ỨNG DỤNG MẠNG NƠ RON TRONG CHẨN ĐOÁN TÌNH TRẠNG KỸ THUẬT ĐỘNG CƠ ĐIỆN KÉO CỦA ĐẦU MÁY

DANH MỤC CÁC TỪ VIẾT TẮT AI Trí tuệ nhân tạo Artificial Intelligence ANN Artificial Neural Network BPN Mạng nơron lan truyền ngƣợc Back Propagation Neural Network ĐCĐK Động cơ điện kéo Đ

BỘ GIÁO DỤC & ĐÀO TẠO BỘ CÔNG THƯƠNG

VIỆN NGHIÊN CỨU ĐIỆN TỬ, TIN HỌC, TỰ ĐỘNG HÓA

NGUYỄN VĂN NGHĨA

ỨNG DỤNG MẠNG NƠ RON TRONG CHẨN ĐOÁN TÌNH TRẠNG KỸ THUẬT ĐỘNG CƠ ĐIỆN KÉO

CỦA ĐẦU MÁY

LUẬN ÁN TIẾN SĨ KỸ THUẬT

HÀ NỘI 2012

BỘ GIÁO DỤC & ĐÀO TẠO BỘ CÔNG THƯƠNG

VIỆN NGHIÊN CỨU ĐIỆN TỬ, TIN HỌC, TỰ ĐỘNG HÓA

NGUYỄN VĂN NGHĨA

ỨNG DỤNG MẠNG NƠ RON TRONG CHẨN ĐOÁN TÌNH TRẠNG KỸ THUẬT ĐỘNG CƠ ĐIỆN KÉO

CỦA ĐẦU MÁY

Chuyên ngành : Kỹ Thuật Điện tử

MỤC LỤC

1.1 Về lý thuyết chẩn đoán 12

1.1.1 Đối tượng và mục tiêu của bài toán chẩn đoán 15

1.1.2 Mô hình toán học đối tượng chẩn đoán và bài toán chẩn đoán 16

1.1.3 Chẩn đoán dựa trên phân loại triệu chứng 18

1.1.4 Phương pháp chẩn đoán dựa trên mô hình hóa 20

1.2 Các phương pháp phát hiện lỗi dựa trên mô hình hóa 23

1.2.1 Phát hiện lỗi bằng so sánh phần cứng 24

1.2.2 Phương pháp kiểm tra phù hợp 25

1.2.3 Phương pháp phân tích đáp ứng đầu ra 26

1.3 Các hướng nghiên cứu chính trong chẩn đoán kỹ thuật 26

1.3.1 Nghiên cứu về phân tích và xử lý số liệu 26

1.3.2 Nghiên cứu về thông số chẩn đoán 28

1.4 Các hướng nghiên cứu chính trong chẩn đoán động cơ điện 28

1.4.1 Các nghiên cứu về thông số chẩn đoán 29

1.4.2 Các nghiên cứu về xử lý thông tin 31

1.5 Các nghiên cứu về động cơ một chiều 32

1.5.1 Về động cơ một chiều 32

1.5.2 Về động cơ điện kéo trên đầu máy 34

1.6 Tình hình nghiên cứu về chẩn đoán ở Việt Nam 34

CHƯƠNG 2: MÔ HÌNH HÓA VÀ XÂY DỰNG TẬP THAM SỐ CHẨN ĐOÁN CHO ĐCĐK 38 2.1 Sử dụng mô hình cấu trúc trong mô hình hóa và phân tích bài toán chẩn đoán 38

2.1.1 Mô hình hóa bằng mô hình cấu trúc và phương pháp xác định tập mối quan hệ cho chẩn đoán lỗi dựa trên mô hình cấu trúc 38

2.1.2 Ý nghĩa của tập thông số chẩn đoán và phương pháp xây dựng tập thông số chẩn đoán phù hợp 42

