Tổng quan nghiên cứu

Việt Nam đang chứng kiến sự phát triển mạnh mẽ của ngành năng lượng tái tạo, đặc biệt là điện gió với tiềm năng lên tới 24 GW trên bờ và 500 GW ngoài khơi. Tuy nhiên, hiện trạng khai thác mới chỉ đạt dưới 4 GW, trong khi mục tiêu đến năm 2030 là 7 GW và 87 GW vào năm 2050. Hộp số tua bin gió là bộ phận quan trọng, chiếm khoảng 18% tổng chi phí đầu tư và có tỷ lệ hỏng hóc cao nhất, gây ra thời gian ngừng hoạt động trung bình lên tới 60 ngày mỗi năm, ảnh hưởng nghiêm trọng đến năng suất và hiệu quả vận hành. Tuổi thọ thực tế của hộp số chỉ đạt 6-8 năm so với kỳ vọng 20 năm, làm tăng chi phí bảo trì và sửa chữa.

Nghiên cứu tập trung vào việc phát triển phương pháp tự động phân loại hư hỏng các phần tử hộp số tua bin gió, đặc biệt là bánh răng và ổ lăn, dựa trên xử lý tín hiệu dao động và trí tuệ nhân tạo. Mục tiêu nhằm giảm sự phụ thuộc vào chuyên gia, nâng cao độ chính xác và tính tổng quát của việc chẩn đoán, từ đó giảm thiểu thời gian chết và chi phí vận hành. Phạm vi nghiên cứu bao gồm dữ liệu tín hiệu rung thu thập từ bộ thí nghiệm và nguồn dữ liệu công khai, áp dụng trong điều kiện vận hành tại Việt Nam. Kết quả nghiên cứu có ý nghĩa lớn trong việc hỗ trợ phát triển bền vững các dự án tua bin gió, góp phần thực hiện cam kết giảm phát thải carbon của quốc gia.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai nền tảng lý thuyết chính: phân tích tín hiệu số và trí tuệ nhân tạo.

  1. Phân tích tín hiệu số:

    • Phép biến đổi Wavelet, đặc biệt là biến đổi Wavelet rời rạc (DWT) và biến đổi Tunable Q-factor Wavelet Transform (TQWT), được sử dụng để phân tích tín hiệu dao động trong miền thời gian-tần số, giúp phát hiện các đặc trưng hư hỏng của bánh răng và ổ lăn.
    • Phân tích phổ đường bao Hilbert được áp dụng để tách các thành phần tín hiệu điều biến, hỗ trợ nhận dạng các dạng hư hỏng cục bộ.
    • Các chỉ số thống kê như RMS, hệ số Crest, hệ số Kurtosis được sử dụng để đánh giá mức độ dao động và phát hiện bất thường.

  2. Trí tuệ nhân tạo:

    • Mạng nơ-ron tích chập (CNN), đặc biệt là kiến trúc ResNet, được áp dụng để xây dựng mô hình học sâu phân loại tự động các dạng hư hỏng dựa trên dữ liệu tín hiệu đã được xử lý.
    • Học chuyển giao (transfer learning) giúp tận dụng các mô hình đã huấn luyện sẵn, giảm thiểu yêu cầu về dữ liệu huấn luyện lớn và tăng tính tổng quát của mô hình.

Các khái niệm chính bao gồm: hư hỏng cục bộ và phân bố của bánh răng, đặc trưng dao động của ổ lăn, biến đổi Wavelet, phổ đường bao, mạng học sâu và học chuyển giao.

Phương pháp nghiên cứu

Nguồn dữ liệu gồm tín hiệu rung thu thập từ bộ thí nghiệm hộp số bánh răng một cấp tại phòng Lab và các bộ dữ liệu công khai trên mạng, bao gồm tín hiệu từ tua bin gió thực tế. Cỡ mẫu dữ liệu giới hạn nhưng đa dạng về trạng thái hư hỏng.

