Luận văn thạc sĩ HCMUTE về thiết kế hệ thống cảm biến mềm đo tốc độ động cơ DC

Luận văn thạc sĩ phân tích hcmute thiết kế hệ thống cảm biến mềm đo tốc độ động cơ dc, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Nguyễn Đức Tài
• Người hướng dẫn: PGS. Ngô Văn Thuyên
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Thiết Kế Hệ Thống Cảm Biến Mềm Đo Tốc Độ Động Cơ DC
• Loại tài liệu: luận văn
• Năm xuất bản: 2020
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• MỤC LỤC
• DANH SÁCH CHỮ VIẾT TẮT
• DANH SÁCH HÌNH
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mục tiêu và giới hạn đề tài
• 1.2. Phương pháp nghiên cứu
• 1.3. Nội dung luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về cảm biến mềm
• 2.2. Phương pháp xây dựng hệ thống cảm biến mềm
• 2.2.1. Lựa chọn và xử lý dữ liệu
• 2.2.2. Xây dựng mô hình và lựa chọn hồi quy
• 2.2.3. Xác thực mô hình
• 2.3. Phương pháp sử dụng bộ lọc Kalman trong lọc nhiễu tín hiệu
• 2.3.1. Tổng quan về bộ lọc Kalman
• 2.3.2. Bộ lọc Kalman rời rạc
• 2.4. Phân tích tương quan
• 2.4.1. Tương quan tuyến tính
• 2.5. Mô Hình Toán Học Động Cơ DC
• 2.6. Các phương pháp điều khiển động cơ DC
• 2.6.1. Điều khiển điện áp phần ứng
• 2.6.2. Điều khiển bằng từ thông
• 2.6.3. Điều khiển điện trở phần ứng
• 2.7. Cấu trúc cơ bản của hệ thống điều khiển tốc độ động cơ
• 2.7.1. Bộ điều khiển tốc độ với khâu tích phân và tỉ lệ
• 2.7.2. Bộ điều khiển dòng điện
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH
• 3.1. Lựa chọn dữ liệu
• 3.2. Lựa chọn mô hình
• 3.2.1. Mô hình ARX
• 3.2.2. Mô hình ARMAX
• 3.2.3. So sánh mô hình ARX và ARMAX
• 4. CHƯƠNG 4: THI CÔNG VÀ ĐÁNH GIÁ
• 4.1. Thu thập dữ liệu
• 4.2. Lọc nhiễu tín hiệu
• 4.3. Kết quả đạt được
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• CHƯƠNG TRÌNH CHÍNH
• NỘI DUNG BÀI BÁO

Tóm tắt

I. Tổng quan về động cơ DC

Động cơ DC là một trong những loại động cơ điện phổ biến, được sử dụng rộng rãi trong nhiều ứng dụng khác nhau như xe điện, máy khoan cầm tay và trong lĩnh vực y tế. Mặc dù động cơ AC đang dần thay thế động cơ DC, nhưng động cơ DC vẫn giữ vai trò quan trọng do cấu tạo đơn giản và chi phí vận hành thấp. Việc điều khiển tốc độ động cơ DC thường yêu cầu sử dụng Encoder, điều này làm cho hệ thống trở nên cồng kềnh và phức tạp. Do đó, nghiên cứu và phát triển các phương pháp đo tốc độ gián tiếp trở thành một chủ đề quan trọng. Các phương pháp này không chỉ giúp giảm kích thước hệ thống mà còn tiết kiệm chi phí bảo trì và lắp đặt. Theo thống kê, từ năm 2010 đến nay, có hơn 747 bài báo nghiên cứu về cảm biến mềm được công bố, cho thấy sự quan tâm lớn từ cộng đồng khoa học.

1.1. Ứng dụng của động cơ DC

Động cơ DC được ứng dụng trong nhiều lĩnh vực như công nghiệp, y tế và điện tử. Chúng có khả năng hoạt động hiệu quả trong các điều kiện khác nhau và dễ dàng điều khiển. Đặc biệt, trong các ứng dụng yêu cầu độ chính xác cao về tốc độ và vị trí, động cơ DC vẫn là lựa chọn hàng đầu. Việc sử dụng Encoder để đo tốc độ là phổ biến, nhưng cũng gây ra một số hạn chế về kích thước và chi phí. Do đó, việc phát triển các phương pháp đo tốc độ gián tiếp là cần thiết để tối ưu hóa hiệu suất và giảm thiểu chi phí.

