Tổng quan nghiên cứu

Trong bối cảnh công nghiệp hiện đại, ô nhiễm không khí do khí thải chứa bụi là một vấn đề nghiêm trọng ảnh hưởng đến môi trường và sức khỏe cộng đồng. Tại Việt Nam, các quy chuẩn quốc gia như QCVN 19:2009/BTNMT và QCVN 23:2009/BTNMT đã được ban hành nhằm kiểm soát nồng độ bụi trong khí thải công nghiệp. Hệ thống lọc bụi tĩnh điện (ESP) được ứng dụng rộng rãi trong các nhà máy nhiệt điện và sản xuất xi măng nhờ hiệu suất lọc bụi cao lên đến 99,8% và chi phí vận hành thấp. Tuy nhiên, trong quá trình vận hành, hệ thống này thường gặp phải nhiều lỗi kỹ thuật như phóng điện vầng quang, tích tụ bụi trên điện cực, ảnh hưởng đến hiệu suất và độ bền thiết bị.

Luận văn tập trung nghiên cứu thiết kế hệ thống chẩn đoán lỗi và cảnh báo tự động nhằm nâng cao chất lượng vận hành hệ thống lọc bụi tĩnh điện tại nhà máy nhiệt điện Hải Phòng. Mục tiêu chính là xây dựng mô hình học máy có khả năng dự đoán hiệu quả lọc bụi và phát hiện sớm các lỗi vận hành dựa trên dữ liệu thực tế thu thập từ PLC của nhà máy. Phạm vi nghiên cứu bao gồm phân tích các lỗi thường gặp, thu thập và trực quan hóa dữ liệu vận hành trong khoảng thời gian nhất định, áp dụng thuật toán học máy như cây quyết định và rừng ngẫu nhiên để huấn luyện mô hình dự đoán.

Nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ người vận hành kiểm soát và tối ưu hóa hiệu suất thiết bị lọc bụi, giảm thiểu sự cố và nâng cao độ tin cậy của hệ thống. Kết quả dự kiến góp phần thúc đẩy ứng dụng trí tuệ nhân tạo trong lĩnh vực kỹ thuật điều khiển và tự động hóa công nghiệp, đồng thời đáp ứng các yêu cầu về bảo vệ môi trường theo quy định hiện hành.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: nguyên lý hoạt động của hệ thống lọc bụi tĩnh điện và các thuật toán học máy trong lĩnh vực trí tuệ nhân tạo.

  1. Nguyên lý lọc bụi tĩnh điện: Thiết bị lọc bụi tĩnh điện hoạt động dựa trên hiện tượng phóng điện corona âm, tạo ra ion âm tích điện cho các hạt bụi trong dòng khí thải. Các hạt bụi nhiễm điện tích sẽ bị hút về cực dương (cực lắng) và lắng đọng trên bề mặt điện cực. Hiệu suất lọc phụ thuộc vào các yếu tố như điện áp cấp, khoảng cách giữa các cực, tốc độ dòng khí, nhiệt độ và độ ẩm của khí thải. Quá trình vận hành có thể gặp các lỗi như phóng điện vầng quang, tích tụ bụi quá mức, ảnh hưởng đến hiệu suất và độ ổn định của hệ thống.

  2. Thuật toán học máy: Luận văn áp dụng các thuật toán học máy giám sát, trong đó nổi bật là:

    • Cây quyết định (Decision Tree): Mô hình phân lớp và hồi quy dựa trên việc xây dựng các câu hỏi dạng nhị phân để phân chia dữ liệu thành các nhóm có tính đồng nhất cao. Thuật toán ID3 được sử dụng để chọn thuộc tính phân chia dựa trên hàm entropy và information gain, giúp xây dựng cây quyết định hiệu quả.
    • Rừng ngẫu nhiên (Random Forest): Phương pháp học cộng đồng kết hợp nhiều cây quyết định được huấn luyện trên các tập dữ liệu bootstrap khác nhau và lựa chọn ngẫu nhiên các thuộc tính. Kết quả dự đoán được tổng hợp bằng biểu quyết đa số, giúp giảm thiểu overfitting và tăng độ chính xác mô hình.

Các khái niệm chuyên ngành như điện trường corona, entropy, information gain, bootstrap sampling, và ensemble learning được sử dụng xuyên suốt nghiên cứu.

Phương pháp nghiên cứu

Nghiên cứu kết hợp phương pháp phân tích lý thuyết và mô phỏng dựa trên dữ liệu thực tế thu thập từ hệ thống lọc bụi tĩnh điện tại nhà máy nhiệt điện Hải Phòng. Cỡ mẫu dữ liệu gồm khoảng hàng nghìn bản ghi thu thập liên tục từ PLC qua giao thức truyền thông Modbus và Ethernet, đảm bảo tính đại diện và độ tin cậy.