2.1.3 Thuật toán tối thiểu hóa thông số sử dụng hàm chỉ tiêu chất lượng thông số 44

2.1.4 Xác định tập thông số chẩn đoán cho bài toán phát hiện lỗi và phân biệt lỗi 45

2.2 Mô hình hóa bài toán chẩn đoán ĐCĐK bằng mô hình cấu trúc 46

2.2.1 Mô hình toán học của động cơ điện kéo trong trạng thái làm việc bình thường 46

2.2.2 Mô hình hóa ĐCĐK trong trường hợp lỗi 58

2.2.3 Mô hình hóa đối tượng chẩn đoán bằng mô hình cấu trúc 61

2.3 Grap chẩn đoán của ĐCĐK 65

2.4 Tối thiểu hóa tập thông số sử dụng mô hình cấu trúc và hàm chỉ tiêu chất lượng thông số: 67

2.4.2 Đánh giá lượng tin của các thông số: 69

2.5 Đánh giá và lựa chọn tập tham số tối ưu: 75

2.5.1 Lựa chọn tập tham số cho bài toán phát hiện lỗi 75

2.5.2 Lựa chọn tập thông số cho bài toán chẩn đoán lỗi: 75

CHƯƠNG 3: ỨNG DỤNG MẠNG NƠRON TRONG CHẨN ĐOÁN KỸ THUẬT ĐỘNG CƠ ĐIỆN KÉO 79 3.1 Phương pháp xây dựng mô hình máy tính cho chẩn đoán dựa trên mô hình đối chứng: 79

3.2 Ứng dụng mạng nơron nhân tạo trong nội suy hàm số 81

3.2.1 Bài toán nội suy 81

3.2.2 Về mạng nơron nhân tạo 83

3.2.3 Ứng dụng mạng nơron RBF trong phương pháp chẩn đoán dựa trên khâu đối chứng 92

3.3 Đề xuất phương pháp phát hiện lỗi dựa trên ước lượng nhiệt độ gió làm mát sử dụng RBF 93

3.3.1 Phân tích mối quan hệ giữa thông số hoạt động và nhiệt độ của ĐCĐK: 93

3.3.2 Xây dựng mô hình phát hiện lỗi thông qua ước lượng nhiệt độ dựa trên mạng nơron 95

3.3.3 Cấu trúc mạng cho bài toán ước lượng nhiệt độ 96

3.3.4 Xây dựng mô hình thực nghiệm 98

3.3.5 Đánh giá kết quả thông qua mô phỏng 99

3.3.6 Mạng RBF cho bài toán nhiệt độ 100

3.4 Đề xuất phương pháp chẩn đoán mức độ đánh lửa cổ góp thông qua ước lượng thông số Utx 101

3.4.1 Hiện tượng đánh lửa cổ góp và phương pháp đo 101

3.4.2 Phân tích quan hệ giữa các thông số của thiết bị 103

3.4.3 Phương pháp ước lượng U tx 104

3.4.4 Xây dựng mô hình chẩn đoán 105

3.4.5 Thử nghiệm và tối ưu thông số mạng 106

3.4.6 Kiểm nghiệm tính đúng của phương pháp trên thiết bị thực 115

TÀI LIỆU THAM KHẢO 130

Hình 3.1: Minh họa bài toán nội suy hàm một biến 81

Hình 3.17: Sai số ước lượng theo số lượng tâm Lấy tâm trùng mẫu học 109 Hình 3.18: Sai số ước lượng theo số lượng tâm C 110 Hình 3.19: Đồ thị sai số trung bình theo k và C 112 Hình 3.20: Sai số ước lượng theo số lượng mẫu học - Phân bố tâm cách

Hình 3.21: Kết quả học và ước lượng thông số UFN 115 Hình 3.22: Bố trí các cảm biến thu nhận tín hiệu 117 Hình 3.23: Mẫu đồ thị biểu diễn sự biến thiên của UF, IF, nF 120 Hình 3.24: Đồ thị biểu diễn mối quan hệ UF, IF, nF trước và sau khi loại