II. Thiết kế hệ thống cảm biến mềm

Hệ thống cảm biến mềm được thiết kế nhằm mục đích ước lượng tốc độ động cơ DC mà không cần sử dụng Encoder. Các bước thiết kế bao gồm lựa chọn dữ liệu, xây dựng mô hình và xác thực mô hình. Lựa chọn dữ liệu là bước quan trọng, yêu cầu sự tham khảo từ các chuyên gia để đảm bảo tính chính xác và độ tin cậy. Mô hình ARX được chọn làm mô hình chính cho hệ thống, vì nó cho phép ước lượng tốc độ dựa trên các đại lượng như dòng điện, điện áp và tốc độ trước đó. Việc xác thực mô hình là bước cuối cùng để đảm bảo rằng hệ thống hoạt động hiệu quả và chính xác.

2.1. Các bước thiết kế cảm biến mềm

Quá trình thiết kế cảm biến mềm bao gồm nhiều bước quan trọng. Đầu tiên, lựa chọn dữ liệu từ các nguồn có sẵn là cần thiết để xây dựng mô hình. Tiếp theo, việc xây dựng cấu trúc mô hình phải dựa trên mục đích sử dụng và các điều kiện thực tế. Cuối cùng, xác thực mô hình giúp kiểm tra tính chính xác và hiệu quả của hệ thống. Các mô hình như ARX và ARMAX được so sánh để tìm ra mô hình phù hợp nhất cho việc ước lượng tốc độ động cơ DC.

III. Kết quả và đánh giá

Kết quả thực nghiệm cho thấy hệ thống cảm biến mềm sử dụng mô hình ARX có thể ước lượng tốc độ động cơ DC với độ chính xác tương đương với hệ thống sử dụng Encoder. Các thí nghiệm được thực hiện trên động cơ DC thực tế với nhiều trạng thái tải khác nhau, cho thấy tính khả thi và hiệu quả của hệ thống. Việc so sánh giữa các mô hình cho thấy mô hình ARX là lựa chọn tối ưu cho việc ước lượng tốc độ. Hệ thống này không chỉ giúp giảm thiểu chi phí mà còn nâng cao hiệu suất hoạt động của động cơ DC.

3.1. Đánh giá hiệu quả hệ thống

Hệ thống cảm biến mềm đã chứng minh được hiệu quả trong việc ước lượng tốc độ động cơ DC. Kết quả thực nghiệm cho thấy sai số giữa tốc độ ước lượng và tốc độ thực tế là rất nhỏ, cho thấy tính chính xác cao của mô hình ARX. Hệ thống này có thể thay thế hoàn toàn cảm biến Encoder trong nhiều ứng dụng, đặc biệt là trong các hệ thống yêu cầu tính nhỏ gọn và chi phí thấp. Điều này mở ra nhiều cơ hội ứng dụng mới cho động cơ DC trong các lĩnh vực công nghiệp và y tế.

Nội dung chính

Tổng quan nghiên cứu

Động cơ một chiều (DC) vẫn giữ vai trò quan trọng trong nhiều lĩnh vực như xe điện, máy khoan cầm tay và y tế, mặc dù đã dần được thay thế bởi động cơ xoay chiều (AC). Theo báo cáo ngành, động cơ DC có cấu tạo đơn giản, dễ điều khiển và chi phí bảo trì thấp hơn nhiều so với động cơ AC, làm cho chúng trở thành lựa chọn ưu việt trong các ứng dụng yêu cầu kích thước nhỏ gọn và chi phí vận hành thấp. Tuy nhiên, việc đo tốc độ động cơ DC thường sử dụng bộ Encoder gắn trực tiếp lên trục quay, dẫn đến hệ thống trở nên cồng kềnh, phức tạp và tốn kém chi phí bảo trì.

Mục tiêu của luận văn là thiết kế một hệ thống cảm biến mềm để ước lượng tốc độ động cơ DC công suất dưới 150W, thay thế cho bộ Encoder truyền thống. Nghiên cứu tập trung vào việc xây dựng mô hình toán học dựa trên mô hình ARX (Auto-Regressive eXternal Input Model) kết hợp với các đại lượng dòng điện, điện áp và tốc độ trước đó để ước lượng tốc độ động cơ. Phạm vi nghiên cứu thực hiện tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh trong giai đoạn 2017-2020, với các thử nghiệm trên động cơ DC thực tế dưới nhiều trạng thái tải khác nhau.

