Ứng Dụng Deep Learning Để Nhận Dạng Lỗi Trong Hệ Thống Công Nghiệp Ngành Kỹ Thuật Điện

Luận văn thạc sĩ nghiên cứu hcmute ứng dụng deep learning để nhận dạng lỗi trong hệ thống công nghiệp, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực

• Tác giả: Phạm Huỳnh Thế
• Người hướng dẫn: PGS.TS Trương Đình Nhơn
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện
• Đề tài: Ứng Dụng Deep Learning Để Nhận Dạng Lỗi Trong Hệ Thống Công Nghiệp
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Tp. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Ứng Dụng Deep Learning Trong Công Nghiệp 55 ký tự

Các nhà máy công nghiệp hiện đại ngày càng ứng dụng máy móc tiên tiến vào quy trình sản xuất. Điều này mang lại sản phẩm chất lượng cao, sản lượng lớn và sự tin tưởng từ đối tác. Tuy nhiên, sự hỏng hóc của máy móc là một thách thức lớn. Theo phương pháp truyền thống, khi xảy ra lỗi, nhà máy phải dừng hoạt động để kỹ sư kiểm tra, chẩn đoán và sửa chữa. Quá trình này tốn thời gian, ảnh hưởng đến lợi nhuận. Vì vậy, cần có một phương pháp tự động để rút ngắn chu kỳ bảo trì và tăng độ chính xác. Deep Learning hứa hẹn sẽ mang lại giải pháp thông minh, tự động phát hiện và nhận biết tình trạng máy móc. Các nghiên cứu gần đây về chẩn đoán lỗi động cơ và hộp số đã cho thấy tiềm năng của phương pháp này. Luận văn này tiếp tục phát triển hướng nghiên cứu đó, tập trung vào ứng dụng Deep Learning để nhận dạng lỗi trong hệ thống công nghiệp. Mục tiêu là xây dựng một hệ thống ổn định và hiệu quả, giảm thiểu thời gian dừng máy và tối ưu hóa quy trình bảo trì.

1.1. Vai trò của Hệ Thống Điều Khiển Công Nghiệp ICS

Hệ thống điều khiển công nghiệp (ICS) đóng vai trò quan trọng trong việc vận hành và giám sát các quy trình sản xuất. ICS có thể có nhiều hình thức khác nhau, bao gồm hệ thống điều khiển phân tán (DCS), hệ thống điều khiển quá trình và hệ thống thu thập dữ liệu và điều khiển giám sát (SCADA). ICS bao gồm giao diện người dùng, vòng điều khiển, chẩn đoán từ xa và công cụ bảo trì. Sự phức tạp của các hệ thống này đòi hỏi các phương pháp chẩn đoán lỗi hiệu quả, và Deep Learning cung cấp một giải pháp tiềm năng.

1.2. Thách Thức và Yêu Cầu trong Chẩn Đoán Lỗi Tự Động

Việc chẩn đoán lỗi thủ công trong các hệ thống công nghiệp phức tạp tốn nhiều thời gian và công sức. Các kỹ sư cần có kinh nghiệm và kiến thức chuyên sâu để xác định nguyên nhân gây ra lỗi. Một hệ thống chẩn đoán lỗi tự động cần phải có khả năng phát hiện lỗi nhanh chóng và chính xác, giảm thiểu thời gian dừng máy và chi phí bảo trì. Hơn nữa, hệ thống cần phải có khả năng thích ứng với các thay đổi trong hệ thống và cung cấp thông tin chi tiết về nguyên nhân gây ra lỗi. Tóm lại, chẩn đoán lỗi nhanh chóng và chính xác là yêu cầu then chốt

II. Phương Pháp Deep Learning Giải Pháp Nhận Dạng Lỗi 58 ký tự

Deep Learning cung cấp một phương pháp hiệu quả để giải quyết các vấn đề phức tạp trong chẩn đoán lỗi. Mạng nơ-ron tích chập (CNN) là một kiến trúc Deep Learning phổ biến, đặc biệt hiệu quả trong việc xử lý dữ liệu chuỗi thời gian và hình ảnh. CNN có khả năng tự động học các đặc trưng quan trọng từ dữ liệu, giúp cải thiện độ chính xác và độ tin cậy của hệ thống chẩn đoán lỗi. Trong lĩnh vực công nghiệp, CNN có thể được sử dụng để phân tích dữ liệu từ các cảm biến, nhật ký hệ thống và hình ảnh để phát hiện và chẩn đoán các loại lỗi khác nhau. Việc sử dụng Deep Learning cho phép hệ thống thích ứng với các điều kiện vận hành khác nhau và cải thiện hiệu suất theo thời gian.

