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

Mục lục chi tiết

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH SÁCH CÁC TỪ VIẾT TẮT VÀ KÝ HIỆU KHOA HỌC
• DANH SÁCH CÁC BẢNG
• DANH SÁCH CÁC HÌNH
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. ĐẶT VẤN ĐỀ
• 1.2. MỤC TIÊU ĐỀ TÀI
• 1.3. NỘI DUNG NGHIÊN CỨU
• 1.4. GIỚI HẠN ĐỀ TÀI
• 1.5. BỐ CỤC TRÌNH BÀY
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. HỆ THỐNG ĐIỀU KHIỂN CÔNG NGHIỆP
• 2.1.1. Thành phần của hệ thống điều khiển công nghiệp
• 2.1.2. Ứng dụng của hệ thống điều khiển công nghiệp trong thực tế
• 2.1.3. Những yêu cầu về điều khiển và giám sát
• 2.2. PHÁT HIỆN VÀ CHẨN ĐOÁN LỖI TRONG QUY TRÌNH CÔNG NGHIỆP
• 2.2.1. Giới thiệu
• 2.2.2. Các ứng dụng công nghiệp của các phương pháp phát hiện và chẩn đoán lỗi
• 2.2.3. Các phương pháp phát hiện và chẩn đoán lỗi
• 2.2.4. Phương pháp phát hiện và chẩn đoán lỗi sử dụng trong đề tài
• 2.2.5. Mạng nơ-ron tích chập (CNN) và ứng dụng chẩn đoán lỗi
• 3. CHƯƠNG 3: THIẾT KẾ HỆ THỐNG ĐIỀU KHIỂN VÀ CHẨN ĐOÁN LỖI
• 3.1. YÊU CẦU THIẾT KẾ HỆ THỐNG
• 3.1.1. Yêu cầu phần cứng
• 3.1.2. Yêu cầu về phần mềm
• 3.2. SƠ ĐỒ KHỐI HỆ THỐNG
• 3.3. THIẾT BỊ VÀ MÔ HÌNH SỬ DỤNG TRONG PHẦN CỨNG
• 3.3.1. Giới thiệu mô hình IT-5200 Process Control Trainer
• 3.3.2. Màn hình HMI
• 3.3.3. Cảm biến mức nước
• 3.3.4. Cảm biến lưu lượng
• 3.3.5. Cảm biến áp suất
• 3.3.6. Van điện từ
• 3.4. THIẾT KẾ CHƯƠNG TRÌNH ĐIỀU KHIỂN HỆ THỐNG
• 3.4.1. Lưu đồ giải thuật hệ thống
• 3.4.2. Thiết kế giao diện người dùng
• 3.5. THIẾT KẾ MÔ HÌNH CHẨN ĐOÁN LỖI CHO HỆ THỐNG
• 3.5.1. Giả lập lỗi
• 3.5.2. Xây dựng mô hình để chẩn đoán lỗi
• 4. CHƯƠNG 4: KẾT QUẢ
• 4.1. KẾT QUẢ ĐIỀU KHIỂN HỆ THỐNG BẰNG PID
• 4.2. KẾT QUẢ THIẾT KẾ GIAO DIỆN
• 4.3. KẾT QUẢ CHẨN ĐOÁN VÀ HIỂN THỊ LỖI LÊN GIAO DIỆN
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. KẾT LUẬN
• 5.2. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

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.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên công nghiệp 4.0, hệ thống điều khiển quy trình công nghiệp (IPCS) giữ vai trò cốt lõi tại hơn 85% các nhà máy sản xuất hiện đại. Sự cố máy móc bất ngờ có thể gây thiệt hại ước tính lên tới 20% đến 30% tổng chi phí vận hành hàng năm do thời gian dừng máy kéo dài. Phương pháp bảo trì truyền thống phụ thuộc hoàn toàn vào kinh nghiệm kiểm tra thủ công của kỹ sư, dẫn đến thời gian khắc phục sự cố kéo dài và tiềm ẩn nhiều rủi ro. Nhằm tự động hóa chu kỳ giám sát và nâng cao tính khả dụng của thiết bị, nghiên cứu tập trung giải quyết bài toán phát hiện và chẩn đoán lỗi (FDD) trong thời gian thực cho hệ thống công nghiệp.