Ý nghĩa của nghiên cứu thể hiện qua việc giảm thiểu kích thước, chi phí và độ phức tạp của hệ thống đo tốc độ động cơ, đồng thời nâng cao độ tin cậy và khả năng ứng dụng trong các thiết bị điện tử y sinh và công nghiệp nhỏ gọn. Kết quả nghiên cứu có thể góp phần thúc đẩy ứng dụng cảm biến mềm trong điều khiển động cơ, cải thiện hiệu suất và giảm chi phí bảo trì cho các hệ thống sử dụng động cơ DC.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: cảm biến mềm và mô hình toán học động cơ DC. Cảm biến mềm là công cụ ước lượng các biến vật lý không đo trực tiếp dựa trên các biến đo được, giúp giảm chi phí và tăng độ tin cậy hệ thống. Các khái niệm chính bao gồm:

• Mô hình ARX: Mô hình tuyến tính sử dụng dữ liệu đầu vào và đầu ra quá khứ để dự đoán giá trị hiện tại, phù hợp với hệ thống có đặc tính gần ổn định.
• Mô hình ARMAX: Mở rộng mô hình ARX bằng cách thêm thành phần sai số động, giúp mô hình hóa tốt hơn các hệ thống có nhiễu.
• Bộ lọc Kalman: Thuật toán ước lượng trạng thái tối ưu cho hệ thống tuyến tính rời rạc, được sử dụng để lọc nhiễu tín hiệu và cải thiện độ chính xác của dữ liệu đo.
• Phân tích tương quan: Phương pháp thống kê để xác định mối quan hệ giữa các biến đầu vào và đầu ra, giúp lựa chọn dữ liệu phù hợp cho mô hình.

Ngoài ra, các lý thuyết về điều khiển động cơ DC như điều khiển điện áp phần ứng, điều khiển từ thông và điều khiển điện trở phần ứng cũng được nghiên cứu để hiểu rõ đặc tính và cách vận hành của động cơ.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ các thí nghiệm thực tế trên động cơ DC công suất dưới 150W tại phòng thí nghiệm của Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Cỡ mẫu gồm nhiều bộ dữ liệu thu thập trong các trạng thái tải khác nhau nhằm đảm bảo tính đa dạng và độ tin cậy của dữ liệu.

Phương pháp phân tích bao gồm:

• Lựa chọn và xử lý dữ liệu bằng các kỹ thuật chuẩn hóa (chuẩn hóa tối đa và chuẩn hóa điểm z) để loại bỏ giá trị đột biến và nhiễu.
• Xây dựng mô hình cảm biến mềm dựa trên mô hình ARX và so sánh với mô hình ARMAX để chọn mô hình phù hợp nhất.
• Sử dụng bộ lọc Kalman rời rạc để lọc nhiễu tín hiệu dòng điện và điện áp, nâng cao độ chính xác của dữ liệu đầu vào.
• Phân tích tương quan giữa các biến đầu vào (dòng điện, điện áp) và đầu ra (tốc độ động cơ) để xác định mối quan hệ tuyến tính và lựa chọn biến phù hợp cho mô hình.
• Thực hiện xác thực mô hình bằng cách so sánh kết quả ước lượng tốc độ với dữ liệu từ bộ Encoder truyền thống.

Timeline nghiên cứu kéo dài từ tháng 10/2017 đến tháng 4/2020, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, thi công hệ thống và đánh giá kết quả thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Mô hình ARX phù hợp cho ước lượng tốc độ động cơ DC: Qua so sánh với mô hình ARMAX, mô hình ARX cho kết quả ước lượng tốc độ chính xác hơn với sai số trung bình dưới 2%, đặc biệt trong các trạng thái tải khác nhau. Ví dụ, khi momen tải bằng 0, sai số giữa tốc độ ước lượng và tốc độ đo bằng Encoder chỉ khoảng 1.5%.

