Nhận Dạng Lò Hơi Sử Dụng Mô Hình Phi Tuyến

Khám phá phương pháp nhận dạng lò hơi sử dụng mô hình phi tuyến, giúp tối ưu hóa hiệu suất và nâng cao độ chính xác trong vận hành.

• Tác giả: Vũ Huy Hoàng
• Người hướng dẫn: PGS. Hoàng Minh Sơn
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Nhận Dạng Lò Hơi Sử Dụng Mô Hình Phi Tuyến
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG LÒ HƠI
• 1.1. Sơ lược về vấn đề nhận dạng
• 1.2. Tổng quan về phương pháp
• 1.3. Phân loại các phương pháp nhận dạng
• 1.4. Các bước tiến hành nhận dạng
• 1.5. Lịch sử nghiên cứu trong lĩnh vực nhận dạng lò hơi
• 2. CHƯƠNG 2: PHƯƠNG PHÁP SAI SỐ DỰ BÁO
• 2.1. Phương pháp sai số dự báo (PEM)
• 2.2. Thuật toán Newton
• 2.3. Thuật toán di truyền (GA)
• 2.4. Thuật toán tối ưu bầy đàn (PSO)
• 3. CHƯƠNG 3: MÔ HÌNH PHI TUYẾN TRONG NHẬN DẠNG HỆ THỐNG
• 3.1. Các loại mô hình phi tuyến trong nhận dạng hệ thống
• 3.2. Mô hình song tuyến tính (Bilinear)
• 3.3. Mô hình mạng nơron hồi quy (RNN)
• 3.4. Mô hình Wiener sử dụng mạng nơron (Wiener – Neural Network)
• 3.5. Cấu trúc mô hình trong bài toán nhận dạng
• 4. CHƯƠNG 4: ĐỐI TƯỢNG LÒ HƠI
• 4.1. Quá trình công nghệ lò hơi
• 4.2. Giải pháp điều khiển cho lò hơi
• 4.3. Điều khiển mức nước trong bao hơi
• 4.4. Kiểm soát nhiệt độ hơi nước quá nhiệt
• 4.5. Áp suất hơi quá nhiệt ở đầu ra
• 4.6. Chất lượng quá trình cháy trong buồng lửa. Mô hình lý thuyết cho đối tượng lò hơi
• 5. CHƯƠNG 5: NHẬN DẠNG NGOẠI TUYẾN ĐỐI TƯỢNG LÒ HƠI
• 5.1. Nội dung thực nghiệm
• 5.2. Một số lưu ý trong quá trình nhận dạng lò hơi
• 5.3. Mô hình trạng thái tuyến tính
• 5.4. Mô hình trạng thái song tuyến tính. Mô hình Wiener sử dụng mạng nơron (WNN)
• 5.5. Mô hình mạng nơron hồi quy (RNN)
• 5.6. Tổng kết các mô hình nhận dạng ngoại tuyến
• 6. CHƯƠNG 6: NHẬN DẠNG TRỰC TUYẾN ĐỐI TƯỢNG LÒ HƠI
• 6.1. Phương pháp sai số dự báo đệ quy cho mô hình song tuyến tính
• 6.2. Nhận dạng trực tuyến lò hơi sử dụng mô hình song tuyến tính
• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nhận Dạng Lò Hơi Khái Niệm Phương Pháp

Chương này cung cấp cái nhìn tổng quan về bài toán nhận dạng hệ thống, đặc biệt là trong bối cảnh lò hơi. Việc xây dựng mô hình động học là nền tảng cho các phương pháp điều khiển, và nhận dạng hệ thống chính là quá trình sử dụng thông tin từ hệ thống thực để xây dựng các mô hình toán học này. Chương trình bày các hướng tiếp cận mô hình hóa khác nhau và phân loại các phương pháp nhận dạng dựa trên nhiều tiêu chí, từ dạng mô hình đến điều kiện thực nghiệm và phương pháp ước lượng tham số. Phần cuối của chương tóm lược các nghiên cứu trước đây trong lĩnh vực này, đặt nền móng cho hướng tiếp cận của luận văn. Như tài liệu gốc đã chỉ ra, đa số các phương pháp điều khiển đều dựa trên mô hình động học của đối tượng.

1.1. Các Phương Pháp Tiếp Cận Mô Hình Hóa Đối Tượng

Việc mô hình hóa thường được tiếp cận theo ba hướng chính: phương pháp lý thuyết (hộp trắng), phương pháp thực nghiệm (hộp đen) và phương pháp kết hợp (hộp xám). Phương pháp lý thuyết dựa trên các quy luật vật lý và hóa học, phù hợp để khảo sát đặc tính động học nhưng khó xác định chính xác các tham số. Phương pháp thực nghiệm trực tiếp xác định mô hình từ dữ liệu, nhưng đòi hỏi cấu trúc mô hình phải được biết trước và dữ liệu phải đủ tin cậy. Phương pháp kết hợp tận dụng ưu điểm của cả hai, mang lại mô hình có độ chính xác cao và đáng tin cậy. Lựa chọn phương pháp phù hợp phụ thuộc vào độ phức tạp của đối tượng và yêu cầu về độ chính xác.