Mục tiêu trọng tâm của đề tài là xây dựng hệ thống ổn định mức chất lỏng sử dụng bộ điều khiển PID trên nền tảng PLC Siemens S7-1500, đồng thời tích hợp mô hình Deep Learning (học sâu) để tự động nhận dạng lỗi cảm biến và cơ cấu chấp hành. Nghiên cứu được triển khai thực nghiệm từ tháng 09/2020 đến tháng 11/2022 tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh trên mô hình IT-5200 Process Control Trainer với bồn xử lý dung tích 5 lít và bể chứa 20 lít.

Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn khi tối ưu hóa quy trình bảo trì, giúp rút ngắn thời gian chẩn đoán sự cố xuống dưới 20 mili giây và đạt độ chính xác nhận dạng vượt mức 98,5%. Toàn bộ thông tin cảnh báo được đồng bộ trực tiếp lên màn hình HMI và máy chủ Web Server, cung cấp giải pháp chuyển đổi số toàn diện cho các dây chuyền sản xuất tự động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng tích hợp giữa lý thuyết điều khiển tự động và kỹ thuật học sâu hiện đại. Khung lý thuyết bao gồm 3 trụ cột chính:

Thứ nhất, quy trình phát hiện và chẩn đoán lỗi tiêu chuẩn (FDD) gồm 4 giai đoạn nối tiếp: phát hiện lỗi (Fault Detection), cô lập vùng lỗi (Fault Isolation), định danh kiểu lỗi (Fault Identification) và phục hồi quy trình (Process Recovery).

Thứ hai, kiến trúc mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với các khối xử lý chuyên sâu: lớp tích chập (Convolutional Layer) thực hiện quét các bộ lọc hạt nhân để tự động trích xuất đặc trưng tín hiệu chuỗi thời gian; lớp gộp cực đại (Max Pooling Layer) giảm chiều dữ liệu và hạn chế hiện tượng quá khớp (overfitting); lớp kết nối đầy đủ (Fully Connected Layer) cùng hàm kích hoạt Softmax để phân loại đa lớp trạng thái hoạt động. Nghiên cứu so sánh chuyên sâu giữa hai biến thể 1D-CNN và 2D-CNN nhằm tối ưu hiệu năng tính toán.

Thứ ba, nguyên lý điều khiển hồi tiếp vòng kín PID (Proportional - Integral - Derivative) trên bộ xử lý công nghiệp PLC nhằm duy trì điểm đặt (Set Point) của mực nước ổn định trước các tác động nhiễu.

Phương pháp nghiên cứu

Nghiên cứu ứng dụng phương pháp thực nghiệm kết hợp phân tích định lượng trên hệ thống phần cứng chuyên dụng IT-5200 Process Control Trainer kết nối bộ điều khiển PLC Siemens S7-1500 CPU 1512C-1 PN.

Nguồn dữ liệu được thu thập thời gian thực thông qua ngôn ngữ Python từ 3 cảm biến chính: cảm biến mức nước tuyến tính LVDT (dải đo 1mm - 250mm, độ phân giải nhỏ hơn 0,01 µm), cảm biến lưu lượng tuabin (hệ số 8000 xung/lít, tần số 40 - 1200 Hz), cảm biến áp suất Strain Gauge (ngõ ra 0 - 10V, chịu áp tối đa 10 bar) và tín hiệu điều khiển động cơ bơm 12VDC (lưu lượng cực đại 12 lít/phút).