Hình 3.25: Ước lượng UNF(n,I) so sánh với giá trị thực 123

DANH MỤC CÁC KÝ HIỆU

U F [V], I F [A] Điện áp và dòng điện cấp

Điện áp và dòng điện trên cuộn kích từ

U tx [V] Tổng sụt áp trên tiếp xúc của cổ góp

[WB] Từ trường chính của động cơ

t o ct , t o A , t o cc , t o tx [ o C] Nhiệt độ ổ đỡ, phần ứng, các cực từ và chổi than

P cc , P A , P tx [W] Công suất tiêu tán trên cực từ, phần ứng và trên

cổ góp

t c [ o C] Nhiệt độ thân máy

r A , r cc [ ] Điện trở thuần của phần ứng, các cực từ

DANH MỤC CÁC TỪ VIẾT TẮT

AI Trí tuệ nhân tạo (Artificial Intelligence)

ANN Artificial Neural Network

BPN Mạng nơron lan truyền ngƣợc (Back Propagation Neural

Network) ĐCĐK Động cơ điện kéo

ĐTCĐ Đối tƣợng chẩn đoán

FD Hệ phát hiện lỗi (Fault Detection)

FDI Hệ phát hiện và phân biệt lỗi (Fault Detection and Isolation) FDIA Hệ phát hiện lỗi và phân tích lỗi (Fault Detection, Isolation and

Analyse) FFT Phân tích Furrier nhanh (Fast Furrier Transform)

MFĐC Máy phát điện chính

MLP Mạng đa lớp truyền thẳng (Multi Layer Perceptron Network) MSS Cấu trúc tối thiểu

(Minimine Structural Set)

NN Mạng nơron (Neural Network)

PCA Phát hiện lỗi dựa trên phân tích phần tử cơ bản

(Principal Component Analyse) RBF Mạng nơron xuyên tâm (Radial Basis Function)

TSCĐ Thông số chẩn đoán

LỜI CAM ĐOAN

Tôi xin cam đoan luận án này là công trình nghiên cứu khoa học của tôi

và không trùng lặp với bất cứ công trình khoa học nào khác Các số liệu trình bày trong luận án đã đƣợc kiểm tra kỹ và phản ánh hoàn toàn trung thực Các kết quả nghiên cứu do tác giả đề xuất chƣa từng đƣợc công bố trên bất kỳ tạp chí nào đến thời điểm này ngoài những công trình của tác giả

Hà nội, ngày 14 tháng 10 năm 2012

Tác giả luận án

Nguyễn Văn Nghĩa

MỞ ĐẦU

Đầu máy diezel truyền động điện một chiều được sử dụng rất phổ biến trong ngành đường sắt Việt Nam hiện nay và trong nhiều năm tới Đây là loại thiết bị phù hợp với điều kiện đường sắt chưa điện khí hóa Hệ thống truyền động điện trên đầu máy sử dụng một hệ thống máy phát điện – động cơ điện

để truyền năng lượng từ động cơ diezel sơ cấp xuống bánh tàu, tạo ra lực kéo cho đoàn tàu Trong hệ thống truyền động bằng điện này, động cơ điện kéo (ĐCĐK) là loại động cơ điện một chiều có cổ góp, kích từ nối tiếp, cho đặc tính sức kéo rất phù hợp với giao thông và truyền động năng lượng hệ cô lập,

là thành phần trọng yếu của hệ thống truyền động Tuy nhiên, đây cũng là loại máy điện có độ tin cậy, ổn định vận hành thấp hơn các loại động cơ khác, đòi hỏi phải chấp hành nghiêm các quy trình kỹ thuật trong vận hành, duy trì bảo dưỡng và thường xuyên theo dõi tình trạng kỹ thuật và vận hành của chúng để

có những quyết định xử lý kịp thời nhằm đảm bảo hoạt động bình thường của ĐCĐK nói riêng và hệ thống truyền động điện nói chung của giao thông đường sắt

