Báo Cáo Nghiên Cứu: Ứng Dụng Mạng Nơ-Ron Tích Chập (AlexNet) Nhận Diện Lỗi Mạch Chỉnh Lưu Hỗ Trợ Đào Tạo Kỹ Thuật

Tóm tắt nghiên cứu (Research Summary)

  • Câu hỏi nghiên cứu chính (Research Question): Làm thế nào để tự động hóa quy trình chẩn đoán, phát hiện sai sót trong lắp ráp và đo đạc mạch chỉnh lưu dựa trên phân tích ảnh dạng sóng ngõ ra, qua đó nâng cao chất lượng hướng dẫn thực hành kỹ thuật Điện – Điện tử?
  • Phương pháp tiếp cận (Methodology Snapshot): Đề tài ứng dụng kỹ thuật Học chuyển giao (Transfer Learning) trên nền tảng mạng nơ-ron tích chập AlexNet thông qua công cụ Deep Learning Toolbox của MATLAB. Dữ liệu huấn luyện gồm các dạng sóng điện áp được trích xuất có hệ thống từ phần mềm mô phỏng mạch chuyên dụng PSIM cho ba dạng mạch chuẩn: chỉnh lưu bán kỳ, chỉnh lưu toàn kỳ điểm giữa và chỉnh lưu cầu.
  • Phát hiện cốt lõi (Key Findings): Mô hình huấn luyện đạt độ chính xác cao và tốc độ phân loại vượt trội; nhận diện chuẩn xác các lỗi điển hình từ thao tác lắp ngược que đo dao động ký, thiếu/mất Diode, phân cực ngược Diode đến các lỗi phức tạp như ngắn mạch, hở mạch hoặc lỗi kết hợp đa thành phần.
  • Hàm ý thực tiễn (Implications): Nghiên cứu mở ra giải pháp chuyển đổi số hiệu quả trong công tác trợ giảng thực hành (Virtual Lab Assistant), hỗ trợ sinh viên tự kiểm tra, sửa lỗi mạch trực quan và giảm tải áp lực giám sát cho giảng viên tại các phòng thí nghiệm kỹ thuật.

Bối cảnh và tầm quan trọng (Context & Significance)

Hiện trạng và khoảng trống nghiên cứu (Research Gap)

Trong chương trình đào tạo khối ngành Kỹ thuật – Công nghệ, đặc biệt là ngành Kỹ thuật Điện – Điện tử, các học phần thực hành mạch điện tử công suất và mạch chỉnh lưu đóng vai trò nền tảng. Khi thực hiện thí nghiệm đo đạc dạng sóng điện áp trên dao động ký (Oscilloscope), sinh viên thường gặp phải nhiều lỗi kỹ thuật như: đảo cực que đo, gắn sai chiều Diode, đứt mạch hoặc thiếu linh kiện.

Tuy nhiên, với sĩ số lớp học đông trong khi số lượng giảng viên hướng dẫn có hạn, việc hỗ trợ từng sinh viên phân tích nguyên nhân dạng sóng sai lệch mất rất nhiều thời gian. Đa số các nghiên cứu thị giác máy tính và trí tuệ nhân tạo (AI) trong nước trước đây chủ yếu tập trung vào nhận dạng khuôn mặt, biển số xe hoặc chữ viết số hóa; việc ứng dụng Deep Learning vào chẩn đoán lỗi tín hiệu dạng sóng phục vụ giáo dục thực hành kỹ thuật tại Việt Nam gần như chưa được khai thác bài bản.

Tính cấp thiết và tiềm năng ứng dụng

Đề tài nghiên cứu khoa học sinh viên (Mã số: SV2021-36) do nhóm tác giả Bùi Xuân Lực và Hồ Viết Lời thực hiện dưới sự hướng dẫn của TS. Lê Hoàng Minh tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) đã trực tiếp giải quyết khoảng trống này.

Việc tích hợp công nghệ AI vào giảng dạy không chỉ cụ thể hóa định hướng đổi mới căn bản giáo dục đại học theo tinh thần Cách mạng Công nghiệp 4.0, mà còn tạo ra một công cụ chẩn đoán lỗi tức thời, giúp người học phát triển tư duy phân tích mạch và năng lực tự khắc phục sự cố.