Cỡ mẫu nghiên cứu đạt khoảng 12.000 điểm dữ liệu tín hiệu chuỗi thời gian, được thu thập liên tục ở tần số lấy mẫu 100 Hz qua cổng giao tiếp công nghiệp. Phương pháp lấy mẫu phân tầng (Stratified Sampling) được lựa chọn để phân chia đều tập dữ liệu thành 8 nhóm trạng thái vận hành, bao gồm trạng thái bình thường và 7 kịch bản sự cố giả lập (sụt giảm điện áp 10%, sụt giảm 15% và mất kết nối hoàn toàn).

Lý do lựa chọn phương pháp phân tích 1D-CNN thay vì các thuật toán học máy truyền thống là khả năng tự động học các mẫu biến thiên phi tuyến tính của tín hiệu cảm biến dạng 1 chiều mà không cần trích xuất đặc trưng thủ công, đồng thời giảm thiểu tới 60% số lượng tham số cần huấn luyện so với mạng nơ-ron truyền thống, giúp mô hình hoạt động ổn định trên phần cứng nhúng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và kiểm thử mô hình thực nghiệm đã đem lại các kết quả nổi bật sau:

Thứ nhất, hệ thống điều khiển mức nước sử dụng thuật toán PID trên PLC S7-1500 đạt độ ổn định cao. Sai số xác lập luôn duy trì dưới 1,2%, thời gian đáp ứng quá độ đạt khoảng 12 giây mà không xảy ra hiện tượng vọt lố nghiêm trọng.

Thứ hai, mô hình mạng nơ-ron 1D-CNN chứng minh tính ưu việt vượt trội so với 2D-CNN trong bài toán phân loại dữ liệu chuỗi thời gian. Mạng 1D-CNN chỉ yêu cầu khoảng 15.400 tham số huấn luyện (ít hơn 3,2 lần so với mức gần 50.000 tham số của 2D-CNN), nhưng đạt độ chính xác nhận dạng lỗi tổng thể lên tới 98,75% trên tập kiểm thử độc lập, cao hơn 1,4% so với mô hình 2D-CNN.

Thứ ba, hệ thống nhận diện chính xác 8 nhóm trạng thái lỗi phức tạp trong vòng dưới 18 mili giây, bao gồm lỗi cảm biến mức LVDT sụt áp 10% và 15%, lỗi hở mạch cảm biến lưu lượng, lỗi quá áp buồng kín và lỗi nghẽn đường ống bơm tuần hoàn.

+--------------------------+--------------------+--------------------+
| Tiêu chí so sánh         | Mô hình 1D-CNN     | Mô hình 2D-CNN     |
+--------------------------+--------------------+--------------------+
| Số lượng tham số học     | ~15.400 tham số    | ~49.800 tham số    |
| Thời gian suy luận (ms)  | 16,8 ms            | 42,5 ms            |
| Độ chính xác tổng thể    | 98,75%             | 97,35%             |
| Dung lượng bộ nhớ RAM    | Thấp (~45 MB)      | Trung bình (~120 MB|
+--------------------------+--------------------+--------------------+

Thảo luận kết quả

Các kết quả thực nghiệm phản ánh chính xác các biến động động học của hệ thống chất lưu kín. Dữ liệu huấn luyện và kiểm thử được trực quan hóa thông qua đồ thị đáp ứng bước của bộ PID, biểu đồ hàm mất mát (Loss Curve) và ma trận nhầm lẫn (Confusion Matrix).

Qua ma trận nhầm lẫn, tỷ lệ nhận diện đúng đối với lỗi mất tín hiệu hoàn toàn đạt tuyệt đối 100%, trong khi tỷ lệ nhận diện lỗi suy giảm biên độ 10% đạt 97,8%. Nguyên nhân xuất hiện tỷ lệ sai số nhỏ khoảng 2,2% là do nhiễu tín hiệu tần số cao phát sinh từ nguồn cấp bơm DC 12V và dao động cơ khí của cánh tuabin đo lưu lượng. Khi so sánh với các nghiên cứu sử dụng thuật toán học máy cổ điển như SVM hay KNN, mô hình 1D-CNN trong đề tài cho thấy tốc độ xử lý nhanh hơn 45% và khả năng chống nhiễu vượt trội hơn 8% mà không cần bổ sung các bộ lọc thông thấp phức tạp.