2. Bộ lọc Kalman hiệu quả trong việc lọc nhiễu tín hiệu: Việc áp dụng bộ lọc Kalman giúp giảm nhiễu tín hiệu dòng điện và điện áp, làm tăng độ ổn định của dữ liệu đầu vào cho mô hình. Kết quả cho thấy tín hiệu sau lọc có độ lệch chuẩn giảm khoảng 30% so với tín hiệu gốc.

3. Hệ thống cảm biến mềm có thể thay thế hoàn toàn bộ Encoder: Thí nghiệm trên động cơ DC thực tế với nhiều trạng thái tải cho thấy tốc độ ước lượng từ hệ thống cảm biến mềm tương đương với tốc độ đo từ Encoder, với độ chính xác đạt trên 98%. Điều này chứng minh tính khả thi của việc sử dụng cảm biến mềm trong các ứng dụng thực tế.

4. Ưu điểm về kích thước và chi phí: Hệ thống cảm biến mềm thiết kế nhỏ gọn, không cần gắn thêm phần cứng phức tạp như Encoder, giúp giảm chi phí lắp đặt và bảo trì, đồng thời phù hợp với các thiết bị yêu cầu kích thước nhỏ như thiết bị y sinh.

Thảo luận kết quả

Nguyên nhân chính dẫn đến hiệu quả của mô hình ARX là do tính đơn giản và khả năng mô phỏng tốt các đặc tính tuyến tính của động cơ DC trong phạm vi hoạt động ổn định. So với mô hình ARMAX, ARX tránh được sự phức tạp của thành phần sai số động, giúp mô hình dễ dàng triển khai và tính toán nhanh hơn.

Việc sử dụng bộ lọc Kalman giúp loại bỏ nhiễu ngẫu nhiên và sai số đo lường, điều này rất quan trọng trong môi trường thực tế có nhiều nguồn nhiễu. Kết quả này phù hợp với các nghiên cứu trước đây trong lĩnh vực cảm biến mềm và điều khiển động cơ.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh tốc độ ước lượng và tốc độ đo bằng Encoder, biểu đồ sai số theo thời gian và biểu đồ tín hiệu trước và sau lọc Kalman để minh họa rõ ràng hiệu quả của hệ thống.

Kết quả nghiên cứu có ý nghĩa lớn trong việc phát triển các hệ thống điều khiển động cơ DC nhỏ gọn, tiết kiệm chi phí và nâng cao độ tin cậy, đặc biệt trong các ứng dụng công nghiệp và y sinh.

Đề xuất và khuyến nghị

1. Triển khai hệ thống cảm biến mềm trong các thiết bị điện tử y sinh: Đề xuất áp dụng hệ thống cảm biến mềm để ước lượng tốc độ động cơ DC trong các thiết bị y tế nhỏ gọn nhằm giảm kích thước và chi phí bảo trì. Thời gian thực hiện trong vòng 12 tháng, do các đơn vị nghiên cứu và phát triển thiết bị y sinh đảm nhiệm.

2. Phát triển phần mềm điều khiển tích hợp mô hình ARX và bộ lọc Kalman: Khuyến nghị xây dựng phần mềm điều khiển tích hợp để tối ưu hóa hiệu suất ước lượng tốc độ, nâng cao độ chính xác và khả năng thích ứng với các điều kiện tải thay đổi. Thời gian phát triển dự kiến 6-9 tháng, do các công ty công nghệ và kỹ sư phần mềm thực hiện.

3. Mở rộng nghiên cứu cho các loại động cơ DC công suất lớn hơn: Đề xuất nghiên cứu mở rộng mô hình và hệ thống cảm biến mềm cho các động cơ DC công suất trên 150W nhằm đa dạng hóa ứng dụng trong công nghiệp. Thời gian nghiên cứu khoảng 18 tháng, do các viện nghiên cứu và trường đại học chủ trì.

4. Tăng cường đào tạo và chuyển giao công nghệ: Khuyến nghị tổ chức các khóa đào tạo chuyên sâu về cảm biến mềm và điều khiển động cơ DC cho kỹ sư và sinh viên ngành kỹ thuật điện tử để nâng cao năng lực ứng dụng công nghệ mới. Thời gian thực hiện liên tục, do các trường đại học và trung tâm đào tạo kỹ thuật đảm nhiệm.