2.1. Ưu Điểm của Mạng Nơ ron Tích Chập CNN trong Công Nghiệp

CNN có khả năng tự động trích xuất các đặc trưng quan trọng từ dữ liệu thô, giảm thiểu nhu cầu can thiệp thủ công. Điều này đặc biệt hữu ích trong các hệ thống công nghiệp, nơi có nhiều loại cảm biến và dữ liệu khác nhau. CNN cũng có khả năng xử lý dữ liệu chuỗi thời gian, cho phép phát hiện các mẫu lỗi theo thời gian. Khả năng học từ dữ liệu giúp CNN thích ứng với các điều kiện vận hành khác nhau và cải thiện hiệu suất theo thời gian. Các thuộc tính này, cho phép CNN trở thành công cụ hiệu quả để giải quyết các bài toán phức tạp

2.2. Ứng Dụng Thực Tế của CNN trong Chẩn Đoán Lỗi Máy Móc

CNN đã được ứng dụng thành công trong nhiều lĩnh vực chẩn đoán lỗi máy móc, bao gồm chẩn đoán lỗi động cơ, hộp số và các thiết bị công nghiệp khác. Các nghiên cứu đã chứng minh rằng CNN có thể đạt được độ chính xác cao trong việc phát hiện và chẩn đoán các loại lỗi khác nhau. Ví dụ, CNN có thể được sử dụng để phân tích dữ liệu rung động từ động cơ để phát hiện các dấu hiệu của lỗi ổ trục hoặc lỗi mất cân bằng. Thông tin này có thể được sử dụng để lên kế hoạch bảo trì và ngăn ngừa các sự cố nghiêm trọng.

III. Xây Dựng Mô Hình Deep Learning Nhận Dạng Lỗi Hệ Thống 60 ký tự

Để xây dựng một mô hình Deep Learning hiệu quả, cần thu thập và xử lý dữ liệu phù hợp. Dữ liệu có thể bao gồm dữ liệu cảm biến, nhật ký hệ thống và hình ảnh. Dữ liệu cần được tiền xử lý để loại bỏ nhiễu và chuẩn hóa. Sau đó, dữ liệu được sử dụng để huấn luyện mô hình Deep Learning. Quá trình huấn luyện bao gồm việc điều chỉnh các tham số của mô hình để tối ưu hóa hiệu suất. Sau khi huấn luyện, mô hình có thể được sử dụng để dự đoán lỗi trong thời gian thực. Việc đánh giá hiệu suất của mô hình là rất quan trọng để đảm bảo rằng mô hình hoạt động chính xác và tin cậy.

3.1. Thu Thập và Xử Lý Dữ Liệu Đầu Vào Cho Mô Hình

Việc thu thập dữ liệu chất lượng cao là rất quan trọng để xây dựng một mô hình Deep Learning hiệu quả. Dữ liệu cần phải đại diện cho các điều kiện vận hành khác nhau và bao gồm cả dữ liệu bình thường và dữ liệu lỗi. Dữ liệu cũng cần được gắn nhãn chính xác để mô hình có thể học cách phân biệt giữa các loại lỗi khác nhau. Quá trình xử lý dữ liệu bao gồm việc loại bỏ nhiễu, chuẩn hóa dữ liệu và chia dữ liệu thành các tập huấn luyện, kiểm tra và xác thực.

3.2. Lựa Chọn Kiến Trúc Mạng CNN Phù Hợp Với Bài Toán

Có nhiều kiến trúc mạng CNN khác nhau, mỗi kiến trúc có những ưu điểm và nhược điểm riêng. Việc lựa chọn kiến trúc phù hợp phụ thuộc vào đặc điểm của dữ liệu và bài toán. Ví dụ, một mạng CNN sâu hơn có thể phù hợp hơn cho các bài toán phức tạp hơn, trong khi một mạng CNN nông hơn có thể nhanh hơn và dễ huấn luyện hơn. Các kiến trúc CNN phổ biến bao gồm AlexNet, VGGNet, ResNet và Inception.