1.2. Phân Loại Chi Tiết Các Phương Pháp Nhận Dạng

Các phương pháp nhận dạng có thể được phân loại dựa trên nhiều tiêu chí: dạng mô hình (liên tục/gián đoạn, tuyến tính/phi tuyến), điều kiện thực nghiệm (chủ động/bị động, vòng hở/vòng kín) và phương pháp ước lượng tham số (bình phương cực tiểu, sai số dự báo,...). Mỗi phương pháp có ưu nhược điểm riêng. Chẳng hạn, mô hình phi tuyến cho phép mô tả chính xác hơn các hệ thống phức tạp, nhưng đòi hỏi thuật toán phức tạp hơn để xác định tham số. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đối tượng, yêu cầu và hoàn cảnh sử dụng cụ thể.

II. Thách Thức và Giải Pháp Nhận Dạng Lò Hơi Phi Tuyến

Việc nhận dạng lò hơi gặp nhiều thách thức do bản chất phi tuyến, đa biến vào – ra và phức tạp của quá trình. Các mô hình tuyến tính thường không đủ để mô tả chính xác hoạt động của lò hơi trong phạm vi làm việc rộng. Việc xây dựng mô hình toán học dựa hoàn toàn vào lý thuyết là không khả thi hoặc quá phức tạp. Do đó, hướng tiếp cận phổ biến là thực nghiệm hoặc kết hợp giữa lý thuyết và thực nghiệm. Để giải quyết vấn đề này, luận văn này tập trung vào sử dụng các mô hình phi tuyến và phương pháp sai số dự báo để nhận dạng lò hơi.

2.1. Vấn Đề Của Việc Sử Dụng Mô Hình Tuyến Tính

Mặc dù đơn giản và dễ sử dụng, các mô hình tuyến tính chỉ hiệu quả trong một phạm vi làm việc hạn chế. Khả năng mô tả chính xác hoạt động của lò hơi tại nhiều điểm làm việc khác nhau vẫn là một vấn đề phức tạp. Việc bỏ qua các yếu tố phi tuyến có thể dẫn đến sai số lớn trong mô phỏng và điều khiển. Điều này đặc biệt quan trọng đối với các hệ thống như lò hơi, có tính chất phi tuyến mạnh mẽ và chịu ảnh hưởng của nhiều yếu tố khác nhau.

2.2. Tiếp Cận Thực Nghiệm và Kết Hợp cho Lò Hơi

Do sự phức tạp của lò hơi, việc xây dựng mô hình hoàn toàn dựa trên lý thuyết là rất khó khăn. Do đó, tiếp cận thực nghiệm, dựa trên dữ liệu thu thập được từ quá trình vận hành, là một lựa chọn phổ biến. Tuy nhiên, việc kết hợp lý thuyết và thực nghiệm (hộp xám) thường mang lại kết quả tốt nhất, tận dụng kiến thức về quá trình và dữ liệu thực tế. Điều này đòi hỏi phân tích kỹ lưỡng quá trình công nghệ và lựa chọn các biến vào-ra phù hợp.

III. Phương Pháp Sai Số Dự Báo PEM Cho Mô Hình Lò Hơi

Luận văn này tập trung vào việc sử dụng phương pháp sai số dự báo (PEM) để xác định các tham số của mô hình lò hơi. PEM là một phương pháp mạnh mẽ để ước lượng tham số dựa trên việc giảm thiểu sai số giữa đầu ra dự đoán của mô hình và đầu ra thực tế của hệ thống. Để cải thiện hiệu suất của PEM, luận văn này cũng xem xét việc sử dụng các thuật toán tối ưu hóa như thuật toán Newton, thuật toán di truyền (GA) và thuật toán tối ưu bầy đàn (PSO).

3.1. Ưu Điểm Của Phương Pháp Sai Số Dự Báo PEM

Phương pháp sai số dự báo (PEM) là một phương pháp thống kê mạnh mẽ và linh hoạt, cho phép ước lượng tham số của nhiều loại mô hình khác nhau. PEM có thể xử lý dữ liệu bị nhiễu và cung cấp ước lượng tham số với độ chính xác cao. Tuy nhiên, hiệu suất của PEM phụ thuộc vào việc lựa chọn hàm mục tiêu và thuật toán tối ưu hóa.

3.2. Các Thuật Toán Tối Ưu Hóa Kết Hợp Với PEM

Để cải thiện hiệu suất và độ tin cậy của PEM, luận văn này xem xét việc sử dụng các thuật toán tối ưu hóa như thuật toán Newton, thuật toán di truyền (GA) và thuật toán tối ưu bầy đàn (PSO). Các thuật toán này có thể giúp tìm kiếm các tham số tối ưu trong không gian tìm kiếm phức tạp, đặc biệt là đối với các mô hình phi tuyến. Mỗi thuật toán có ưu nhược điểm riêng và phù hợp với các loại bài toán khác nhau.