Việc tích hợp thành công cảnh báo thời gian thực lên màn hình HMI TP700 Comfort và Web Server mở ra giải pháp giám sát đa kênh từ xa, giúp kỹ thuật viên tiếp cận thông tin sự cố ngay lập tức tại bất kỳ vị trí nào trong nhà máy.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, 4 giải pháp cụ thể được đề xuất nhằm ứng dụng và mở rộng hệ thống trong thực tế công nghiệp:

Thứ nhất, triển khai tích hợp trực tiếp mô hình học sâu 1D-CNN lên các thiết bị tính toán biên công nghiệp (Industrial Edge Computing hoặc máy tính nhúng IPC) trong vòng 6 tháng tới. Mục tiêu nâng tốc độ xử lý dữ liệu đạt dưới 10 mili giây và tối ưu hóa băng thông mạng SCADA, do bộ phận kỹ thuật tự động hóa của nhà máy chủ trì thực hiện.

Thứ hai, mở rộng tập dữ liệu huấn luyện bằng cách thu thập thêm khoảng 50.000 mẫu tín hiệu trong các điều kiện môi trường khắc nghiệt (nhiệt độ chất lỏng biến thiên từ 20 đến 80 độ C, rung động công nghiệp mạnh) trong giai đoạn 9 tháng tiếp theo. Nhóm nghiên cứu R&D sẽ chịu trách nhiệm tinh chỉnh các siêu tham số của mạng nơ-ron nhằm nâng độ chính xác toàn diện lên trên 99,5%.

Thứ ba, phát triển module điều khiển tự phục hồi (Self-healing Control Loop) trong thời gian 12 tháng. Khi phát hiện cảm biến chính bị sụt áp hoặc hỏng hóc, hệ thống PLC sẽ tự động kích hoạt cảm biến phụ trợ hoặc chuyển sang chế độ điều khiển ước lượng mềm để duy trì dây chuyền hoạt động liên tục, do đội ngũ kỹ sư điều khiển phối hợp cùng nhà cung cấp thiết bị triển khai.

Thứ tư, chuẩn hóa giao thức truyền thông công nghiệp theo chuẩn OPC UA và MQTT trong vòng 3 tháng tới nhằm đảm bảo tính an toàn dữ liệu và khả năng tương thích với các nền tảng đám mây quản trị doanh nghiệp (ERP/MES).

Đối tượng nên tham khảo luận văn

Nội dung và giải pháp kỹ thuật trong luận văn mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng chính:

1. Kỹ sư Tự động hóa và Bảo trì Nhà máy: Sử dụng luận văn làm tài liệu hướng dẫn kỹ thuật để thiết kế, đấu nối phần cứng PLC S7-1500, cấu hình màn hình HMI TP700 Comfort và ứng dụng trí tuệ nhân tạo vào hệ thống giám sát cảnh báo lỗi thiết bị.
2. Học viên Cao học và Nghiên cứu sinh: Tham khảo phương pháp luận khoa học, cấu trúc xây dựng mô hình mạng 1D-CNN xử lý dữ liệu cảm biến chuỗi thời gian và cách kết hợp giải thuật PID với Deep Learning.
3. Doanh nghiệp Sản xuất Chế tạo: Ứng dụng mô hình FDD vào dây chuyền sản xuất nhằm giảm thiểu 25% thời gian ngừng máy đột xuất, tối ưu hóa chi phí vận hành và thúc đẩy lộ trình chuyển đổi nhà máy thông minh.
4. Giảng viên và Sinh viên Khối ngành Kỹ thuật Điện - Tự động hóa: Sử dụng làm giáo trình tham khảo chuyên sâu và tài liệu thực hành trong các môn học về Hệ thống Điều khiển Công nghiệp, Kỹ thuật SCADA và Trí tuệ Nhân tạo Ứng dụng.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại ưu tiên lựa chọn mạng 1D-CNN thay vì 2D-CNN hay các mô hình học máy truyền thống?
Mạng 1D-CNN được thiết kế tối ưu cho dữ liệu chuỗi thời gian một chiều từ các cảm biến công nghiệp. Mô hình chỉ sử dụng khoảng 15.400 tham số, giúp giảm 68% khối lượng tính toán so với 2D-CNN, đồng thời đạt độ chính xác chẩn đoán vượt trội 98,75% mà không cần trích xuất đặc trưng thủ công như thuật toán SVM.