3.3. Huấn Luyện và Đánh Giá Hiệu Suất Mô Hình trên Dữ Liệu Thực

Quá trình huấn luyện mô hình bao gồm việc điều chỉnh các tham số của mô hình để tối ưu hóa hiệu suất trên tập huấn luyện. Việc đánh giá hiệu suất mô hình trên tập kiểm tra và xác thực là rất quan trọng để đảm bảo rằng mô hình hoạt động tốt trên dữ liệu mới. Các chỉ số hiệu suất phổ biến bao gồm độ chính xác, độ thu hồi và độ đo F1. Việc điều chỉnh các tham số của mô hình và lặp lại quá trình huấn luyện và đánh giá có thể giúp cải thiện hiệu suất mô hình.

IV. Ứng Dụng Thực Tế Nhận Dạng Lỗi Trong Hệ Thống 54 ký tự

Sau khi mô hình Deep Learning được huấn luyện, nó có thể được triển khai để nhận dạng lỗi trong hệ thống công nghiệp. Hệ thống có thể được tích hợp với hệ thống giám sát hiện có để cung cấp cảnh báo sớm về các lỗi tiềm ẩn. Thông tin về lỗi có thể được sử dụng để lên kế hoạch bảo trì và ngăn ngừa các sự cố nghiêm trọng. Hệ thống cũng có thể cung cấp thông tin chi tiết về nguyên nhân gây ra lỗi, giúp kỹ sư sửa chữa lỗi nhanh chóng và hiệu quả hơn. Việc triển khai hệ thống trong môi trường thực tế có thể giúp cải thiện hiệu quả và độ tin cậy của hệ thống công nghiệp.

4.1. Tích Hợp Mô Hình Deep Learning Vào Hệ Thống Giám Sát

Việc tích hợp mô hình Deep Learning vào hệ thống giám sát hiện có có thể cung cấp một cái nhìn toàn diện về tình trạng của hệ thống công nghiệp. Dữ liệu từ mô hình Deep Learning có thể được hiển thị trên giao diện người dùng để cung cấp cho người vận hành thông tin về các lỗi tiềm ẩn. Hệ thống cũng có thể tự động gửi cảnh báo cho các kỹ sư khi phát hiện thấy lỗi, cho phép họ phản ứng nhanh chóng và ngăn ngừa các sự cố nghiêm trọng.

4.2. Cải Thiện Quy Trình Bảo Trì và Giảm Thời Gian Dừng Máy

Thông tin về lỗi do mô hình Deep Learning cung cấp có thể được sử dụng để cải thiện quy trình bảo trì và giảm thời gian dừng máy. Ví dụ, hệ thống có thể đề xuất các hành động khắc phục dựa trên thông tin về nguyên nhân gây ra lỗi. Hệ thống cũng có thể giúp lên kế hoạch bảo trì dự phòng bằng cách dự đoán thời gian xảy ra lỗi dựa trên dữ liệu lịch sử.

V. Kết Luận Hướng Phát Triển Ứng Dụng Deep Learning 59 ký tự

Luận văn này đã trình bày một phương pháp ứng dụng Deep Learning để nhận dạng lỗi trong hệ thống công nghiệp. Mô hình Deep Learning đã được huấn luyện trên dữ liệu thực tế và cho thấy hiệu suất tốt trong việc phát hiện và chẩn đoán các loại lỗi khác nhau. Kết quả nghiên cứu cho thấy rằng Deep Learning có tiềm năng lớn trong việc cải thiện hiệu quả và độ tin cậy của hệ thống công nghiệp. Trong tương lai, nghiên cứu có thể được mở rộng để bao gồm nhiều loại lỗi hơn và tích hợp với các hệ thống khác nhau. Cần nghiên cứu thêm về các kiến trúc Deep Learning khác nhau và các phương pháp xử lý dữ liệu để cải thiện hiệu suất của hệ thống.

5.1. Đánh Giá Ưu Điểm và Hạn Chế Của Phương Pháp Hiện Tại

Phương pháp Deep Learning đã chứng minh được khả năng phát hiện và chẩn đoán lỗi trong hệ thống công nghiệp. Tuy nhiên, phương pháp này cũng có một số hạn chế. Ví dụ, mô hình Deep Learning cần một lượng lớn dữ liệu để huấn luyện và có thể tốn nhiều thời gian để huấn luyện. Hơn nữa, mô hình Deep Learning có thể khó giải thích, gây khó khăn cho việc hiểu tại sao mô hình lại đưa ra một dự đoán nhất định.