Đối tượng nên tham khảo luận văn

1. Kỹ sư và nhà nghiên cứu trong lĩnh vực điều khiển động cơ: Luận văn cung cấp kiến thức chuyên sâu về mô hình toán học và phương pháp ước lượng tốc độ động cơ DC, giúp họ phát triển các hệ thống điều khiển hiệu quả hơn.

2. Các công ty sản xuất thiết bị điện tử y sinh: Hệ thống cảm biến mềm nhỏ gọn, chi phí thấp phù hợp với yêu cầu thiết kế thiết bị y sinh, giúp cải thiện tính năng và giảm chi phí sản xuất.

3. Giảng viên và sinh viên ngành kỹ thuật điện tử và tự động hóa: Tài liệu tham khảo quý giá cho việc giảng dạy và nghiên cứu về cảm biến mềm, mô hình ARX, bộ lọc Kalman và điều khiển động cơ DC.

4. Các viện nghiên cứu và trung tâm phát triển công nghệ: Luận văn cung cấp cơ sở lý thuyết và thực nghiệm để phát triển các giải pháp cảm biến mềm ứng dụng trong công nghiệp, góp phần thúc đẩy đổi mới sáng tạo.

Câu hỏi thường gặp

1. Cảm biến mềm là gì và có ưu điểm gì so với cảm biến cứng?
   Cảm biến mềm là hệ thống ước lượng các biến vật lý dựa trên mô hình toán học và dữ liệu đầu vào từ các cảm biến khác. Ưu điểm gồm chi phí thấp, kích thước nhỏ, dễ dàng bảo trì và khả năng hoạt động song song với cảm biến cứng để phát hiện lỗi.

2. Tại sao chọn mô hình ARX thay vì ARMAX cho ước lượng tốc độ?
   Mô hình ARX đơn giản hơn, dễ triển khai và cho kết quả chính xác cao trong phạm vi hoạt động ổn định của động cơ DC. ARMAX phức tạp hơn do có thêm thành phần sai số động, không cần thiết trong trường hợp này.

3. Bộ lọc Kalman giúp gì trong hệ thống cảm biến mềm?
   Bộ lọc Kalman lọc nhiễu tín hiệu đầu vào, cải thiện độ chính xác của dữ liệu dòng điện và điện áp, từ đó nâng cao độ tin cậy của kết quả ước lượng tốc độ.

4. Hệ thống cảm biến mềm có thể áp dụng cho động cơ công suất lớn không?
   Hiện nghiên cứu tập trung cho động cơ dưới 150W, tuy nhiên phương pháp có thể mở rộng cho động cơ công suất lớn hơn với điều chỉnh mô hình và thuật toán phù hợp.

5. Làm thế nào để xác thực mô hình cảm biến mềm?
   Xác thực bằng cách so sánh kết quả ước lượng tốc độ với dữ liệu đo thực tế từ bộ Encoder trong nhiều trạng thái tải khác nhau, đồng thời phân tích sai số và độ ổn định của mô hình.

Kết luận

• Đã thiết kế thành công hệ thống cảm biến mềm sử dụng mô hình ARX để ước lượng tốc độ động cơ DC công suất dưới 150W với độ chính xác trên 98%.
• Bộ lọc Kalman được áp dụng hiệu quả trong việc lọc nhiễu tín hiệu đầu vào, nâng cao độ tin cậy của hệ thống.
• Hệ thống cảm biến mềm có thể thay thế hoàn toàn bộ Encoder truyền thống, giúp giảm kích thước, chi phí và độ phức tạp của hệ thống đo tốc độ.
• Nghiên cứu mở ra hướng phát triển ứng dụng cảm biến mềm trong các thiết bị điện tử y sinh và công nghiệp nhỏ gọn.
• Đề xuất các bước tiếp theo bao gồm mở rộng nghiên cứu cho động cơ công suất lớn hơn, phát triển phần mềm điều khiển tích hợp và đào tạo chuyển giao công nghệ.

Hành động tiếp theo là triển khai ứng dụng thực tế hệ thống cảm biến mềm trong các thiết bị công nghiệp và y sinh, đồng thời tiếp tục nghiên cứu nâng cao hiệu suất và mở rộng phạm vi ứng dụng.