Quy trình nghiên cứu gồm các bước:

  • Thu thập dữ liệu: Dữ liệu vận hành gồm các thông số điện áp, dòng điện các trường lọc bụi, nhiệt độ, độ ẩm, nồng độ bụi đầu ra được ghi nhận tự động qua hệ thống SCADA.
  • Tiền xử lý và trực quan hóa dữ liệu: Loại bỏ dữ liệu nhiễu, xử lý giá trị thiếu, phân tích mối tương quan giữa các đặc tính để lựa chọn biến đầu vào phù hợp.
  • Xây dựng mô hình học máy: Sử dụng môi trường lập trình Python với Anaconda Navigator và Jupyter Notebook, huấn luyện mô hình cây quyết định và rừng ngẫu nhiên trên tập dữ liệu huấn luyện.
  • Đánh giá mô hình: Sử dụng các chỉ số như độ chính xác, sai số trung bình, và độ lệch chuẩn trên tập kiểm tra để đánh giá hiệu quả dự đoán.
  • Triển khai hệ thống chẩn đoán lỗi và cảnh báo tự động: Tích hợp mô hình vào hệ thống vận hành thực tế để hỗ trợ người vận hành phát hiện sớm các lỗi và cảnh báo kịp thời.

Thời gian nghiên cứu kéo dài trong năm 2022, tập trung vào hệ thống lọc bụi tĩnh điện của nhà máy nhiệt điện Hải Phòng với 16 trường lọc bụi và 2 nhánh chính.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất lọc bụi đạt trên 99,8%: Dữ liệu thực tế cho thấy hệ thống lọc bụi tĩnh điện tại nhà máy nhiệt điện Hải Phòng có hiệu suất lọc bụi trung bình đạt 99,8%, với nồng độ bụi còn lại dưới 50 mg/Nm³, đáp ứng tiêu chuẩn môi trường quốc gia.

  2. Mối quan hệ giữa điện áp cực và nồng độ bụi: Phân tích dữ liệu cho thấy điện áp cấp cho các cực lọc bụi có ảnh hưởng trực tiếp đến hiệu suất lọc. Khi điện áp vượt ngưỡng phóng điện, hiện tượng phóng điện vầng quang xảy ra làm giảm hiệu suất lọc bụi khoảng 5-7%.

  3. Mô hình rừng ngẫu nhiên cho kết quả dự đoán chính xác hơn cây quyết định đơn lẻ: Mô hình rừng ngẫu nhiên với số lượng cây là 500 cho sai số dự đoán nồng độ bụi đầu ra thấp hơn 12% so với mô hình cây quyết định đơn lẻ, thể hiện qua biểu đồ so sánh nồng độ bụi thực tế và dự đoán.

  4. Hệ thống cảnh báo tự động phát hiện lỗi sớm với độ chính xác trên 90%: Hệ thống chẩn đoán lỗi dựa trên mô hình học máy có khả năng phát hiện các lỗi phổ biến như cách điện giảm, tích tụ bụi quá mức, và dao động dòng điện thứ cấp với độ chính xác trên 90%, giúp giảm thiểu thời gian ngừng máy và chi phí bảo trì.

Thảo luận kết quả

Nguyên nhân chính của các lỗi vận hành được xác định là do biến động điện áp và sự tích tụ bụi trên điện cực lắng, làm thay đổi điện trường và gây phóng điện không mong muốn. Kết quả mô hình học máy phù hợp với các nghiên cứu trong ngành khi cho thấy mô hình rừng ngẫu nhiên có khả năng tổng hợp thông tin từ nhiều cây quyết định, giảm thiểu overfitting và tăng độ chính xác dự đoán.

So sánh với các nghiên cứu trước đây, việc ứng dụng mô hình học máy trong chẩn đoán lỗi hệ thống lọc bụi tĩnh điện tại Việt Nam là bước tiến mới, góp phần nâng cao hiệu quả vận hành và bảo vệ môi trường. Dữ liệu được trình bày qua các biểu đồ phân tích mối tương quan và bảng so sánh hiệu suất mô hình giúp minh họa rõ ràng các phát hiện.

Kết quả nghiên cứu cũng cho thấy tiềm năng mở rộng ứng dụng hệ thống chẩn đoán và cảnh báo tự động cho các nhà máy công nghiệp khác, đồng thời đề xuất các hướng phát triển hệ thống thân thiện với người dùng và đa dụng hơn.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống chẩn đoán lỗi tự động trên toàn bộ nhà máy: Áp dụng mô hình rừng ngẫu nhiên để giám sát liên tục các trường lọc bụi, giảm thiểu sự cố và nâng cao hiệu suất lọc bụi. Thời gian thực hiện trong 6 tháng, do phòng kỹ thuật và bộ phận vận hành phối hợp thực hiện.

  2. Tăng cường bảo trì và vệ sinh định kỳ các điện cực lọc bụi: Đề xuất lịch trình vệ sinh và kiểm tra cách điện mỗi tháng một lần nhằm hạn chế tích tụ bụi và giảm thiểu hiện tượng phóng điện vầng quang, giúp duy trì hiệu suất lọc trên 99%.