5.2. Các Hướng Nghiên Cứu Tiềm Năng Trong Tương Lai

Có nhiều hướng nghiên cứu tiềm năng trong tương lai. Ví dụ, có thể nghiên cứu các kiến trúc Deep Learning mới để cải thiện hiệu suất của hệ thống. Cũng có thể nghiên cứu các phương pháp xử lý dữ liệu mới để giảm thiểu lượng dữ liệu cần thiết để huấn luyện mô hình. Hơn nữa, có thể nghiên cứu các phương pháp giải thích mô hình Deep Learning để giúp người vận hành hiểu rõ hơn về cách hệ thống hoạt động.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN ❖ Chương 5: Kết luận và hướng phát triển Trong Chương 5, các mục tiêu đã đạt được và hướng phát triển trong tương lai sẽ được thảo luận.nghiep CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Chương 2 CƠ SỞ LÝ THUYẾT 2.1 HỆ THỐNG ĐIỀU KHIỂN CÔNG NGHIỆP Hệ thống tự động hóa được gọi là hệ thống điều khiển công nghiệp (ICS) thường được sử dụng trong các quy trình công nghiệp để cung cấp khả năng vận hành và giám sát. Để quản lý hiệu quả các hoạt động vận hành và giám sát, ICS được xây dựng khác nhau tùy thuộc vào từng ngành.

Ngày nay, trên thực tế, gần như mọi lĩnh vực công nghiệp quan trọng đều sử dụng các thiết bị và giao thức có trong ICS. Ngoài ra, ICS có thể có nhiều hình dạng và hình thức khác nhau, bao gồm hệ thống điều khiển phân tán, hệ thống điều khiển quá trình và hệ thống thu thập dữ liệu và điều khiển giám sát.1: Hệ thống điều khiển công nghiệp (ICS) (Luan.nghiep CHƯƠNG 2.1 Thành phần của hệ thống điều khiển công nghiệp Hình 2.2: Thành phần của hệ thống điều khiển công nghiệp Một hệ thống điều khiển công nghiệp (ICS) thường bao gồm giao diện người dùng, một số vòng điều khiển, chẩn đoán từ xa và các công cụ bảo trì, tất cả đều được xây dựng bằng cách sử dụng cấu trúc liên kết mạng nhiều lớp và nhiều giao thức mạng ❖ Quy trình là tập hợp các bước được thực hiện để đạt được một kết quả nhất định. ❖ Vòng điều khiển tự động điều chỉnh giá trị đầu ra đến điểm đặt mong muốn bằng cách sử dụng cảm biến, bộ truyền động, bộ điều khiển hoặc PLC. ❖ Một cảm biến phát hiện những thay đổi trong môi trường của nó và chuyển tiếp thông tin này đến bộ điều khiển dưới dạng các biến được điều khiển.

❖ Bộ điều khiển tạo ra các biến đầu ra cần thiết và gửi chúng đến bộ truyền động bằng cách sử dụng điểm đặt mục tiêu và các thuật toán điều khiển. ❖ Bộ truyền động là các thành phần của máy để điều khiển một cơ cấu như van điều khiển, cầu dao, công tắc và động cơ. ❖ Giao diện con người là công cụ để giám sát và thiết lập các thông số cài đặt trong bộ điều khiển, hiển thị dữ liệu trạng thái quy trình và hiển thị thông tin quy trình.nghiep CHƯƠNG 2. CƠ SỞ LÝ THUYẾT ❖ Các ứng dụng chẩn đoán và bảo trì từ xa thực hiện các hoạt động chẩn đoán và bảo trì theo thời gian thực như xác định, ngăn chặn và phục hồi từ các hoạt động bất thường hoặc hỏng hóc từ xa.

❖ Lịch sử dữ liệu là nơi lưu trữ tất cả dữ liệu quy trình. Dữ liệu đã lưu được chuyển đến hệ thống thông tin công ty (IS) để phân tích, kiểm soát và lập kế hoạch dữ liệu quy trình. ❖ Một thiết bị cổng giao tiếp cho phép giao tiếp với một mạng ở xa, chẳng hạn như internet, hoặc các hệ thống tự trị chứa các nút lưu trữ không được phép truy cập. Phần cứng hoặc phần mềm được sử dụng để triển khai một cổng giao tiếp.