IV. Ứng Dụng Mô Hình Phi Tuyến Wiener và Mạng Nơ ron

Luận văn khám phá việc sử dụng các mô hình phi tuyến như mô hình song tuyến tính (Bilinear), mô hình mạng nơ-ron hồi quy (RNN) và mô hình Wiener sử dụng mạng nơ-ron (Wiener – Neural Network) trong bài toán nhận dạng lò hơi. Các mô hình này có khả năng mô tả chính xác hơn các đặc tính phi tuyến của lò hơi so với các mô hình tuyến tính. Cấu trúc mô hình đóng vai trò quan trọng trong bài toán nhận dạng.

4.1. Mô Hình Wiener Sử Dụng Mạng Nơ ron WNN

Mô hình Wiener là một mô hình khối (block-oriented) bao gồm một khối tuyến tính và một khối phi tuyến mắc nối tiếp. Khi khối phi tuyến được thay thế bằng một mạng nơ-ron, ta có mô hình Wiener sử dụng mạng nơ-ron (WNN). WNN có khả năng mô tả các hệ thống phi tuyến phức tạp và thường được sử dụng trong các bài toán nhận dạng hệ thống.

4.2. Mô Hình Mạng Nơ ron Hồi Quy RNN

Mô hình mạng nơ-ron hồi quy (RNN) là một loại mạng nơ-ron được thiết kế để xử lý dữ liệu tuần tự. RNN có khả năng lưu trữ thông tin về các trạng thái trước đó, giúp chúng có thể mô tả các hệ thống động có bộ nhớ. RNN là một lựa chọn phù hợp cho việc nhận dạng các hệ thống phi tuyến và có đặc tính động phức tạp như lò hơi.

V. Nhận Dạng Ngoại Tuyến Lò Hơi Thực Nghiệm và Kết Quả

Chương này trình bày các kết quả thực nghiệm của việc nhận dạng ngoại tuyến lò hơi sử dụng các mô hình và thuật toán đã được giới thiệu. Quá trình thực nghiệm bao gồm thu thập dữ liệu vận hành từ một nhà máy nhiệt điện, xử lý dữ liệu và sử dụng các thuật toán PEM để ước lượng các tham số của mô hình. Các mô hình được đánh giá dựa trên độ chính xác dự đoán và khả năng khái quát hóa.

5.1. Quy Trình Thực Nghiệm Nhận Dạng Ngoại Tuyến

Quy trình thực nghiệm bao gồm các bước: thu thập dữ liệu vận hành, xử lý dữ liệu thô (lọc nhiễu, loại bỏ giá trị ngoại lệ), chọn cấu trúc mô hình, ước lượng tham số bằng các thuật toán PEM và đánh giá chất lượng mô hình. Việc lựa chọn dữ liệu đầu vào phù hợp và cấu trúc mô hình là rất quan trọng để đảm bảo kết quả nhận dạng chính xác.

5.2. Đánh Giá So Sánh Các Mô Hình Nhận Dạng

Các mô hình khác nhau (tuyến tính, song tuyến tính, Wiener, RNN) được so sánh dựa trên các tiêu chí như độ chính xác dự đoán, khả năng khái quát hóa và thời gian tính toán. Kết quả cho thấy các mô hình phi tuyến có độ chính xác cao hơn so với các mô hình tuyến tính, đặc biệt là khi lò hơi hoạt động trong phạm vi rộng.

VI. Nhận Dạng Trực Tuyến Lò Hơi Ứng Dụng và Tương Lai

Chương cuối cùng tập trung vào việc xây dựng thuật toán nhận dạng trực tuyến lò hơi sử dụng mô hình song tuyến tính. Nhận dạng trực tuyến cho phép mô hình thích ứng với sự thay đổi của lò hơi theo thời gian thực, từ đó cải thiện hiệu suất điều khiển. Kết luận trình bày các kết quả đạt được và hướng phát triển tiếp theo của luận văn.

6.1. Thuật Toán Nhận Dạng Trực Tuyến Đệ Quy

Để thực hiện nhận dạng trực tuyến, luận văn phát triển thuật toán sai số dự báo đệ quy (RPEM) cho mô hình song tuyến tính. RPEM là một thuật toán lặp, cho phép cập nhật các tham số mô hình theo thời gian thực khi có dữ liệu mới.

6.2. Kết Luận và Hướng Phát Triển Tiếp Theo

Luận văn đã thành công trong việc xây dựng và đánh giá các mô hình phi tuyến để nhận dạng lò hơi. Kết quả cho thấy các mô hình này có tiềm năng cải thiện hiệu suất điều khiển lò hơi. Hướng phát triển tiếp theo bao gồm việc tích hợp các mô hình này vào các bộ điều khiển nâng cao và thử nghiệm trên các hệ thống lò hơi thực tế.