Trích đoạn nội dung tài liệu

Chương 1. Tổng quan Chương này trình bày khái quát về động cơ DC và các ứng dụng của chúng trong cuộc sống. Bên cạnh đó, nó cũng so sánh ưu điểm và nhược điểm của động cơ DC và động cơ AC. Nội dung chương cũng đề cập đến lý do chọn đề tài ; mục tiêu, giới hạn và phương pháp nghiên cứu sẽ sử dụng trong luận văn.

Cơ sở lý thuyết Trong chương này, các khái niệm về cảm biến mềm, các mô hình và các phương pháp xây dựng chúng sẽ được trình bày. Chương này cũng trình bày nguyên lý hoạt động của động cơ DC. Bên cạnh đó, các lý thuyết về điều khiển động cơ DC, các phương pháp xử lý tín hiệu nhiễu và các phương pháp phân tích tương quan cũng sẽ được trình bày trong chương này. Xây dựng mô hình Trong chương này, các tín hiệu đầu vào sẽ được đánh giá xem xét để đưa vào mô hình cảm biến mềm.

Bên cạnh đó, chương này cũng sẽ trình bày các kết quả chạy mô phỏng của các mô hình. Từ đó, sẽ đưa ra lựa chọn mô hình sẽ được sử dụng trong luận văn. Thi công và đánh giá Trong chương này, sơ đồ khối của hệ thống sẽ được trình bày chi tiết. Sơ đồ mạch của hệ thống cũng sẽ được giới thiệu trong chương này.

Bên cạnh đó, các tính toán thi công, xử lý tín hiệu và kết quả của hệ thống trên động cơ DC thực tế cũng sẽ được trình bày chi tiết. Kết luận Trang 3 Luan van Chương này sẽ tiến hành đánh giá các kết quả đạt được của hệ thống. Từ đó, so sánh với mục tiêu ban đầu đề ra và kết luận. Bên cạnh đó, chương cũng sẽ trình bày hướng phát triển đề tài trong tương lai.

Trang 4 Luan van Cơ Sở Lý Thuyết Tổng quan về cảm biến mềm Cảm biến mềm là một công cụ có giá trị được ứng dụng rộng rãi trong các ngành công nghiệp khác nhau như nhà máy lọc dầu, nhà máy hóa chất, nhà máy điện,…Chúng được sử dụng để giải quyết một số vấn đề như sao lưu hệ thống đo lường, phân tích dữ liệu, dự đoán điều khiển thời gian thực, chuẩn đoán lỗi cho cảm biến,.[5] Các ngành công nghiệp đang từng ngày đối mặt với sự lựa chọn các chính sách phù hợp để mang lại lợi ích kinh tế. Giá thành sản phẩm là yếu tố đánh giá sự thành công của một ngành sản xuất. Bởi vậy, các yếu tố cấu thành nên sản phẩm như tiêu thụ năng lượng và nguyên liệu được chú trọng đến. Bên cạnh đó, việc tuân thủ các nguyên tắc an toàn và các vấn đề ô nhiễm môi trường góp phần làm cho các kế hoạch sản xuất trở nên phức tạp hơn.

Các vấn đề trên đã đặt ra thách thức cho các kỹ sư sản xuất và các nhà điều hành. Họ cần phải có kiến thức sâu, hiểu rõ về quy trình và thông số quy trình liên quan để sản xuất để đưa ra giải pháp hiệu quả nhất. Do đó, việc giám sát một số lượng lớn các biến quy trình bằng cách cài đặt và sử dụng các hệ thống đo lường là cực kỳ quan trọng. Tuy nhiên, các thiết bị đo lường được yêu cầu phải hoạt động trong môi trường khắc nghiệt.

Vì thế, chúng phải được bảo trì thường xuyên để đảm bảo đáp ứng được các yêu cầu kĩ thuật khắt khe được đặt ra. Trong mọi hoạt động, việc lỗi xuất hiện là điều không thể tránh khỏi. Hơn nữa, một số công cụ đo lường có thể gây ra độ trễ đáng kể trong ứng dụng. Những điều này sẽ làm giảm hiệu quả của quá trình điều khiển.