Phương pháp phân tích gồm:

  • Tiền xử lý tín hiệu bằng biến đổi Wavelet và lọc nhiễu TQWT để trích xuất đặc trưng thời gian-tần số.
  • Chuyển đổi tín hiệu thành ảnh đặc trưng để làm đầu vào cho mạng CNN.
  • Huấn luyện mô hình mạng học sâu ResNet với kỹ thuật học chuyển giao, tối ưu hóa tham số mạng nhằm đạt độ chính xác cao.
  • Kiểm nghiệm mô hình trên các bộ dữ liệu thử nghiệm với các tỷ lệ dữ liệu huấn luyện khác nhau (10%, 20%, 30%) để đánh giá độ tin cậy và tính tổng quát.

Timeline nghiên cứu kéo dài trong khoảng thời gian từ năm 2021 đến 2023, bao gồm giai đoạn thu thập dữ liệu, phát triển thuật toán, huấn luyện mô hình và xây dựng phần mềm phân loại trên nền tảng Matlab.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác phân loại cao với dữ liệu hạn chế: Mô hình mạng học sâu ResNet đạt độ chính xác phân loại hư hỏng bánh răng và ổ lăn trên 95% ngay cả khi sử dụng chỉ 10% dữ liệu huấn luyện, cho thấy tính hiệu quả và khả năng tổng quát của phương pháp.

  2. Tính tổng quát và tin cậy của mô hình: Mô hình cho kết quả ổn định khi kiểm nghiệm trên dữ liệu thực tế tua bin gió và bộ dữ liệu tự xây dựng, với sai số phân loại dưới 5%, vượt trội so với các phương pháp truyền thống chỉ dựa trên phân tích phổ tần số.

  3. Hiệu quả xử lý tín hiệu bằng TQWT: Phép biến đổi TQWT giúp lọc nhiễu hiệu quả, làm nổi bật các đặc trưng dao động liên quan đến hư hỏng, cải thiện chất lượng dữ liệu đầu vào cho mạng học sâu, tăng độ tin cậy phân loại lên khoảng 7% so với không sử dụng lọc.

  4. Phần mềm phân loại thân thiện và dễ sử dụng: Giao diện Matlab được thiết kế trực quan, cho phép người dùng nhập dữ liệu mới, tiền xử lý và phân loại tự động, hỗ trợ nhanh chóng trong công tác bảo trì và giám sát.

Thảo luận kết quả

Nguyên nhân của độ chính xác cao là do sự kết hợp hiệu quả giữa xử lý tín hiệu số và mạng học sâu, tận dụng ưu điểm của từng phương pháp. Việc sử dụng biến đổi Wavelet giúp trích xuất đặc trưng thời gian-tần số quan trọng, trong khi mạng ResNet có khả năng học các mẫu phức tạp từ dữ liệu ảnh đặc trưng.

So sánh với các nghiên cứu trước đây, phương pháp này vượt trội hơn về khả năng xử lý dữ liệu thực tế có nhiễu và số lượng mẫu hạn chế. Kết quả cũng phù hợp với xu hướng ứng dụng trí tuệ nhân tạo trong chẩn đoán kỹ thuật hiện nay.

Dữ liệu có thể được trình bày qua biểu đồ độ chính xác phân loại theo tỷ lệ dữ liệu huấn luyện, bảng so sánh sai số phân loại giữa các phương pháp, và hình ảnh giao diện phần mềm phân loại.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát tự động tại các nhà máy điện gió: Áp dụng phần mềm phân loại hư hỏng để giám sát liên tục tình trạng hộp số, giảm thời gian ngừng hoạt động và chi phí bảo trì. Thời gian thực hiện: 1-2 năm; chủ thể: các công ty vận hành điện gió.

  2. Mở rộng thu thập dữ liệu thực tế đa dạng hơn: Tăng cường thu thập dữ liệu từ nhiều tua bin gió khác nhau để cải thiện độ chính xác và tính tổng quát của mô hình. Thời gian: liên tục; chủ thể: viện nghiên cứu và doanh nghiệp.

  3. Nghiên cứu phát triển mô hình phân loại đa dạng hư hỏng hơn: Mở rộng phạm vi phân loại sang các phần tử khác trong hộp số và các dạng hư hỏng phức tạp hơn. Thời gian: 2-3 năm; chủ thể: nhóm nghiên cứu chuyên sâu.