  3. Nâng cấp hệ thống thu thập và truyền dữ liệu PLC: Cải tiến giao thức truyền thông và tăng cường độ ổn định của hệ thống SCADA để đảm bảo dữ liệu thu thập chính xác và kịp thời phục vụ cho mô hình học máy. Thời gian thực hiện trong 3 tháng, do bộ phận công nghệ thông tin và tự động hóa đảm nhiệm.

  4. Đào tạo nhân viên vận hành về sử dụng hệ thống cảnh báo và phân tích dữ liệu: Tổ chức các khóa đào tạo chuyên sâu về kỹ thuật vận hành và ứng dụng công nghệ học máy trong giám sát thiết bị, nâng cao năng lực xử lý sự cố nhanh chóng. Thời gian đào tạo kéo dài 2 tháng, do phòng đào tạo và bộ phận kỹ thuật phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư vận hành nhà máy nhiệt điện và công nghiệp nặng: Nghiên cứu cung cấp công cụ chẩn đoán lỗi và cảnh báo tự động giúp họ nâng cao hiệu quả vận hành, giảm thiểu sự cố và chi phí bảo trì.

  2. Chuyên gia kỹ thuật điều khiển và tự động hóa: Luận văn trình bày chi tiết về ứng dụng thuật toán học máy trong hệ thống công nghiệp, hỗ trợ phát triển các giải pháp tự động hóa thông minh.

  3. Nhà quản lý môi trường và chính sách công nghiệp: Cung cấp dữ liệu và giải pháp thực tiễn giúp đảm bảo các nhà máy tuân thủ quy chuẩn khí thải, góp phần bảo vệ môi trường.

  4. Nghiên cứu sinh và sinh viên ngành kỹ thuật điện – điện tử, tự động hóa: Tài liệu tham khảo quý giá về phương pháp nghiên cứu, ứng dụng học máy và kỹ thuật truyền thông trong công nghiệp.

Câu hỏi thường gặp

  1. Hệ thống lọc bụi tĩnh điện hoạt động như thế nào?
    Hệ thống sử dụng điện trường corona âm để tích điện cho các hạt bụi trong khí thải, sau đó các hạt bụi nhiễm điện tích bị hút về cực dương và lắng đọng trên điện cực, giúp làm sạch khí thải hiệu quả.

  2. Tại sao chọn thuật toán rừng ngẫu nhiên cho mô hình dự đoán?
    Rừng ngẫu nhiên kết hợp nhiều cây quyết định được huấn luyện trên các tập dữ liệu khác nhau, giúp giảm overfitting và tăng độ chính xác dự đoán so với cây quyết định đơn lẻ.

  3. Dữ liệu thu thập từ hệ thống như thế nào?
    Dữ liệu được thu thập tự động từ PLC qua các giao thức truyền thông như Modbus và Ethernet, bao gồm các thông số điện áp, dòng điện, nhiệt độ, độ ẩm và nồng độ bụi.

  4. Hệ thống cảnh báo tự động có thể phát hiện những lỗi nào?
    Hệ thống có thể phát hiện các lỗi phổ biến như cách điện giảm, tích tụ bụi quá mức, dao động dòng điện thứ cấp và phóng điện vầng quang với độ chính xác trên 90%.

  5. Làm thế nào để triển khai hệ thống này tại các nhà máy khác?
    Cần thu thập dữ liệu vận hành tương tự, điều chỉnh mô hình học máy phù hợp với đặc điểm thiết bị và môi trường vận hành, đồng thời đào tạo nhân viên vận hành sử dụng hệ thống cảnh báo.

Kết luận

  • Luận văn đã thiết kế thành công hệ thống chẩn đoán lỗi và cảnh báo tự động dựa trên mô hình học máy, nâng cao hiệu quả vận hành hệ thống lọc bụi tĩnh điện.
  • Mô hình rừng ngẫu nhiên cho kết quả dự đoán chính xác hơn 12% so với cây quyết định đơn lẻ, giúp phát hiện lỗi sớm với độ chính xác trên 90%.
  • Hệ thống góp phần giảm thiểu sự cố, chi phí bảo trì và đảm bảo hiệu suất lọc bụi đạt trên 99,8%, đáp ứng tiêu chuẩn môi trường quốc gia.
  • Đề xuất triển khai hệ thống trên toàn nhà máy, nâng cấp hạ tầng truyền thông và đào tạo nhân viên vận hành trong vòng 6 tháng tới.
  • Khuyến khích mở rộng nghiên cứu và ứng dụng hệ thống cho các nhà máy công nghiệp khác nhằm tăng cường bảo vệ môi trường và phát triển công nghiệp bền vững.

Hành động tiếp theo là phối hợp với các phòng ban kỹ thuật để triển khai hệ thống chẩn đoán và đào tạo nhân sự, đồng thời thu thập thêm dữ liệu để hoàn thiện mô hình. Để biết thêm chi tiết và hỗ trợ triển khai, liên hệ nhóm nghiên cứu tại Trường Đại học Bách Khoa Hà Nội.