Nội dung chính

Tổng quan nghiên cứu

Lò hơi là thiết bị quan trọng trong nhiều quá trình công nghiệp, đặc biệt trong các nhà máy nhiệt điện, đóng vai trò chủ đạo trong việc tạo ra hơi nước phục vụ sản xuất điện năng. Theo ước tính, việc nâng cao chất lượng điều khiển lò hơi góp phần tăng hiệu suất vận hành và giảm thiểu rủi ro kỹ thuật. Tuy nhiên, do tính chất phức tạp, phi tuyến và đa biến của lò hơi, việc xây dựng mô hình toán học chính xác là một thách thức lớn. Mục tiêu của luận văn là xây dựng mô hình trạng thái phi tuyến cho lò hơi dựa trên dữ liệu vận hành thu thập từ một số nhà máy nhiệt điện, nhằm phục vụ cho việc áp dụng các phương pháp điều khiển nâng cao. Phạm vi nghiên cứu tập trung vào dữ liệu thu thập trong giai đoạn vận hành thực tế tại nhà máy nhiệt điện Phả Lại, với mục tiêu phát triển các mô hình phi tuyến có khả năng mô tả chính xác đặc tính động học của lò hơi trong nhiều điều kiện làm việc khác nhau. Việc nghiên cứu này có ý nghĩa quan trọng trong việc cải thiện độ tin cậy và hiệu quả của hệ thống điều khiển lò hơi, góp phần nâng cao hiệu suất sản xuất và an toàn vận hành.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nhận dạng hệ thống phi tuyến, trong đó tập trung vào ba loại mô hình chính: mô hình song tuyến tính (Bilinear model), mô hình mạng nơron hồi quy (Recurrent Neural Network - RNN) và mô hình Wiener sử dụng mạng nơron (Wiener-Neural Network - WNN). Mô hình song tuyến tính là dạng mô hình trạng thái phi tuyến đơn giản, thể hiện sự tương tác giữa biến trạng thái và biến đầu vào qua các thành phần tích, giúp giảm số lượng tham số và tăng độ tin cậy khi số mẫu huấn luyện hạn chế. Mạng nơron hồi quy được sử dụng để mô phỏng các quan hệ phi tuyến phức tạp với khả năng lưu giữ thông tin quá khứ, tuy nhiên gặp phải hiện tượng vanishing gradient khi huấn luyện sâu. Mô hình Wiener kết hợp mô hình tuyến tính với khâu phi tuyến tĩnh được mô phỏng bằng mạng nơron truyền thẳng một lớp ẩn, giúp cải thiện độ chính xác dự báo và khắc phục nhược điểm của mạng nơron hồi quy trong nhận dạng động học. Các khái niệm chính bao gồm: phương pháp sai số dự báo (Prediction Error Method - PEM), thuật toán Newton, thuật toán di truyền (Genetic Algorithm - GA), thuật toán tối ưu bầy đàn (Particle Swarming Optimization - PSO), hiện tượng overfitting và tradeoff giữa bias và variance trong mô hình hóa.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ quá trình vận hành thực tế của lò hơi tại nhà máy nhiệt điện Phả Lại, bao gồm các biến đầu vào như mức nước, nhiệt độ, áp suất và các biến đầu ra phản ánh trạng thái hoạt động của lò hơi. Cỡ mẫu huấn luyện khoảng vài nghìn điểm dữ liệu được lựa chọn để đảm bảo tính đại diện và độ tin cậy. Phương pháp phân tích sử dụng chủ yếu là phương pháp sai số dự báo (PEM) kết hợp với các thuật toán tối ưu như Newton, GA và PSO nhằm ước lượng tham số mô hình phi tuyến. Quá trình nghiên cứu được thực hiện theo timeline gồm: khảo sát và phân tích đặc tính lò hơi, lựa chọn cấu trúc mô hình phi tuyến phù hợp, phát triển thuật toán nhận dạng ngoại tuyến, kiểm chứng mô hình trên dữ liệu thực nghiệm, sau đó xây dựng thuật toán nhận dạng trực tuyến cho mô hình song tuyến tính. Việc lựa chọn phương pháp phân tích dựa trên ưu điểm của PEM trong nhận dạng vòng kín và khả năng xử lý các mô hình phi tuyến phức tạp. Các thuật toán GA và PSO được sử dụng để tránh rơi vào cực trị địa phương trong quá trình tối ưu tham số.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của mô hình song tuyến tính: Mô hình song tuyến tính cho kết quả nhận dạng với sai số dự báo trung bình giảm khoảng 15% so với mô hình tuyến tính truyền thống, đồng thời thời gian tính toán giảm 20%, phù hợp với các ứng dụng nhận dạng trực tuyến.

2. Khả năng mô phỏng của mạng nơron hồi quy (RNN): Mạng RNN đạt độ chính xác dự báo cao hơn 25% so với mô hình song tuyến tính trong các điều kiện vận hành phức tạp, tuy nhiên gặp hiện tượng overfitting khi số lượng mẫu huấn luyện dưới 2000, dẫn đến sai số dự báo tăng lên 10% trên tập kiểm chứng.

3. Mô hình Wiener-Neural Network (WNN) cải thiện độ chính xác: WNN kết hợp mô hình tuyến tính và mạng nơron truyền thẳng giúp giảm sai số dự báo trung bình xuống còn khoảng 8%, thấp hơn 30% so với mô hình RNN thuần túy, đồng thời hạn chế hiện tượng vanishing gradient và overfitting.

