{2^{15}} = \frac{4.096}{32768} = 0.000125\text{ V} = 0.125\text{ mV}$$ Giá trị điện áp lưới đo được qua cầu phân áp $R_1 = 100 R_2$ ($K_{div} = 101$): $$U_{ng} = \left(\text{ADC_Value} \times SS \times 101\right) \times \frac{1}{\sqrt{2}} \quad (\text{V})$$

  • Tính toán dòng điện qua tải ($I$): Tín hiệu từ biến dòng CT đi qua điện trở chuyển đổi $R_{100}$, qua mạch khuếch đại không đảo và đảo có hệ số khuếch đại $A_v = 2$, sau đó qua mạch ghim áp đệm và chỉnh lưu: $$I = \left(\text{ADC_Value} \times SS \times 70\right) \times \frac{1}{\sqrt{2}} \quad (\text{A})$$

  • Tính toán hệ số công suất ($\cos\varphi$): Lưới điện có tần số $f = 50\text{Hz} \rightarrow T = 20\text{ms}$. Góc phần tư thứ I ($0 \le \varphi \le \frac{\pi}{2}$) tương ứng với thời gian trễ giữa cạnh lên điện áp và dòng điện trong khoảng $\Delta t \in [0, 5\text{ms}]$: $$\cos\varphi = \cos\left(\frac{\Delta t}{5\text{ms}} \times \frac{\pi}{2}\right)$$

  • Tính toán vận tốc động cơ ($V$): $$V (\text{vòng/phút}) = \frac{\text{Số xung đếm được} \times 60}{\text{Thời gian lấy mẫu (s)} \times \text{Độ phân giải Encoder (20 xung)}}$$

2. Pipeline học máy (Machine Learning Pipeline)

Quy trình phát hiện bất thường vận hành băng tải sử dụng scikit-learn được triển khai qua các bước:

import numpy as np
import pandas as pd
from sklearn.preprocessing import MaxAbsScaler
from sklearn.decomposition import PCA
from sklearn.neighbors import LocalOutlierFactor

def build_anomaly_detection_pipeline(data_file_path: str):
    # 1. Đọc dữ liệu vận hành từ tập tin chuẩn
    df = pd.read_excel(data_file_path, sheet_name=0)
    features = ['Voltage', 'Current', 'CosPhi', 'Speed']
    X_raw = df[features].values

    # 2. Chuẩn hóa dữ liệu bằng MaxAbsScaler (Bảo toàn độ thưa, scale [-1, 1])
    scaler = MaxAbsScaler(copy=True)
    X_scaled = scaler.fit_transform(X_raw)

    # 3. Giảm chiều dữ liệu bằng PCA (Giảm từ 4 chiều xuống 2 thành phần chính)
    pca = PCA(n_components=2, svd_solver='auto', random_state=42)
    X_pca = pca.fit_transform(X_scaled)

    # 4. Huấn luyện mô hình Local Outlier Factor (LOF)
    # Khởi tạo mô hình LOF phát hiện điểm bất thường
    lof = LocalOutlierFactor(
        n_neighbors=20,
        algorithm='auto',
        leaf_size=30,
        metric='minkowski',
        p=2,
        contamination=0.1,
        n_jobs=-1
    )
    
    # Dự đoán trạng thái trên tập dữ liệu (-1: Bất thường, 1: Bình thường)
    y_pred = lof.fit_predict(X_pca)
    negative_outlier_factors = lof.negative_outlier_factor_
    
    return scaler, pca, lof, negative_outlier_factors

def monitor_realtime_sample(sample_vector, scaler, pca, lof):
    """
    sample_vector: Mảng numpy shape (1, 4) chứa [U, I, CosPhi, Speed]
    """
    scaled_vector = scaler.transform(sample_vector)
    pca_vector = pca.transform(scaled_vector)
    
    # Đánh giá dựa trên LOF
    is_inlier = lof._decision_function(pca_vector) >= 0
    return "NORMAL" if is_inlier else "ANOMALY"

Testing và validation

Hệ thống đã trải qua quá trình kiểm chuẩn thực nghiệm nghiêm ngặt so sánh giữa mạch đo chuyên dụng và thiết bị kiểm tra chuẩn phòng thí nghiệm (Đồng hồ vạn năng kỹ thuật số Fluke & Máy đo tốc độ tiếp xúc chuyên dụng).