Nó định hướng lưu lượng của mạng và có thể chặn một số lưu lượng nhất định để bảo vệ nó khỏi sự tấn công nguy hiểm. Ngoài ra, nó cho phép hoặc không cho phép người ngoài truy cập vào các máy tính được kết nối mạng. ❖ Thiết bị điện tử thông minh (IED) là thiết bị bảo vệ, điều khiển, giám sát, đo lường và truyền thông có thể giao tiếp nối tiếp với các thiết bị khác, chẳng hạn như bộ điều chỉnh điện áp được cung cấp bởi bộ vi xử lý. bộ điều khiển ngắt mạch, bộ điều khiển rơ le bảo vệ và bộ điều khiển.

❖ Field Devices sau khi nhận được chỉ thị giám sát từ các trạm ở xa, phụ trách giám sát các hoạt động của cục bộ.2 Ứng dụng của hệ thống điều khiển công nghiệp trong thực tế Hệ thống điều khiển công nghiệp (ICS) có hiệu quả trong nhiều ngành khác nhau vì chúng có thể được thiết lập theo những cách cơ bản hoặc phức tạp. Nhiều ngành công nghiệp hiện đại, được hỗ trợ bởi các hệ thống kiểm soát quá trình, bao gồm cả những ngành sau đây: ❖ Công nghiệp sản xuất, đóng tàu. ❖ Công nghiệp năng lượng ❖ Viễn thông, quân sự.nghiep CHƯƠNG 2.3 Những yêu cầu về điều khiển và giám sát ❖ Đảm bảo hệ thống hoạt động ổn định và hiệu quả: Duy trì các điều kiện hoạt động bình thường, kéo dài tuổi thọ của thiết bị và làm cho việc vận hành đơn giản hơn. ❖ Kiểm soát chất lượng và năng suất: Thay đổi tỷ lệ sản xuất theo ý muốn và thay đổi các thông số kỹ thuật của sản phẩm trong một phạm vi cho phép nhất định.

❖ Đảm bảo vận hành được an toàn: Mục tiêu của nó là bảo vệ môi trường, máy móc, hệ thống và con người. ❖ Bảo vệ môi trường: Giảm lượng bụi, nước thải, nguyên liệu thô và nhiên liệu được sử dụng để giúp làm giảm mức độ ô nhiễm. ❖ Nâng cao hiệu quả kinh tế, tăng lợi nhuận: Giảm chi phí lao động, nguyên vật liệu và nhiên liệu trong khi đáp ứng nhanh chóng các nhu cầu thay đổi của thị trường.2 PHÁT HIỆN VÀ CHẨN ĐOÁN LỖI TRONG QUY TRÌNH CÔNG NGHIỆP 2.1 Giới thiệu Chẩn đoán lỗi là một nhánh của kỹ thuật điều khiển, là kết quả của sự giao thoa của nhiều lĩnh vực. Nguyên tắc cốt lõi của chẩn đoán lỗi là phát hiện ra sự cố của hệ thống, xác định loại và vị trí của chúng kịp thời khi sự cố xảy ra bằng cách giám sát hệ thống.

Toàn bộ hệ thống chẩn đoán được tạo thành từ bốn yếu tố. Chúng được đặt tên là fault detection, fault isolation, fault identification và process recovery, được thể hiện (Luan.nghiep CHƯƠNG 2. CƠ SỞ LÝ THUYẾT trong Hình 2. Các khái niệm của bốn phần này được trình bày chi tiết như dưới đây.

❖ Process recovery (khôi phục quy trình) là loại bỏ ảnh hưởng của lỗi [5] Hình 2.3: Quy trình chẩn đoán lỗi [4] 2.2 Các ứng dụng công nghiệp của các phương pháp phát hiện và chẩn đoán lỗi Ngày nay, phát hiện lỗi được thiết lập trong nhiều ngành công nghiệp. Các loại ứng dụng chính là [6]: ❖ Máy móc và động cơ [7]: Kỹ thuật phân tích tín hiệu cho động cơ đốt trong sử dụng ANN được đưa ra trong [8], phát hiện lỗi xi lanh động cơ trong [9], giám sát động cơ diesel hàng hải trong [10]. ❖ Động cơ điện: Phát hiện lỗi động cơ điện được mô tả trong [11] và phát hiện lỗi của động cơ cảm ứng trong [12]. ❖ Máy bơm: Phát hiện lỗi cho máy bơm ly tâm kết hợp mạng lưới thần kinh và phương pháp tiếp cận neuro-fuzzy, được mô tả trong [13].