ĐCĐK lắp trên đầu máy diezel một mặt chịu ảnh hưởng bởi phụ tải lớn, bị chấn động va đập khi qua mối nối ray, qua ghi, chịu nhiệt độ cao, bụi bẩn, độ ẩm của môi trường, sự biến động lớn của điện áp, cường độ dòng điện khi khởi động và khi thay đổi tốc độ theo tải và tuyến đường; ĐCĐK lắp dưới gầm giá chuyển có không gian lắp đặt hạn hẹp, dễ bị nắng mưa cát bụi, dầu

mỡ và các chất bẩn bám vào; Mặt khác chịu điều kiện khắc nghiệt của môi trường nhiệt đới có nhiệt độ và độ ẩm không khí cao, môi trường địa hình luôn bị thay đổi do chạy qua nhiều vùng có thời tiết khí hậu khác nhau, nhiều khi chịu sự quá tải và suy giảm từ trường cũng sinh ra các xung điện áp lớn, khi lên dốc hoặc khởi động trên đường có hệ số bám nhỏ do trời mưa hoặc do

bộ phận chống rãy máy điều khiển thiếu chính xác, dẫn đến rãy máy kéo dài

ảnh hưởng rất xấu đến chất lượng làm việc của ĐCĐK Trong những điều kiện hoạt động như vậy việc theo dõi nắm được tình trạng của ĐCĐK cũng như dự báo được những hỏng hóc có thể xẩy ra thông qua việc đo đạc và xử

lý các tham số hoặc các nhóm tham số để đưa ra những kết luận là hết sức cần thiết,chính vì vậy chẩn đoán kỹ thuật là bài toán luôn được đặt ra với các hệ thống và thiết bị nhằm phát hiện sớm các sự cố và đảm bảo tính tin cậy, liên tục, đáp ứng yêu cầu khắt khe của ngành đường sắt Tuy nhiên, với động cơ điện kéo, các phương pháp xử lý số liệu chẩn đoán thông thường có nhiều hạn chế do tập số liệu đo bị thu hẹp và dải thông số làm việc rộng, khó xây dựng được các giới hạn biên hiệu quả Trong khi đó, ở Việt Nam, các trung tâm giám sát, phân tích số liệu tự động chưa được xây dựng, nên việc thu thập,

phân tích số liệu chẩn đoán gặp nhiều khó khăn

Việc thiếu các trung tâm số liệu cũng làm hạn chế phương pháp xử lý

số liệu bằng thống kê, bởi vậy giải pháp cho vấn đề nêu trên cần tìm kiếm phương án xử lý số liệu thích hợp với tập tham số có giá trị thống kê cũng như khi giá trị thống kê chưa đủ tức là trong trường hợp vừa thu thập các tập tham số vừa xử lý để tiệm cận đến giá trị thống kê (quy luật thống kê) thông qua quá trình học của hệ thống xử lý Phương pháp xử lý số liệu sử dụng mạng nơron có khả năng đáp ứng những yêu cầu trên, cho phép nâng cao khả năng xử lý số liệu và mở rộng tập thông số chẩn đoán

Việc nghiên cứu giải quyết những vấn nêu trên không chỉ là đáp ứng yêu cầu thực tiễn cấp thiết của ngành đường sắt mang tính thời sự trong giai đoạn hiện nay và thời gian tới mà còn có ý nghĩa khoa học khi đưa những công cụ mô phỏng và tính toán hiện đại vào lĩnh vực chẩn đoán kỹ thuật của ngành

Đề tài luận án “Ứng dụng mạng nơ ron trong chẩn đoán tình trạng

kỹ thuật động cơ điện kéo của đầu máy” đi sâu nghiên cứu về lý thuyết chẩn

đoán áp dụng cho đối tượng động cơ điện kéo nhằm các mục tiêu sau:

- Xác định tập các thông số chẩn đoán phù hợp cho ĐCĐK

- Ứng dụng mạng nơron trong chẩn đoán tình trạng kỹ thuật ĐCĐK

Đối tượng nghiên cứu của luận án: Luận án chẩn đoán kỹ thuật áp

dụng cho ĐCĐK trong tình trạng đang hoạt động

Phạm vi nghiên cứu: ứng dụng mạng nơron trong chẩn đoán kỹ thuật Phương pháp nghiên cứu: Trên cơ sở nghiên cứu lý thuyết về chẩn