2. Hệ thống phần cứng thực nghiệm bao gồm những thiết bị chính nào?
Hệ thống sử dụng mô hình IT-5200 Process Control Trainer, điều khiển chính bởi PLC Siemens S7-1500 (CPU 1512C-1 PN), màn hình HMI TP700 Comfort, động cơ bơm 12VDC công suất 60W, cảm biến mức nước LVDT dải đo 250mm, cảm biến lưu lượng tuabin và cảm biến áp suất Strain Gauge 10 bar.

3. Thuật toán PID đóng vai trò gì khi kết hợp cùng mô hình Deep Learning?
Bộ điều khiển PID đảm nhiệm vai trò kiểm soát phản hồi kín giúp duy trì mực nước ổn định với sai số xác lập dưới 1,2%. Trong khi đó, mô hình Deep Learning hoạt động song song ở tầng giám sát để nhận diện các bất thường trong tín hiệu điều khiển và cảm biến mà PID không thể tự phát hiện.

4. Dữ liệu các dạng lỗi được thu thập và giả lập như thế nào trong nghiên cứu?
Nhóm nghiên cứu thiết kế mạch giả lập lỗi phần cứng chuyên dụng để tạo ra 7 kịch bản sự cố thực tế gồm: sụt áp tín hiệu 10%, sụt áp 15% do suy hao đường truyền, mất hoàn toàn tín hiệu cảm biến do đứt dây, và kẹt nghẽn van điện từ với quy mô hơn 12.000 mẫu đo.

5. Người vận hành có thể giám sát trạng thái và nhận cảnh báo sự cố qua những kênh nào?
Hệ thống hỗ trợ giám sát đa kênh trực quan: hiển thị trực tiếp đồ thị và mã lỗi lên màn hình HMI TP700 Comfort tại trạm cục bộ, đồng thời truyền dữ liệu lên máy chủ Web Server giúp kỹ thuật viên theo dõi từ xa qua trình duyệt máy tính cá nhân trong thời gian thực.

Kết luận

• Xây dựng thành công hệ thống ổn định mức chất lỏng ứng dụng giải thuật PID trên PLC Siemens S7-1500 với sai số xác lập duy trì dưới 1,2%.
• Thiết kế và huấn luyện mô hình học sâu 1D-CNN đạt độ chính xác nhận dạng và phân loại lỗi cảm biến, cơ cấu chấp hành lên tới 98,75%.
• Tối ưu hóa số lượng tham số tính toán của mạng 1D-CNN xuống chỉ còn 15.400 tham số, rút ngắn thời gian chẩn đoán sự cố xuống dưới 18 mili giây.
• Hoàn thiện giao diện giám sát, cảnh báo lỗi đa nền tảng trên màn hình HMI TP700 Comfort và Web Server nội bộ trong thời gian thực.
• Đóng góp giải pháp khoa học và thực tiễn vững chắc cho lộ trình chuyển đổi số, bảo trì dự đoán và tự động hóa công nghiệp trong giai đoạn 2023 - 2025.

Quý bạn đọc, kỹ sư và nhà nghiên cứu quan tâm đến mô hình điều khiển thông minh có thể tải toàn văn luận văn thạc sĩ và bộ mã nguồn để ứng dụng trực tiếp vào các dự án tự động hóa công nghiệp thực tế.

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.