Bên cạnh đó, để lắp đặt và duy trì một mạng lưới đo lường cho nhà máy sẽ tiêu tốn rất nhiều ngân sách. Vì vậy, một số giải pháp sẽ cắt giảm số biến quy trình cần quan sát Trang 5 Luan van hoặc giảm tần suất lấy mẫu. Các giải pháp này sẽ gây ra những lỗi tiềm tàng cho nhà máy. Từ những vấn đề trên, cảm biến mềm được nghiên cứu và ứng dụng bởi vì các lợi ích của nó mang lại như: - Chúng là giải pháp các giá thành thấp để thay thế các thiết phần cứng đắt tiền và cho phép giám sát hệ thống một cách toàn diện hơn.

- Chúng có thể hoạt động song song với các cảm biến cứng. Điều này cho phép chúng ta dễ dàng phát hiện lỗi xảy ra. Vì thế, hệ thống sẽ trở nên đáng tin cậy hơn. - Dễ dàng thích nghi khi các tham số hệ thống thay đổi - Chúng cho phép ước lượng dữ liệu theo thời gian thực.

Điều này sẽ góp phần khắc phục độ trễ thời gian. Từ đó sẽ cải thiện được hiệu suất của các chương trình điều khiển. Phương pháp xây dựng hệ thống cảm biến mềm Một cảm biến mềm cơ bản được thiết kế theo cách bước như Hình 2. Các bước thiết kế cảm biến mềm Trang 6 Luan van Lựa chọn dữ liệu là một bước quan trọng.

Quá trình này luôn luôn được khuyến khích thực hiện bằng các thực nghiệm để chọn dữ liệu từ cơ sở dữ liệu. Tuy nhiên thực tế, việc này đều không thể thực hiện được vì chi phí và độ an toàn không cho phép. Vì thế, điều này dẫn đến rất nhiều thách thức cho người thiết kế như: thiếu dữ liệu, nhiễu,. Một trong những giải pháp cho các vấn đề trên là khảo sát các dữ liệu và tìm mối liên hệ của chúng.

Tuy nhiên, việc làm này tốn rất nhiều thời gian. Ở bước lựa chọn dữ liệu, việc tham khảo ý kiến các chuyên gia rất là quan trọng. Với kinh nghiệm của mình, họ sẽ cho chúng ta các nhìn về sự liên quan của các biến, bậc của hệ thống, độ trễ, thời gian lấy mẫu, độ tuyến tính ,… Xây dựng cấu trúc mô hình là tìm kiếm mô hình phù hợp trong các mô hình có sẵn. Việc lựa chọn cấu trúc mô hình phụ thuộc vào mục đích xây dựng của bộ cảm biến mềm.

Nếu mô hình đơn giản hoặc quá trình hoạt động gần với điều kiện ổn định thì mô hình tuyến tính là lựa chọn tối ưu. Mô hình tuyến tính cũng được lựa chọn nếu sử dụng cảm biến mềm trong các thuật toán điều khiển cổ điển. Đối với các trường hợp còn lại thì mô hình phi tuyến là lựa chọn tốt nhất, đặc biệt đối với mục đích sử dụng trong hệ thống công nghiệp. Lựa chọn hồi quy có mối liên kết chặt chẽ đến vấn đề lựa chọn cấu trúc của mô hình.

Cũng như việc lựa chọn hồi quy, với lựa chọn mô hình ước lượng, bao gồm lựa chọn các tham số sẽ xác định được một mô hình cụ thể trên cơ sở dữ liệu có sẵn và tiêu chí được đặt ra. Trong thực tế, các phương pháp dựa trên bình phương nhỏ nhất được sử dụng cho các hệ thống tuyến tính. Đối với hệ phi tuyến, các phương pháp như mạng neural hay neural - fuzzy đang trở thành công cụ tiêu chuẩn do có hiệu suất tốt và có trong các phần mềm hỗ trợ. Xác nhận mô hình là bước cuối cùng trong việc xây dựng một cảm biến mềm.

Đây là bước kiểm tra xem việc thiết kế các khâu trước đó đã được thực hiện tốt hay chưa. Nếu như kết quả của việc xác nhận mô hình là không tốt thì người thiết kế phải quay lại kiểm tra và điều chỉnh các bước trước đó. Các tiêu chí được sử dụng trong việc Trang 7 Luan van xác nhận mô hình thường phụ thuộc và một số loại phân tích trên phần dư mô hình và sự khác nhau của mô hình tuyến tính và phi tuyến. Lựa chọn và xử lý dữ liệu Dữ liệu trong cơ sở dữ liệu có nhiều giá trị khác nhau, tùy thuộc vào quá trình lấy mẫu.