4. So sánh nhận dạng ngoại tuyến và trực tuyến: Nhận dạng ngoại tuyến sử dụng thuật toán GA và PSO cho kết quả ổn định với sai số dự báo dưới 5%, trong khi nhận dạng trực tuyến với mô hình song tuyến tính và thuật toán sai số dự báo đệ quy đạt sai số dự báo khoảng 7%, đáp ứng yêu cầu điều khiển thời gian thực.

Thảo luận kết quả

Nguyên nhân chính của sự khác biệt hiệu quả giữa các mô hình là do cấu trúc và khả năng biểu diễn phi tuyến của từng mô hình. Mô hình song tuyến tính tuy đơn giản nhưng giới hạn trong việc mô phỏng các quan hệ phi tuyến phức tạp, dẫn đến sai số dự báo cao hơn trong các điều kiện vận hành đa dạng. Mạng nơron hồi quy có khả năng mô phỏng phi tuyến mạnh mẽ nhưng dễ bị overfitting khi dữ liệu huấn luyện không đủ lớn, đồng thời hiện tượng vanishing gradient làm giảm hiệu quả huấn luyện sâu. Mô hình Wiener-Neural Network tận dụng ưu điểm của mô hình tuyến tính và mạng nơron truyền thẳng, giúp cân bằng giữa độ chính xác và tính ổn định, phù hợp với đặc tính phức tạp của lò hơi. Kết quả này tương đồng với các nghiên cứu trong ngành điều khiển tự động, đồng thời minh họa qua các biểu đồ so sánh sai số dự báo và thời gian tính toán giữa các mô hình. Việc áp dụng phương pháp sai số dự báo kết hợp thuật toán tối ưu hiện đại đã nâng cao đáng kể chất lượng nhận dạng, đặc biệt trong môi trường vòng kín và dữ liệu có nhiễu.

Đề xuất và khuyến nghị

1. Triển khai mô hình Wiener-Neural Network trong hệ thống điều khiển lò hơi: Áp dụng mô hình WNN để cải thiện độ chính xác dự báo và ổn định điều khiển, hướng tới giảm sai số dự báo xuống dưới 10% trong vòng 12 tháng tới, do bộ phận kỹ thuật tự động hóa thực hiện.

2. Phát triển thuật toán nhận dạng trực tuyến dựa trên mô hình song tuyến tính: Tối ưu thuật toán sai số dự báo đệ quy để đáp ứng yêu cầu thời gian thực, giảm thời gian tính toán xuống dưới 1 giây mỗi chu kỳ, triển khai trong 6 tháng, do nhóm nghiên cứu điều khiển thực hiện.

3. Tăng cường thu thập và xử lý dữ liệu vận hành: Mở rộng bộ dữ liệu huấn luyện lên khoảng 5000 mẫu để giảm hiện tượng overfitting, đồng thời áp dụng kỹ thuật lọc nhiễu và chuẩn hóa dữ liệu, thực hiện liên tục trong quá trình vận hành, do bộ phận vận hành và phân tích dữ liệu phối hợp thực hiện.

4. Đào tạo và nâng cao năng lực cho kỹ sư vận hành: Tổ chức các khóa đào tạo về mô hình phi tuyến và thuật toán nhận dạng cho đội ngũ kỹ sư trong vòng 3 tháng, nhằm nâng cao khả năng vận hành và bảo trì hệ thống điều khiển mới, do phòng đào tạo và phát triển nhân sự đảm nhiệm.

Đối tượng nên tham khảo luận văn

1. Kỹ sư điều khiển và tự động hóa: Nắm bắt các phương pháp nhận dạng mô hình phi tuyến hiện đại, áp dụng vào thiết kế và tối ưu bộ điều khiển lò hơi, giúp nâng cao hiệu suất và độ ổn định hệ thống.

2. Nhà nghiên cứu trong lĩnh vực kỹ thuật điều khiển: Tham khảo các thuật toán tối ưu như GA, PSO kết hợp với phương pháp sai số dự báo, phục vụ phát triển các mô hình nhận dạng phức tạp cho hệ thống công nghiệp.

3. Quản lý vận hành nhà máy nhiệt điện: Hiểu rõ về đặc tính vận hành và mô hình hóa lò hơi, từ đó đưa ra các quyết định nâng cấp hệ thống điều khiển và bảo trì thiết bị phù hợp.

4. Sinh viên và học viên cao học chuyên ngành kỹ thuật điều khiển: Là tài liệu tham khảo quý giá về lý thuyết nhận dạng hệ thống phi tuyến, phương pháp thực nghiệm và ứng dụng thực tế trong công nghiệp.

Câu hỏi thường gặp

1. Phương pháp sai số dự báo (PEM) là gì và tại sao được ưu tiên trong nhận dạng lò hơi?
   PEM là phương pháp ước lượng tham số bằng cách tối thiểu hóa sai số dự báo giữa đầu ra thực và đầu ra mô hình. PEM không yêu cầu giả thiết về nhiễu trắng và phù hợp với nhận dạng vòng kín, giúp xử lý tốt các mô hình phi tuyến phức tạp trong lò hơi.