  4. Đào tạo nhân lực vận hành và bảo trì sử dụng công nghệ mới: Tổ chức các khóa đào tạo về sử dụng phần mềm và hiểu biết về phân tích tín hiệu, trí tuệ nhân tạo cho kỹ thuật viên. Thời gian: 6-12 tháng; chủ thể: các trường đại học, trung tâm đào tạo.

Đối tượng nên tham khảo luận văn

  1. Các kỹ sư vận hành và bảo trì tua bin gió: Nắm bắt công nghệ giám sát tự động, nâng cao hiệu quả bảo trì, giảm thiểu sự cố và chi phí vận hành.

  2. Nhà nghiên cứu và sinh viên ngành cơ điện tử, kỹ thuật cơ khí: Tham khảo phương pháp xử lý tín hiệu và ứng dụng mạng học sâu trong chẩn đoán kỹ thuật.

  3. Doanh nghiệp phát triển và vận hành dự án điện gió: Áp dụng giải pháp công nghệ mới để nâng cao độ tin cậy và tuổi thọ thiết bị, tối ưu hóa chi phí đầu tư.

  4. Cơ quan quản lý và hoạch định chính sách năng lượng: Hiểu rõ các thách thức kỹ thuật và công nghệ hỗ trợ phát triển bền vững ngành điện gió tại Việt Nam.

Câu hỏi thường gặp

  1. Phương pháp phân loại hư hỏng hộp số tua bin gió dựa trên tín hiệu dao động có ưu điểm gì?
    Phương pháp kết hợp biến đổi Wavelet và mạng học sâu giúp trích xuất đặc trưng chính xác, tự động phân loại với độ chính xác trên 95%, giảm phụ thuộc vào chuyên gia và tăng tính tổng quát.

  2. Dữ liệu huấn luyện có ảnh hưởng thế nào đến hiệu quả mô hình?
    Mặc dù dữ liệu huấn luyện hạn chế, mô hình vẫn đạt độ chính xác cao nhờ học chuyển giao và xử lý tín hiệu hiệu quả, tuy nhiên mở rộng dữ liệu sẽ cải thiện hơn nữa độ tin cậy.

  3. Phần mềm phân loại hư hỏng có dễ sử dụng không?
    Phần mềm được thiết kế trên nền tảng Matlab với giao diện trực quan, cho phép người dùng nhập dữ liệu, tiền xử lý và phân loại tự động, phù hợp với kỹ thuật viên và nhà nghiên cứu.

  4. Phương pháp này có thể áp dụng cho các loại tua bin gió khác nhau không?
    Mô hình đã được kiểm nghiệm trên dữ liệu đa dạng và có tính tổng quát cao, có thể áp dụng cho nhiều loại tua bin gió trong điều kiện vận hành khác nhau tại Việt Nam.

  5. Có thể mở rộng nghiên cứu này sang các phần tử khác trong tua bin gió không?
    Có thể, nghiên cứu đề xuất mở rộng sang các phần tử khác như cánh quạt, máy phát, hệ thống phanh để phát triển hệ thống giám sát toàn diện hơn.

Kết luận

  • Đề tài đã phát triển thành công phương pháp tự động phân loại hư hỏng bánh răng và ổ lăn hộp số tua bin gió dựa trên xử lý tín hiệu Wavelet và mạng học sâu ResNet.
  • Mô hình đạt độ chính xác phân loại trên 95% với dữ liệu thực nghiệm đa dạng, chứng minh tính tổng quát và tin cậy cao.
  • Phần mềm phân loại được xây dựng trên Matlab hỗ trợ vận hành dễ dàng, góp phần giảm chi phí bảo trì và tăng hiệu quả vận hành tua bin gió.
  • Nghiên cứu có ý nghĩa thực tiễn lớn trong bối cảnh phát triển điện gió tại Việt Nam, hỗ trợ mục tiêu phát triển bền vững và cam kết giảm phát thải carbon.
  • Các bước tiếp theo bao gồm mở rộng dữ liệu, phát triển mô hình đa dạng hư hỏng và triển khai ứng dụng thực tế tại các nhà máy điện gió.

Hành động khuyến nghị: Các đơn vị vận hành tua bin gió và viện nghiên cứu nên phối hợp triển khai áp dụng và tiếp tục phát triển công nghệ này để nâng cao hiệu quả quản lý thiết bị.