Điều này có thể dẫn đến các mẫu có giá trị lớn chiếm đa số trong quá trình xác định. Vì vậy, việc chuẩn hóa dữ liệu là rất cần thiết. Có hai phương pháp chuẩn hóa dữ liệu đó là chuẩn hóa tối đa và chuẩn hóa điểm 𝑧. Chuẩn hóa tối đa được biểu diễn bằng công thức (2.1) 𝑥′ = (𝑚𝑎𝑥𝑥′ − 𝑚𝑖𝑛𝑥′ ) + 𝑚𝑖𝑛𝑥′ 𝑚𝑎𝑥𝑥 − 𝑚𝑖𝑛𝑥 Trong đó: 𝑥 là biến ban đầu, 𝑥 ′ là biến đã thu nhỏ, 𝑚𝑖𝑛𝑥 là giá trị nhỏ nhất của dữ liệu chưa xử lý, 𝑚𝑎𝑥𝑥 là giá trị lớn nhất của dữ liệu chưa xử lý, 𝑚𝑖𝑛𝑥′ là giá trị nhỏ nhất của dữ liệu đã thu nhỏ và 𝑚𝑎𝑥𝑥′ là giá trị lớn nhất của dữ liệu đã thu nhỏ.

Chuẩn hóa theo điểm 𝑧 được biểu diễn bằng công thức (2.2) 𝑥′ = 𝜎𝑥 Trong đó: 𝑚𝑒𝑎𝑛𝑥 là giá trị ước lượng của biến chưa thu nhỏ và 𝜎𝑥 là độ lệch chuẩn của biến chưa thu nhỏ. Phương pháp chuẩn hóa theo điểm z thường được sử dụng khi tập dữ liệu xuất hiện nhiều giá trị đột biến bởi phương pháp này ít bị tác động bởi các giá trị đột biến. Các dữ liệu khi được thu thập trong công nghiệp sẽ thường xuất hiện các giá trị đột biến. Những giá trị này thường làm sai lệch kết quả tính toán trong quá trình thiết kế.

Hiện nay, có ba phương pháp thông dụng để xử lý giá trị đột biến trong tập dữ liệu Phương pháp điều chỉnh 3𝜎 , khoảng cách chuẩn hóa các mẫu được tính bằng công thức (2.3) với điều kiện là dữ liệu phân phối chuẩn, xác suất giá trị 𝑑𝑖 lớn hơn bằng 3 là 0.27% và xem 𝑥𝑖 là giá trị đột biến khi 𝑑𝑖 hơn hơn 3 Trang 8 Luan van 𝑥𝑖 − 𝑚𝑒𝑎𝑛𝑥 (2.3) 𝑑𝑖 = 𝜎𝑥 2 2 2 Phương pháp Jolliffe được xây dựng trên cơ sở của ba tham số là 𝑑1𝑖 , 𝑑2𝑖 , 𝑑3𝑖. Các tham số này được tính toán dựa trên biến z , biến thu được bằng phương pháp trích đặc trưng (PCA). Công thức tính toán các tham số được trình bày như công thức (2.6) 2 2 𝑑3𝑖 = ∑ 𝑧𝑖𝑘 𝑙𝑘 𝑘=𝑝−𝑞+1 2 Trong đó: 𝑖 là thứ tự giá trị , 𝑝 là số ngõ vào, 𝑞 là số đặc trưng của tập dữ liệu, 𝑧𝑖𝑘 là mẫu thứ i của đặc trưng k và 𝑙𝑘 là phương sai của thành phần thứ k. Phương pháp phân tích phần dư của tương quan tuyến tính.

Phương pháp này sử dụng phép hồi quy tuyến tính đa biến của các biến phụ thuộc và độc lập. Công thức được trình bày như công thức (2.7) Trong đó : 𝑦 là vector của ngõ ra, 𝑋 là ma trận dữ liệu đầu vào, 𝛽 là vector hệ số và 𝜀 là sai số. Xây dựng mô hình và lựa chọn hồi quy Bất cứ mô hình nào cũng đều được cấu tạo bởi tập hợp các biến phụ thuộc, được gọi là ngõ ra và tập hợp các biến độc lập, được gọi là đầu vào. Cấu trúc của một hệ thống được thể hiện như Hình 2.