2. Mô hình song tuyến tính có ưu điểm gì so với các mô hình phi tuyến khác?
   Mô hình song tuyến tính có cấu trúc đơn giản, số lượng tham số thấp, dễ ước lượng và phù hợp với số mẫu huấn luyện hạn chế. Tuy nhiên, khả năng mô phỏng phi tuyến của nó hạn chế hơn so với mạng nơron.

3. Hiện tượng vanishing gradient ảnh hưởng thế nào đến mạng nơron hồi quy?
   Vanishing gradient làm cho các lớp đầu vào của mạng nơron hồi quy nhận được gradient rất nhỏ trong quá trình huấn luyện, dẫn đến việc cập nhật trọng số chậm và khó học được các mối quan hệ dài hạn trong dữ liệu.

4. Tại sao mô hình Wiener-Neural Network được đánh giá cao trong nghiên cứu này?
   Mô hình WNN kết hợp mô hình tuyến tính và mạng nơron truyền thẳng giúp cân bằng giữa độ chính xác và tính ổn định, khắc phục nhược điểm của mạng nơron hồi quy và giảm hiện tượng overfitting, phù hợp với đặc tính phức tạp của lò hơi.

5. Làm thế nào để hạn chế hiện tượng overfitting khi huấn luyện mô hình phi tuyến?
   Có thể tăng số lượng mẫu huấn luyện, áp dụng kỹ thuật dừng sớm (early stopping), thêm thành phần phạt vào hàm mục tiêu để kiểm soát độ phức tạp mô hình, và sử dụng các phương pháp đánh giá chéo (cross-validation) để đảm bảo tính tổng quát của mô hình.

Kết luận

• Đã xây dựng thành công các mô hình phi tuyến cho lò hơi, bao gồm mô hình song tuyến tính, mạng nơron hồi quy và mô hình Wiener-Neural Network, với độ chính xác dự báo cải thiện đáng kể so với mô hình tuyến tính truyền thống.
• Phương pháp sai số dự báo kết hợp với thuật toán tối ưu GA và PSO đã nâng cao hiệu quả nhận dạng, đặc biệt trong môi trường vòng kín và dữ liệu có nhiễu.
• Mô hình Wiener-Neural Network thể hiện sự cân bằng tốt giữa độ chính xác và tính ổn định, hạn chế hiện tượng overfitting và vanishing gradient.
• Thuật toán nhận dạng trực tuyến dựa trên mô hình song tuyến tính đáp ứng yêu cầu thời gian thực, mở ra hướng ứng dụng thực tế trong điều khiển lò hơi.
• Đề xuất triển khai các giải pháp mô hình và thuật toán nhận dạng trong hệ thống điều khiển lò hơi tại nhà máy nhiệt điện, đồng thời tăng cường thu thập dữ liệu và đào tạo nhân sự để nâng cao hiệu quả vận hành.

Tiếp theo, cần tiến hành thử nghiệm mở rộng trên các nhà máy nhiệt điện khác và phát triển thuật toán nhận dạng trực tuyến cho các mô hình phi tuyến phức tạp hơn. Mời các chuyên gia và kỹ sư trong lĩnh vực kỹ thuật điều khiển và tự động hóa tham khảo và áp dụng các kết quả nghiên cứu này để nâng cao hiệu quả điều khiển lò hơi trong thực tế.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG LÒ HƠI Phần đầu chương này trình bày khái quát về bài toán nhận dạng (hệ thống), phân loại các phương pháp nhận dạng thông dụng cũng như các bước cần tiến hành khi nhận dạng hệ thống. Phần tiếp theo của chương tóm lược một số kết quả trong lĩnh vực nhận dạng lò hơi; trên cơ sở đó xác định hướng tiếp cận và phương pháp nhận dạng sử dụng trong luận văn. Sơ lược về vấn đề nhận dạng 1. Tổng quan về phương pháp Đại đa số các phương pháp điều khiển đều dựa trên mô hình động học của đối tượng.

Công việc xây dựng các mô hình toán học mô tả các hệ động học có sử dụng các thông tin thu được từ hệ thống thực được gọi là nhận dạng hệ thống. Một cách khái quát nhất, việc mô hình hóa thường được tiếp cận theo một trong các hướng sau đây:  Phương pháp lý thuyết (còn được gọi là nhận dạng “hộp trắng”): dựa trên các quy luật vật lý, hóa học…, cùng với các thông số kỹ thuật của thiết bị để xác định cấu trúc mô hình và giá trị của các tham số. Phương pháp này có ích trong việc khảo sát đặc tính động học, xác định cấu trúc mô hình, thiết kế sách lược điều khiển nhưng ít phù hợp cho việc xác định các tham số mô hình. Trên thực tế, cách tiếp cận này ít được sử dụng do mức độ phức tạp, đòi hỏi hiểu biết sâu sắc hệ thống cũng như việc khó xác định chính xác các thông số kỹ thuật của thiết bị.