+--------------------------------------------------------------------+
|                KẾT QUẢ SO SÁNH ĐỘ CHÍNH XÁC MẠCH ĐO                 |
+--------------------------------------------------------------------+
| Thông số đo   | Giá trị TBKT chuẩn | Giá trị Mạch đo | Sai số (%)  |
+---------------+--------------------+-----------------+-------------+
| Điện áp (V)   | 220.4 V            | 219.8 V         | 0.27 %      |
| Dòng điện (A) | 2.45 A             | 2.43 A          | 0.81 %      |
| Hệ số Cos φ   | 0.86               | 0.85            | 1.16 %      |
| Tốc độ (RPM)  | 1450 RPM           | 1442 RPM        | 0.55 %      |
+---------------+--------------------+-----------------+-------------+

Ma trận nhầm lẫn (Confusion Matrix) của bộ phân loại LOF trên 500 mẫu thử nghiệm:

  • Tập dữ liệu kiểm tra: 500 mẫu vận hành (400 mẫu trạng thái tải định mức, 100 mẫu trạng thái cố tình tạo lỗi: kẹt cơ khí, sụt áp, mất tải đột ngột, trượt dây đai).
  • True Positives (Bình thường chính xác): 392 mẫu ($98.0%$).
  • False Positives (Báo động giả): 8 mẫu ($2.0%$).
  • True Negatives (Bắt đúng sự cố bất thường): 96 mẫu ($96.0%$).
  • False Negatives (Bỏ sót sự cố): 4 mẫu ($4.0%$).
  • Độ chính xác tổng thể (Accuracy): $97.6%$.

Đổi mới và đóng góp

  1. Ứng dụng Trí tuệ nhân tạo biên (Edge AI) vào bảo trì dự đoán: Thay vì sử dụng ngưỡng cắt tĩnh (hard thresholds) dễ gây báo động giả khi động cơ khởi động, hệ thống sử dụng thuật toán LOF đo mật độ cục bộ không gian 2D (sau PCA), cho phép nhận diện các suy giảm hiệu suất ngầm (chớm kẹt ổ bi, dây đai trượt nhẹ) mà các rơ-le thông thường không thể nhận biết.
  2. Kỹ thuật phối hợp tiền xử lý PCA và MaxAbsScaler: Giảm 50% không gian chiều đặc trưng (từ 4D xuống 2D) nhưng vẫn giữ lại trên $92%$ phương sai tổng thể (explained_variance_ratio_), giúp thuật toán LOF giảm $40%$ độ phức tạp tính toán, đáp ứng yêu cầu suy luận thời gian thực trên vi xử lý ARM của Raspberry Pi.
  3. Mạch đo lường tín hiệu công suất giá thành thấp: Tích hợp bộ giải thuật tách pha Zero-Crossing và chỉnh lưu Op-Amp đệm ghim áp, thay thế các module đo công suất chuyên dụng đắt tiền, giảm tới $65%$ chi phí phần cứng so với việc mua thiết bị phân tích mạng công nghiệp (Power Quality Analyzer).

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế:

  • Ngành chế biến thực phẩm & Đóng gói: Giám sát băng tải cấp liệu liên tục. Khi nguyên liệu dồn cục gây quá tải nhẹ, hệ thống nhận diện điểm dị thường, phát tín hiệu giảm tốc biến tần Omron 3G3JX thay vì dừng đột ngột, giúp dây chuyền không bị đứt gãy.
  • Logistics & Kho bãi tự động: Cảnh báo sớm hiện tượng mòn trục lăn hoặc lệch băng tải thông qua sự suy giảm bất thường của cặp tham số tốc độ - dòng điện.
                  QUY TRÌNH TRIỂN KHAI HỆ THỐNG

Hướng dẫn xử lý sự cố (Troubleshooting Guide):

+--------------------------------------------------------------------------+
|                  HƯỚNG DẪN XỬ LÝ SỰ CỐ HỆ THỐNG (TROUBLESHOOTING)         |
+--------------------------------------------------------------------------+
| Hiện tượng lỗi       | Nguyên nhân khả dĩ         | Biện pháp khắc phục  |
+----------------------+----------------------------+----------------------+
| Không đọc được ADC   | Mất kết nối I2C, sai địa   | Kiểm tra lệnh        |
| qua ADS1115          | chỉ thiết bị (0x48-0x4B)   | `i2cdetect -y 1`     |
+----------------------+----------------------------+----------------------+
| Giá trị Cos φ = 0    | Tín hiệu Zero-Crossing     | Chỉnh biến trở phân  |
| hoặc không ổn định   | bị nhiễu sóng hài cao      | áp trên mạch so sánh |
+----------------------+----------------------------+----------------------+
| LOF liên tục báo     | Dữ liệu Baseline bị nhiễm  | Thu thập lại tập mẫu |
| "ANOMALY" khi chạy   | nhiễu khi huấn luyện       | sạch ở chế độ định   |
| không tải            |                            | mức, tăng neighbor k |
+----------------------+----------------------------+----------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật:

  • Mạch đo tín hiệu dòng áp analog phụ thuộc vào độ ổn định của nguồn nuôi op-amp; môi trường công nghiệp có độ nhiễu điện từ (EMI) cao từ biến tần có thể gây can nhiễu vào đường bus I2C nếu không bọc kim chống nhiễu kỹ càng.
  • Mô hình LOF hiện tại chạy ở chế độ offline training / online inference, chưa cập nhật trọng số trực tuyến (Online Continual Learning) khi động cơ thay đổi tải định mức theo mùa vụ.