đoán, lựa chọn và xây dựng các mô hình chẩn đoán và phương pháp chẩn đoán tình trạng kỹ thuật của đối tượng cần chẩn đoán Thực hiện mô phỏng trên máy tính và trên mô hình thí nghiệm để đánh giá kết quả chẩn đoán

Cấu trúc của luận án gồm:

Mở đầu

Chương 1: Chẩn đoán kỹ thuật cho động cơ điện kéo: Nghiên cứu về

phương pháp chẩn đoán dựa trên mô hình áp dụng cho bài toán chẩn đoán thiết bị trong tình trạng hoạt động Tình hình nghiên cứu về chẩn đoán kỹ thuật và chẩn đoán kỹ thuật cho động cơ điện kéo

Chương 2: Mô hình hóa và xây dựng tập thông số chẩn đoán cho ĐCĐK:

Trên cơ sở phân tích mô hình cấu trúc của đối tượng và xác định hàm chỉ tiêu chất lượng thông số chẩn đoán, xây dựng tập thông số chẩn đoán cho bài toán phát hiện lỗi và phân biệt lỗi

Chương 3: Ứng dụng mạng nơron trong chẩn đoán kỹ thuật cho ĐCĐK

Nghiên cứu phương pháp phân tích triệu chứng lỗi ứng dụng mạng nơron RBF trong ước lượng thông số chẩn đoán dựa trên mô hình Áp dụng cho bài

toán phát hiện lỗi dựa trên nhiệt độ và xây dựng triệu chứng lỗi cho bài toán chẩn đoán lỗi đánh lửa cổ góp

Kết luận và kiến nghị

Phụ lục

CHƯƠNG 1: CHẨN ĐOÁN KỸ THUẬT

CHO ĐỘNG CƠ ĐIỆN KÉO

1.1 Về lý thuyết chẩn đoán

CĐKT là khoa học về xác định trạng thái của một hệ thống ở một thời điểm xác định đang hoặc sẽ diễn ra, dựa trên các triệu chứng bên ngoài Nội dung của khoa học này xem xét các phương pháp thu thập và đánh giá các thông tin chẩn đoán, các mô hình chẩn đoán và thuật toán ra quyết định Chẩn đoán cũng có thể sử dụng các phép kiểm tra, tức là các trạng thái đầu vào đặc biệt nhằm làm cho hệ thống bộc lộ các triệu chứng của trạng thái hiện tại Mục đích của CĐKT là đánh giá trạng thái ở các thời điểm, phát hiện sớm các

hư hỏng đang và sẽ phát sinh của hệ thống, từ đó đưa ra các biện pháp kỹ thuật chống hỏng hóc, bảo trì báo dưỡng nhằm cải thiện độ tin cậy, an toàn và tuổi thọ của hệ thống kỹ thuật [16]

Lỗi được định nghĩa như một sự sai lệch không chấp nhận được của ít nhất một tham số, thuộc tính hay biến so với giá trị chuẩn Kết quả chẩn đoán đánh giá mức độ sai lệch của thông số kỹ thuật của đối tượng trong chẩn đoán thời gian (kiểm soát) hiện tại, cũng như kiểm tra tính sẵn sàng và hoạt động đúng của đối tượng, việc tìm kiếm các lỗi ảnh hưởng tới tính hiệu quả và khả năng hoạt động của đối tượng Khi xác định tình trạng kỹ thuật của các đối tượng, cũng phải giải quyết vấn đề dự báo diễn biến lỗi, vấn đề nguồn gốc lỗi

và ước lượng tình trạng kỹ thuật của đối tượng trong tương lai Một hệ thống chẩn đoán sẽ thực hiên công việc trên bằng cách thực hiện một loạt các phép kiểm tra, thu thập số liệu, phân tích các số liệu đã thu thập để tìm ra các dấu hiệu đặc biệt, và trên cơ sở các dấu hiệu đã tìm thấy, kết luận về trạng thái của thiết bị

Bản chất của chẩn đoán là sự phát triển và thực hiện các thuật toán ước tính các thông số kỹ thuật của đối tượng chẩn đoán mà không cần thay đổi điều kiện làm việc của các thông số kiểm soát