Phương pháp luận và cách tiếp cận (Methodology & Approach)

Thiết kế nghiên cứu và Thu thập cơ sở dữ liệu

Nghiên cứu lựa chọn 3 cấu hình mạch chỉnh lưu chuẩn được giảng dạy tại phòng thực hành D302 (Khoa Điện – Điện tử, HCMUTE):

  1. Mạch chỉnh lưu bán kỳ (Half-wave Rectifier): Gồm các trạng thái mạch chuẩn, lắp ngược đầu que đo, mất Diode, mất Diode kết hợp ngược que đo, hở mạch, lắp ngược chiều Diode, lắp ngược Diode kết hợp ngược que đo.
  2. Mạch chỉnh lưu cầu (Bridge Rectifier): Gồm mạch chuẩn, lắp ngược que đo, thiếu 1 Diode ở nhánh âm/dương, thiếu 2 Diode, hở mạch hoặc chập mạch.
  3. Mạch chỉnh lưu toàn kỳ có điểm giữa (Full-wave Center-tapped Rectifier): Gồm mạch chuẩn, ngược que đo, thiếu 1 hoặc 2 Diode, hở mạch và ngược chiều Diode.

[!NOTE] Do điều kiện dịch bệnh, toàn bộ cơ sở dữ liệu ảnh dạng sóng (dao động từ 250 – 400 ảnh cho mỗi nhóm mạch) được khởi tạo và thu thập chuẩn hóa thông qua phần mềm mô phỏng mạch điện tử PSIM, đảm bảo tính phong phú và đầy đủ của các kịch bản lỗi đo đạc thực tế.

Kiến trúc mô hình mạng và Kỹ thuật học chuyển giao (Transfer Learning)

Để tối ưu hóa thời gian tính toán và giảm thiểu dung lượng lưu trữ nhưng vẫn đảm bảo độ chính xác cao, đề tài lựa chọn kiến trúc mạng AlexNet – một mạng nơ-ron tích chập (CNN) sâu gồm 8 lớp (5 lớp Convolutional và 3 lớp Fully Connected).

[Ảnh đầu vào: 227x227x3]
[5 lớp Tích chập + ReLU + Max Pooling]  <-- Kế thừa trọng số học từ ImageNet
[Fully Connected Layer (Đã chỉnh sửa)]  <-- Cấu hình lại kích thước ngõ ra (OutputSize)
[Softmax & Classification Output]       <-- Phân loại đúng nhãn lỗi mạch cụ thể
  • Điều chỉnh cấu trúc mạng: Giữ nguyên các lớp trích xuất đặc trưng cơ sở từ AlexNet đã được tiền huấn luyện trên 1 triệu ảnh tự nhiên. Tiến hành loại bỏ và thay thế 2 lớp cuối cùng (Fully Connected Layer và Output Classification Layer) để tương thích với số lượng nhãn lỗi của từng bài toán cụ thể (ví dụ: OutputSize = 7 cho bài toán chỉnh lưu bán kỳ).
  • Thiết lập tham số huấn luyện (Training Options):
    • Tốc độ học ban đầu (InitialLearnRate): $0.0001$ (giúp quá trình học tại các tầng mới diễn ra ổn định, không phá vỡ đặc trưng kế thừa).
    • Tần số kiểm định (ValidationFrequency): $7$ chu kỳ.
    • Số mảng huấn luyện (MaxEpochs): $8$ epochs.
    • Kích thước lô (MiniBatchSize): $35$ mẫu (chia tập dữ liệu 70% huấn luyện và 30% xác thực ngẫu nhiên).