 Phương pháp thực nghiệm (còn được gọi là nhận dạng “hộp đen”): quan sát tín hiệu vào ra, phân tích số liệu thu được để xác định mô hình trực tiếp từ thực nghiệm. Phương pháp này có thể giúp ước lượng tương đối chính xác mô hình, nhưng đòi hỏi người dùng biết trước cấu trúc của mô hình cũng như dữ liệu đo phải đủ tin cậy. Trong nhiều trường hợp dữ liệu đo chịu nhiều ảnh hưởng của nhiễu hoặc 4 mô hình phức tạp, số lượng tham số cần xác định lớn, phương pháp này tỏ ra kém chính xác.  Phương pháp kết hợp lý thuyết và thực nghiệm (còn gọi là nhận dạng “hộp xám”): kết hợp việc phân tích lý thuyết và phân tích dữ liệu thực nghiệm.

Nhờ đó, phương pháp này kế thừa ưu điểm của cả hai phương pháp nêu trên, giúp thu được mô hình có độ chính xác cao nhưng vẫn đảm bảo được tính đơn giản và tin cậy. Phân loại các phương pháp nhận dạng Các phương pháp nhận dạng được phân loại dựa trên nhiều tiêu chí, bao gồm: a. Theo dạng mô hình được sử dụng  Mô hình liên tục (continuous-time model): mối quan hệ giữa các đại lượng đặc trưng cho quá trình được mô tả bằng một hệ các phương trình vi phân trên miền thời gian liên tục.  Mô hình gián đoạn (discrete-time model): mối quan hệ giữa các đại lượng đặc trưng cho quá trình được mô tả bằng một hệ các phương trình sai phân trên miền thời gian gián đoạn.

Do dữ liệu thu được trong thực nghiệm đều là dữ liệu trên miền gián đoạn, nên mô hình gián đoạn thường được sử dụng trong thực nghiệm.  Mô hình tuyến tính (linear model): mối quan hệ giữa các đại lượng đặc trưng cho quá trình được mô tả bằng một hệ phương trình tuyến tính. Mô hình tuyến tính được ưa chuộng do sự phát triển của các phương pháp điều khiển tuyến tính.  Mô hình phi tuyến (nonlinear model): mối quan hệ giữa các đại lượng đặc trưng cho quá trình được mô tả bằng một hệ phương trình trong đó có ít nhất một yếu tố phi tuyến.

 Mô hình vào ra (input – output model): mô tả mối quan hệ giữa các biến vào – ra thay vì các liên kết nội tại bên trong hệ thống.  Mô hình trạng thái (state – space model): mô tả mối quan hệ giữa các biến vào – ra thông qua các biến trạng thái. Theo điều kiện thực nghiệm  Nhận dạng chủ động: tác động tín hiệu kích thích ở biến đầu vào hoặc đầu ra sao cho phù hợp với đặc tính động học của quá trình, làm tăng độ tin cậy và chất lượng cho dữ liệu. Phương pháp này có thể khá tốn kém và không khả thi với các quá trình đang vận hành ổn định.

 Nhận dạng bị động: sử dụng các số liệu thu được trong lúc hệ thống đang vận hành mà không làm ảnh hưởng nhiều đến quá trình công nghệ. Phương pháp này có thể không đảm bảo tính bền (giàu thông tin) nếu sự thay đổi của tín hiệu kích thích là quá nhỏ hoặc quá đơn giản so với đặc tính động học của quá trình thực.  Nhận dạng vòng hở (open-loop identification): thu thập dữ liệu khi hệ thống bị cách li khỏi vòng điều khiển. Phương pháp này có thể không đảm bảo tính ổn định và chất lượng khi đang vận hành quá trình công nghệ.

 Nhận dạng vòng kín (closed-loop identification): thu thập dữ liệu trong khi hệ thống vẫn làm việc ổn dịnh dưới sự điều khiển của các bộ điều khiển. Mặc dù có thể đảm bảo tính ổn định của quá trình công nghệ, phương pháp có thể gây khó khăn khi sử dụng một số thuật toán nhận dạng, do sự tương quan ngược giữa các biến vào ra thông qua việc phản hồi.  Nhận dạng trực tiếp (direct identification): sử dụng giá trị các biến vào – ra của hệ thống, không cần thông tin chính xác về bộ điều khiển. Tuy nhiên, nếu quá trình nhận dạng được thực hiện trong vòng kín, cần lưu ý đến tính nhất quán và hội tụ của phương pháp nhận dạng.

 Nhận dạng gián tiếp (indirect identification): sử dụng giá trị các biến vào – ra của hệ thống và mô hình chính xác của bộ điều khiển. Phương pháp này có thể được áp dụng cho bài toán nhận dạng trong vòng kín, nhưng đòi hỏi thông tin về bộ điều khiển phải chính xác.  Nhận dạng vào ra cùng nhau (joint input-output identification): sử dụng giá trị các biến vào – ra của hệ thống lẫn giá trị đặt của bộ điều khiển để nhận dạng cùng lúc mô hình hệ kín và mô hình bộ điều khiển. Từ đó có thể tính được mô hình của hệ hở, vì vậy khắc phục được nhược điểm của phương pháp nhận dạng gián tiếp.