Từ các mô hình bộ lọc lỗi phát hiện lỗi được Beard và Jones đề cập năm 1970, đến nay, lý thuyết về chẩn đoán và phát hiện lỗi đã phát triển thành một nhánh quan trọng trong kỹ thuật thiết kế và chế tạo nhờ sự phát triển của các lĩnh vực liên quan như: Khoa học về máy tính, lý thuyết điều khiển và mô hình hóa Đặc biệt do sự phát triển phần cứng máy tính cho phép xây dựng những khâu điều khiển và tính toán với tốc độ cao là cơ sở cho các hệ thống tính toán điều khiển phức tạp

Rose Issermant đã chia bài toán chẩn đoán thành bốn bài toán với các cấp độ nhận dạng lỗi từ đơn giản đến phức tạp Một hệ thống chẩn đoán lỗi thường có nhu cầu thực hiện các mức độ chẩn đoán càng cao càng tốt, nhằm phát hiện lỗi, định vị và ước lượng được các thông tin liên quan đến lỗi:

- Bài toán phát hiện lỗi (Fault Detection): Mục tiêu là xác định xem đối tượng có làm việc bình thường hay không Trong trường hợp này, tập trạng

thái được chia thành hai tập nhỏ: S 0 ứng với trạng thái làm việc bình thường

và các trạng thái còn lại ứng với lỗi Nhiệm vụ của bài toán là xác định xem

hệ đang nằm trong trạng thái S 0 hay các trạng thái còn lại Hệ thống sẽ tạo ra tín hiệu cảnh báo cho người vận hành về tình trạng làm việc bất thường của

hệ thống

- Bài toán phân biệt lỗi (Fault Isolation): Trong trường hợp này, cần

phân biệt càng rõ càng tốt xem đối tượng đang nằm trong trạng thái nào trong

số các trạng thái S i đã nêu ở trên Do một lỗi xảy ra trong đối tượng đồng thời ảnh hưởng đến nhiều thông số đầu ra khác nhau nên việc xác định đúng trạng thái của đối tượng là một công việc hoàn toàn không dễ dàng; thậm chí trong một số tình huống là không thể thực hiện được Nội dung của bài toán là phân

tích, tổng hợp các triệu chứng của lỗi, từ đó định vị được lỗi nằm ở bộ phận chức năng nào

- Bài toán xác định lỗi (Fault Indentification) mong muốn tìm nguyên

nhân của lỗi: Chi tiết gây ra lỗi, thời điểm gây ra lỗi

- Cao hơn nữa, một hệ thống dung lỗi (Fault Tollerance) cho phép làm

việc trong trường hợp có lỗi bằng cách sử dụng các giải pháp thay thế tương đương về phần cứng hoặc phần mềm: Với các cảm biến lỗi, tín hiệu của cảm biến có thể được thay thế bằng tính toán tương đương từ các thông số khác của hệ thống Trong trường hợp này, hệ sẽ phải chịu chất lượng làm việc thấp hơn do chi phí tính toán cao hơn, độ chính xác giảm do phương pháp tính gián tiếp, độ tin cậy giảm do không có thông số kiểm soát nhưng vẫn duy trì được trạng thái làm việc bình thường của cả hệ thống

Các định nghĩa về quá trình nhận dạng lỗi đã được định nghĩa bởi Hiệp hội Safe Process do R Isermann và P Ballé đề xuất năm 1996, bao gồm: [48]

- Theo dõi (Monitoring): là quá trình thu thập và chuyển đổi các thông

số chẩn đoán nhằm phát hiện các biểu hiện bất thường Quá trình này thực hiện với thời gian thực

- Giám sát (Supervison) bao gồm quá trình theo dõi và đưa ra những

quyết định cho phép chắc chắn những hành động hợp lý trong trường hợp có lỗi

- Bảo vệ (Protection): Bao gồm tất cả các quá trình giám sát và thao tác

nhằm hạn chế tối đa những thiệt hại do lỗi gây ra

Trong tài liệu này cũng phân biệt giữa theo dõi diễn biến của quá trình (hoạt động của một đối tượng) và theo dõi trạng thái của quá trình (trạng thái của đối tượng)