Phát hiện chính và Kết quả thực nghiệm (Major Findings)

Nhóm mạch chỉnh lưu Số lượng ảnh mẫu Số kịch bản lỗi nhận diện Độ ổn định hội tụ
Chỉnh lưu bán kỳ ~250 - 300 7 trạng thái lỗi & chuẩn Hội tụ nhanh trong 8 Epochs
Chỉnh lưu cầu ~350 - 400 8 trạng thái lỗi & chuẩn Tối ưu hóa phân lớp tốt
Chỉnh lưu toàn kỳ ~250 - 300 6 trạng thái lỗi & chuẩn Nhận diện chính xác 100% mẫu test

1. Hiệu năng vượt trội của phương pháp biểu diễn tín hiệu dưới dạng ảnh

Nghiên cứu chứng minh rằng việc chuyển đổi bài toán phân tích chuỗi thời gian tín hiệu điện áp sang bài toán thị giác máy tính 2D cho phép AlexNet khai thác triệt để các đặc trưng hình học (độ dốc, tính đối xứng bán kỳ, điểm cắt không, biên độ đỉnh). Mạng có khả năng tách biệt hoàn hảo giữa dạng sóng đúng và các biến thể sóng dị thường.

2. Khả năng phân biệt rạch ròi giữa lỗi thao tác và lỗi linh kiện

Một phát hiện quan trọng là mô hình không bị nhầm lẫn giữa lỗi do thiết bị đo (ví dụ: ngược que đo làm đảo ngược pha hiển thị $180^\circ$) và lỗi cấu trúc phần cứng (ví dụ: mất Diode làm mất hoàn toàn một nửa chu kỳ dẫn). Việc phân lập chính xác này giúp sinh viên hiểu rõ bản chất vật lý của mạch điện.

3. Giải quyết chính xác các lỗi tổ hợp phức tạp

Các trường hợp đa sự cố (như vừa thiếu Diode vừa đảo ngược que đo hay lắp ngược chiều Diode kết hợp sai cực tính que đo) vốn gây bối rối lớn cho sinh viên trong quá trình thực hành đều được mô hình định danh chuẩn xác, đưa ra chẩn đoán nguyên nhân gốc rễ thay vì chỉ báo lỗi chung chung.

4. Tối ưu hóa tài nguyên phần mềm và Giao diện người dùng (GUI)

Nhóm nghiên cứu đã đóng gói toàn bộ thuật toán vào giao diện đồ họa MATLAB GUI trực quan:

  • Tích hợp chức năng chọn loại mạch và nạp ảnh sóng từ dao động ký.
  • Nút bấm "Nhận diện" tự động xuất kết luận phân loại kèm hình ảnh Sơ đồ nguyên lý chuẩn bên dưới để người học tự đối chiếu và sửa sai.
  • Tích hợp tài liệu chú thích nhãn lỗi định dạng HTML/HTM giúp giải thích chi tiết hiện tượng mạch một cách khoa học.

Đóng góp khoa học và Giá trị thực tiễn (Contributions)

Đóng góp về mặt lý thuyết và phương pháp luận

  • Phương pháp luận thị giác trong chẩn đoán tín hiệu: Khẳng định tính hiệu quả của phương pháp Transfer Learning áp dụng trên ảnh dạng sóng dao động ký mà không cần trải qua các bước xử lý số tín hiệu phức tạp như biến đổi Wavelet hay biến đổi Fourier (FFT).
  • Quy chuẩn hóa cơ sở dữ liệu lỗi mạch: Xây dựng bộ thư viện hình ảnh lỗi hoàn chỉnh, có hệ thống cho các mạch biến đổi AC-DC cơ bản, đóng vai trò tài liệu tham khảo giá trị cho các nghiên cứu tiếp theo.

Giá trị thực tiễn trong giáo dục và đào tạo

  • Nâng cao hiệu quả dạy và học: Đóng vai trò như một người trợ giảng ảo 24/7, giúp sinh viên tự tin thực hành, giảm thiểu nguy cơ hỏng hóc thiết bị thực tế do cắm nhầm mạch kéo dài.
  • Tiết kiệm chi phí đầu tư: Phần mềm chạy nhẹ nhàng trên cấu hình máy tính văn phòng tiêu chuẩn, không đòi hỏi hệ thống máy chủ GPU đắt tiền, dễ dàng triển khai đại trà tại các phòng máy thực hành khoa Điện – Điện tử.