❖ Tua bin hơi nước: Phát hiện lỗi cho tuabin hơi được mô tả trong [14].nghiep CHƯƠNG 2. CƠ SỞ LÝ THUYẾT ❖ Sản xuất: Phát hiện lỗi là một phần thiết yếu trong các hệ thống sản xuất điện tử tự động, đặc biệt là trong sản xuất chất bán dẫn, [15]. Phát hiện lỗi là một điều quan trọng để tăng năng suất. ❖ Vòng bi và máy móc: Phát hiện lỗi trong hệ thống thủy lực được đưa ra trong [16], sử dụng lưới thần kinh trong các hệ thống cơ khí quay trong [17].

❖ Hàng không: Hệ thống phát hiện lỗi có ứng dụng tuyệt vời trong lĩnh vực hệ thống điều khiển động cơ hàng không quan trọng của chuyến bay [18], nhằm đạt được mức độ tin cậy cao. Phát hiện lỗi của các hệ thống quan trọng của chuyến bay được mô tả trong [19]. Giải pháp phát hiện lỗi của hệ thống nhiên liệu máy bay được đưa ra trong [20]. ❖ Hệ thống ô tô: Phát hiện lỗi dựa trên mô hình là bổ sung chức năng cho bộ phận điều khiển điện tử động cơ hiện có của động cơ đốt trong.

Phát hiện lỗi cho quá trình phun, đốt và truyền động cơ được mô tả trong [21]. Phát hiện lỗi của các bộ phận bị lỗi trong hệ thống treo đường sắt được mô tả trong [22].Hệ thống phát hiện lỗi cho Hệ thống HVAC được mô tả trong [25]. ❖ Quy trình hóa học: Hiệu suất của các quy trình hóa học xuống cấp do sự xuống cấp của thiết bị và các thành phần quy trình. Một ứng dụng cho nhà máy nước thải được đưa ra trong [26], phân đoạn axit béo [27], este hóa trong [28] và nhà máy lọc dầu trong [29].3 Các phương pháp phát hiện và chẩn đoán lỗi Có nhiều nghiên cứu về các kỹ thuật chẩn đoán.

Một số thiên về hướng tiếp cận kỹ thuật điều khiển, còn một phần khác là tiếp cận toán học/thống kê/AI. Tác giả báo cáo phân loại các kỹ thuật chẩn đoán là dựa trên kiến thức, dựa trên mô hình hoặc theo hướng dữ liệu.nghiep CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Hình 2.4: Các phương pháp pháp hiện và chẩn đoán lỗi 2.1 Phát hiện và chẩn đoán lỗi theo hướng kiến thức Các phương pháp hệ thống chuyên gia bao gồm cách tiếp cận lập luận dựa trên quy tắc và cách tiếp cận lập luận dựa trên tình huống. Suy luận dựa trên quy tắc là một kỹ thuật trích xuất dữ liệu chẩn đoán từ các quan sát hệ thống bằng cách sử dụng một (Luan.nghiep CHƯƠNG 2.

CƠ SỞ LÝ THUYẾT tập hợp các quy tắc. Các quy tắc nhúng được rút ra từ kiến thức của một chuyên gia hoặc một nhóm chuyên gia. Một hệ thống chuyên gia có thể được định nghĩa là: " Một phần mềm máy tính mô phỏng khả năng giải quyết vấn đề của một chuyên gia con người". Có hai phương pháp để xây dựng một hệ thống chuyên gia: lập luận theo trình tự thuận và lập luận theo trình tự ngược lại.

Kỹ thuật trình tự chuyển tiếp truyền bá các quan sát hệ thống thông qua các quy tắc hệ thống chuyên gia và xuất ra kết quả chẩn đoán. Trong chuỗi ngược, một giả thuyết lỗi ban đầu được nghi ngờ và hệ thống chuyên gia điều tra xem giả thuyết có thể được hỗ trợ từ các quan sát hay không, bằng cách sử dụng một bộ quy tắc được xác định trước [30].2 Phát hiện và chẩn đoán lỗi theo hướng phân tích mô hình Các phương pháp dựa trên phân tích là sử dụng sự khác biệt giữa dữ liệu đo được của nhà máy và quá trình mô hình hóa (mô hình toán học) về mặt dư lượng để phát hiện và chẩn đoán lỗi. Nếu dư lượng bằng 0, hệ thống được coi là không có lỗi. Ngược lại, những phần còn lại này có thể lớn khi xảy ra lỗi hoặc chúng có thể nhỏ nếu dư lượng ở dạng nhiễu, nhiễu và/hoặc lỗi mô hình.