Theo yêu cầu công nghệ:  Nhận dạng ngoại tuyến (offline identification): tiến hành thu thập toàn bộ dữ liệu trước, sau đó mới tiến hành nhận dạng, kiểm chứng trên tập dữ liệu đã thu được.  Nhận dạng trực tuyến (online identification): thu thập dữ liệu và tiến hành nhận dạng đồng thời để phục vụ việc chỉnh định trực tuyến, liên tục cho bộ điều khiển hoặc tối ưu hóa theo thời gian thực. Theo phương pháp ước lượng tham số  Phương pháp bình phương cực tiểu (least-squares)  Phương pháp phân tích tương quan (correlation analysis)  Phương pháp phân tích phổ (spectrum analysis)  Phương pháp biến phụ (instrumental variable)  Phương pháp xác suất cực đại (maximum likelihood)  Phương pháp sai số dự báo (prediction error method)  Phương pháp không gian con (subspace method) Về mặt tư tưởng, các phương pháp này có thể độc lập nhưng về bản chất không hoàn toàn khác biệt; nhiều khi chúng còn là dẫn xuất của nhau. Mỗi phương pháp đều có ưu nhược điểm riêng, do đó tùy theo từng đối tượng, yêu cầu và hoàn cảnh sự dụng cụ thể, chúng ta khó có thể khẳng định sự vượt trội tuyệt đối của riêng một phương pháp nào.

Các bước tiến hành nhận dạng i. Thu thập số liệu và khai thác thông tin ban đầu về quá trình: mô tả các quá trình vật lý, hóa học xảy ra bên trong đối tượng, các thông số vận hành, các giới hạn trên và dưới của các đại lượng có liên quan… Từ đó xác định các biến vào ra cần quan tâm, các điều kiện biên và các giả thiết có liên quan. Lựa chọn phương pháp nhận dạng: tùy theo từng trường hợp cụ thể, lựa chọn phương pháp nhận dạng phù hợp, chẳng hạn như nhận dạng trực tuyến/ngoại tuyến, 7 nhận dạng vòng hở/vòng kín, nhận dạng chủ động/bị động, thuật toán ước lượng tham số và tiêu chuẩn đánh giá chất lượng mô hình. Thu thập số liệu thực nghiệm: thu thập dữ liệu để thỏa mãn được mối quan hệ vào ra giữa các biến, xử lý thô các số liệu nhằm loại bỏ những giá trị đo kém tin cậy, lọc nhiễu, chuẩn hóa.

Xác định dạng và cấu trúc mô hình: từ yêu cầu về mục đích sử dụng mô hình và khả năng ứng dụng của phương pháp nhận dạng, chọn dạng mô hình (phi tuyến/tuyến tính, liên tục /gián đoạn…). Đưa ra các giả thiết ban đầu về cấu trúc mô hình (bậc tử số, mẫu số của hàm truyền đạt, có hay không có trễ. Xác định tham số mô hình: ước lượng giá trị các tham số của mô hình theo phương pháp, thuật toán đã chọn. Nếu tiến hành theo từng mô hình con (ví dụ từng kênh vào ra, từng khâu trong quá trình) thì sau đó cần kết hợp chúng lại thành một mô hình tổng thể.

Mô phỏng, kiểm chứng và đánh giá mô hình: thực hiện mô phỏng để kiểm chứng độ chính xác. Việc kiểm chứng thông thường được thực hiện bằng việc sử dụng mô hình để mô phỏng dữ liệu vào ra, sau đó kết quả thu được sẽ đem so với bộ dữ liệu vào ra thu thập được từ thực nghiệm. Dữ liệu thực tế dùng để kiểm chứng phải là bộ dữ liệu khác với bộ dữ liệu dùng để tính toán thiết lập mô hình. Lịch sử nghiên cứu trong lĩnh vực nhận dạng lò hơi Từ những năm 1950 đến nay, đã có rất nhiều công trình bàn về lĩnh vực mô hình hóa lò hơi, trong đó phổ biến nhất là hướng tiếp cận nhận dạng hộp đen và hộp xám.

Theo hướng nhận dạng hộp đen, đa phần các công trình nghiên cứu xoay quanh việc sử dụng mô hình vảo – ra dạng đa thức như ARX, OE hoặc ARMAX (Vasqueza, 2008 [29] và Inoue, 2002 [15]). Ngoài ra, các công trình sử dụng mạng nơron để mô phỏng hoạt động của lò hơi cũng đã được ghi nhận (Irwin, 1995 [16] và Rusinowski , 2007 [28]). Nhìn chung, phương pháp nhận dạng hộp đen tuy mang tính trực tiếp và có thể chính xác nhưng kéo theo đó là sự phức tạp do số lượng các 8 tham số trong mô hình lớn cũng như độ tin cậy bị hạn chế theo điều kiện thực nghiệm. Theo hướng nhận dạng hộp xám, tiêu biểu có thể kể đến công trình của Astrom (2000) [7], trong đó mô tả đặc tính của bao hơi tương đối chính xác sử dụng mô hình phi tuyến.