Hướng phát triển:

  • Tích hợp IoT Công nghiệp (IIoT): Đóng gói dữ liệu qua giao thức MQTT/OPC-UA đưa lên nền tảng đám mây (AWS IoT Core / ThingsBoard) phục vụ giám sát tập trung nhiều dây chuyền.
  • Bổ sung cảm biến độ rung và nhiệt độ: Kết hợp cảm biến gia tốc MPU6050 và cảm biến nhiệt hồng ngoại MLX90614 để nâng cao độ tin cậy của thuật toán chẩn đoán lỗi cơ khí.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điện - Điện tử / Tự động hóa: Tài liệu mẫu hoàn chỉnh về cách kết hợp giữa phần cứng mạch tương tự, vi điều khiển giao tiếp I2C và ứng dụng học máy Scikit-Learn trên Linux nhúng.
  • Kỹ sư bảo trì nhà máy: Mô hình tham khảo để tự chế tạo thiết bị bảo vệ - giám sát phụ tải chuyên sâu với chi phí thấp (dưới 2 triệu đồng/thiết bị).
  • Doanh nghiệp sản xuất vừa và nhỏ: Tiếp cận giải pháp bảo trì dự đoán (Predictive Maintenance) nhằm giảm thiểu thời gian dừng máy đột ngột, tối ưu hóa hệ số công suất $\cos\varphi$ để tránh bị phạt tiền điện vô công.

Câu hỏi thường gặp

  1. Yêu cầu phần cứng tối thiểu để triển khai hệ thống là gì? Hệ thống yêu cầu 01 máy tính nhúng Raspberry Pi 3 Model B (hoặc tương đương chạy Linux), 01 module ADC ADS1115 16-bit, 01 biến dòng CT 5A/5mA, 01 mạch khuếch đại đảo/không đảo dùng LM358/TL084, 01 module so sánh LM393 để đo pha, 01 cảm biến quang encoder 20 xung và 01 nguồn đôi $\pm 12\text{V}$ ổn định.

  2. Tại sao lại chọn thuật toán LOF mà không phải là phân loại có giám sát (SVM, Random Forest)? Trong môi trường công nghiệp thực tế, dữ liệu hoạt động bình thường luôn chiếm đa số tuyệt đối, trong khi dữ liệu lỗi rất hiếm và khó thu thập đầy đủ mọi kịch bản hỏng hóc. Do đó, kỹ thuật học không giám sát phát hiện dị thường (Unsupervised Anomaly Detection) như LOF là tối ưu nhất vì mô hình chỉ cần học đặc trưng của trạng thái bình thường để phát hiện mọi điểm lệch chuẩn.

  3. Mạch đo $\cos\varphi$ hoạt động ra sao nếu tải sinh ra sóng hài lớn? Mạch sử dụng tầng lọc thông thấp RC kết hợp bộ đệm Op-Amp trước khi đưa vào mạch so sánh cắt qua điểm 0 (Zero-Crossing Detector). Điều này giúp loại bỏ phần lớn gai nhiễu cao tần và sóng hài bậc cao, giữ lại thành phần sóng cơ bản 50Hz để đo chính xác góc lệch pha $\Delta t$.

  4. Hệ thống có thể can thiệp dừng biến tần tự động khi phát hiện sự cố không? Có. Chân GPIO của Raspberry Pi được nối qua Opto cách ly quang đến chân dừng khẩn cấp (Multi-function Input Terminal) của biến tần Omron 3G3JX. Khi LOF xác nhận trạng thái dị thường liên tục quá 3 chu kỳ đo, hệ thống sẽ kích hoạt lệnh ngắt biến tần và hú còi cảnh báo.

  5. Chi phí ước tính và thời gian thu hồi vốn (ROI) khi lắp đặt cho 1 cụm băng tải? Tổng chi phí linh kiện phần cứng và mạch đo dao động khoảng 1.800.000 - 2.500.000 VNĐ. Với việc ngăn ngừa được 1 sự cố cháy động cơ hoặc dừng dây chuyền (thiệt hại trung bình 15-30 triệu VNĐ/lần dừng máy), thời gian hoàn vốn đầu tư đạt được ngay trong lần đầu tiên hệ thống cảnh báo sự cố thành công.

Kết luận

Đề tài "Giám sát và phân tích hoạt động của băng tải" đã nghiên cứu, thiết kế và chế tạo thành công một giải pháp bảo trì dự đoán toàn diện, kết hợp chặt chẽ giữa kỹ thuật đo lường phần cứng chính xác cao (ADC 16-bit, mạch tách pha $\cos\varphi$) và Trí tuệ nhân tạo biên (PCA, Local Outlier Factor) trên Raspberry Pi 3. Với độ chính xác đo lường sai số dưới $1.2%$ và khả năng phát hiện dị thường đạt $97.6%$, dự án mở ra hướng tiếp cận kinh tế, hiệu quả cho các nhà máy sản xuất trong việc nâng cao độ tin cậy vận hành, tiết kiệm điện năng và bảo vệ tài sản doanh nghiệp.