Đối tượng hưởng lợi và Khả năng ứng dụng (Target Audience)

  • Giảng viên và Kỹ thuật viên phòng thí nghiệm: Sử dụng như một công cụ hỗ trợ chấm điểm, đánh giá mức độ thuần thục của sinh viên trong các buổi thi thực hành hoặc hướng dẫn thí nghiệm bán tự động.
  • Sinh viên Đại học – Cao đẳng khối ngành Kỹ thuật: Đặc biệt là sinh viên các ngành Điện tử công nghiệp, Kỹ thuật Điện tử – Viễn thông, Cơ điện tử và Tự động hóa sử dụng để ôn tập, tự học và tự kiểm tra kiến thức mạch.
  • Các nhà phát triển công nghệ giáo dục (EdTech): Mô hình kết nối giữa PSIM, MATLAB và Deep Learning trong đề tài là tài liệu tham khảo hữu ích để xây dựng các phòng thí nghiệm ảo (Virtual Lab / Remote Lab) tích hợp trí tuệ nhân tạo.

Câu hỏi thường gặp (FAQ)

1. Điểm đột phá lớn nhất của đề tài nghiên cứu này là gì?

Đề tài đã tiên phong ứng dụng thành công kỹ thuật học sâu (Transfer Learning với AlexNet) để tự động hóa hoàn toàn việc chẩn đoán và phân loại lỗi mạch điện tử từ ảnh chụp dạng sóng dao động ký, giải quyết triệt để bài toán hỗ trợ thực hành tại trường đại học.

2. Tại sao nhóm nghiên cứu lại chọn AlexNet thay vì các mạng mới hơn như ResNet hay VGG?

AlexNet sở hữu kiến trúc 8 lớp tinh gọn, kích thước mô hình nhỏ và tốc độ huấn luyện rất nhanh. Với tập dữ liệu ảnh dạng sóng có cấu trúc đường nét rõ ràng, AlexNet hoàn toàn đáp ứng độ chính xác tiệm cận 100% mà không gây lãng phí tài nguyên tính toán như các mạng sâu hàng trăm lớp.

3. Dữ liệu huấn luyện từ mô phỏng PSIM có thể áp dụng cho dạng sóng thực tế trên dao động ký không?

Hoàn toàn có thể. Dạng sóng mô phỏng trên PSIM phản ánh chính xác các đặc tính vật lý lý thuyết của mạch. Tuy nhiên, khi chuyển sang môi trường thực tế có nhiễu đo và suy hao linh kiện, chỉ cần bổ sung thêm một tập nhỏ ảnh thực tế (Fine-tuning) là mô hình sẽ đạt độ thích ứng hoàn hảo.

4. Hướng phát triển tiếp theo của nghiên cứu là gì?

Tích hợp camera chụp trực tiếp màn hình dao động ký trong thời gian thực, mở rộng bộ cơ sở dữ liệu sang các mạch công suất nâng cao (mạch băm xung PWM, nghịch lưu Inverter, chỉnh lưu điều khiển dùng Thyristor/SCR) và phát triển ứng dụng di động (Mobile App) cho sinh viên.

5. Phần mềm hỗ trợ người học sửa lỗi mạch như thế nào?

Ngay khi phát hiện dạng sóng lỗi, phần mềm không chỉ xuất tên lỗi mà còn hiển thị trực tiếp sơ đồ nguyên lý chuẩn cùng chú thích kỹ thuật (qua file HTML tích hợp), hướng dẫn người học vị trí cắm que đo đúng hoặc linh kiện cần thay thế.

Kết luận (Conclusion)

Đề tài nghiên cứu khoa học "Thiết kế và thi công phần mềm nhận diện lỗi trong mạch chỉnh lưu hỗ trợ công tác giảng dạy và hướng dẫn thực hành" (Mã số: SV2021-36) của sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM là một minh chứng xuất sắc cho việc ứng dụng trí tuệ nhân tạo giải quyết các vấn đề thực tiễn trong giáo dục kỹ thuật.

Bằng việc kết hợp nhuần nhuyễn giữa kiến thức chuyên ngành Điện – Điện tử và công nghệ Học sâu (AlexNet Transfer Learning), công trình đã tạo ra một giải pháp trợ giảng số hóa hiệu quả, trực quan và có độ chính xác cao. Đây chính là tiền đề vững chắc hướng tới xây dựng các hệ sinh thái phòng thực hành thông minh (Smart Laboratories) trong tương lai.