Theo dõi hoạt động được hiểu là công việc hướng tới chẩn đoán đối tượng, tín hiệu hóa và thể hiện dưới dạng lược đồ trạng thái của đối tượng và

sự thay đổi của nó Như vậy, các hệ thống theo dõi trạng thái là các hệ thống chẩn đoán thời gian thưc Khi đối tượng hoạt động trong thời gian thực, hệ thống chẩn đoán có thể hỗ trợ hoạt động kiểm tra và bảo vệ cho hệ thống như yêu cầu đối với hệ thống giám sát Vì vậy, một hệ thống giám sát được định nghĩa là một hệ thống chẩn đoán liên tục hoặc một hệ quan sát liên tục trạng thái của đối tượng

Kiểm tra là một công việc tiếp theo của chẩn đoán Công việc này được hiểu như là việc xác định một tập của các phép thử các nhau được xây dựng theo trật tự để định lượng giá trị của các thuộc tính có ích của đối tượng được phân tích trong dải đã được xác định của thông số Một dạng đặc biệt của các thao tác này là các phép chẩn đoán, nhằm xác định xem những tiêu chí đã được xác định có phù hợp với các tiêu chuẩn và khuyến nghị hay không Một quá trình chẩn đoán có thể được thực hiện tự động Trong trường hợp đó, các phép chẩn đoán được hiểu là một tập của các thao tác được thực hiện bởi phần mềm nhằm đặt các giá trị cho trước lên các biến công nghệ Mục tiêu của các thao tác trên là để kiểm tra sự phù hợp trong hoạt động của phần đối tượng cần kiểm tra Kết quả của phép kiểm tra trên là tín hiệu kiểm tra - có chứa những thông tin về chi tiết cần kiểm tra

1.1.1 Đối tượng và mục tiêu của bài toán chẩn đoán

Mục tiêu của bài toán chẩn đoán là xác định xem hệ thống đang làm việc có bình thường hay không và trạng thái của nó như thế nào Trong [38], Mattias Nyberg đã định nghĩa bài toán phân loại chẩn đoán như sau:

Coi đối tượng chẩn đoán gồm n chi tiết, mỗi chi tiết có các thông số

trạng thái tương ứng x i Hệ sẽ làm việc bình thường khi cả n chi tiết đều làm việc bình thường Khi một trong số các chi tiết này làm việc không bình

thường, hệ sẽ gặp lỗi f i

Có thể xảy ra 3 tình huống như sau:

- Hệ không lỗi : Trạng thái của hệ thống đặc trƣng bởi tập lỗi trống

S 0 ={}

- Hệ gặp một trong số các lỗi đã nêu S m ={f i }

- Hệ gặp đồng thời nhiều lỗi đồng thời S n ={f i , f j , }

Nhƣ vậy, tại một thời điểm, hệ sẽ nằm ở một trong các trạng thái của

tập trạng thái {S 0 , S m , S n }

Mục tiêu của bài toán chẩn đoán là xác định xem hệ đang nằm ở trạng thái nào trong số các trên Có thể thấy ngay rằng, số lƣợng trạng thái trong tập tăng theo cấp số nhân theo số lƣợng phần tử và số lỗi đồng thời xảy ra Nói cách khác, hệ càng phức tạp và số lƣợng lỗi đồng thời xảy ra càng nhiều thì việc chẩn đoán càng khó khăn

1.1.2 Mô hình toán học đối tƣợng chẩn đoán và bài toán chẩn đoán

Mô hình toán học của đối tƣợng chẩn đoán đƣợc thể hiện tổng quát nhƣ sau:

Hình 1.1: Mô hình đối tượng chẩn đoán trong trường hợp có lỗi

Trong đó:

U(t): Véc tơ thông số đầu vào của đối tƣợng chẩn đoán

Y(t): Véc tơ thông số đầu ra của đối tƣợng chẩn đoán

X(t): Véc tơ thông số cấu trúc của đối tƣợng chẩn đoán

F(t) có thể biến đổi liên tục tương ứng với sự hao mòn của thiết bị hoặc

Như vậy, trong trường hợp lỗi, hàm lỗi F(t) làm thay đổi giá trị thông

số trạng thái của thiết bị từ X(t) thành X(t)+ X(t) và thông qua ánh xạ , thông số đầu ra thay đổi một lượng y(t) thành y(t)+ y(t)

Công thức 1.1 sẽ thay đổi thành:

Đối với hệ tuyến tính, F(t) có thể là lỗi nhân hoặc lỗi cộng Việc chẩn đoán lỗi nhân thường đòi hỏi phải có giá trị đầu vào (u i (t)i 0)

Bản chất của chẩn đoán là dựa vào những dấu hiệu đầu ra y, để xác

định sự thay đổi của thông số trạng thái của đối tượng Tức là, nếu xác định được ánh xạ ngược:

thì bài toán coi như được giải xong [66] Tuy nhiên, có hai vấn đề mà cách giải quyết các vấn đề trên sẽ tạo ra các phương pháp chẩn đoán khác nhau:

Vấn đề 1: Cách xác định sự bất thường của đầu ra: Những sai lệch có

thể phát hiện được mang ý nghĩa chẩn đoán được goi là triệu chứng Có thể xác định các triệu chứng này dựa vào phương pháp thống kê hoặc dựa trên so sánh với một hệ thống có hàm truyền đạt tương tự với hệ thống cần chẩn đoán

thường là không biết và khó xác định

Tùy theo cách tiếp cận của bài toán chẩn đoán, một số mô hình chẩn đoán sau đã được nghiên cứu và ứng dụng:

a Chẩn đoán dựa trên triệu chứng b Chẩn đoán dựa trên mô hình Hình 1.2: Các phương pháp chẩn đoán và cơ chế phân loại lỗi

Sơ đồ hệ thống chẩn đoán trong Hình 1.2 mô tả các bước cơ bản của quá trình chẩn đoán [48] Nó cho thấy sự khác nhau cơ bản của phương pháp chẩn đoán dựa trên triệu chứng và chẩn đoán dựa trên mô hình

1.1.3 Chẩn đoán dựa trên phân loại triệu chứng

Phân loại triệu chứng là phương pháp chẩn đoán truyền thống [38] Trên cơ sở những thông số quan trọng có thể đo được, các biểu hiện lỗi (triệu chứng) được phát hiện bằng cách so sánh với các giá trị ngưỡng Tập hợp các triệu chứng hoặc từng triệu chứng đơn lẻ sẽ cho biết tình trạng hiện tại của hệ thống

F- lỗi Y-đầu ra

ĐTCĐ

U-đầu vào

Phát hiện sai lệch

Ước lượng sai lệch

R-Sai lệch

Mô hình hóa

Phân loại

S-Triệu chứng

Phân biệt lỗi

Phân biệt lỗi

S-Triệu chứng

F-Lỗi

Phương pháp phân loại sử dụng mô hình thống kê và phân loại mẫu để tìm ra mối quan hệ ngược từ sai lệch đầu ra về lỗi đầu vào

Cách giải quyết vấn đề 1: Tập triệu chứng được xây dựng bằng cách

so sánh giá trị đầu ra với giá trị chuẩn - ngưỡng chuẩn đoán Để đảm bảo không nhầm lẫn, giá trị ngưỡng phải được lấy đủ lớn sao cho có thể phân biệt được trạng thái bình thường và trạng thái lỗi có tính đến ảnh hưởng của nhiễu Triệu chứng được định nghĩa là những thay đổi của thông số chẩn đoán có thể

phát hiện được Tập triệu chứng S chính là tập chứa các giá trị y+ y sai khác

đủ lớn so với giá trị thông thường để có thể phân biệt được bằng ngưỡng {s}

là tập con của { y}

Công thức (1.5) sẽ biến đổi thành:

Trong đó:

S=[s 1 s ns ] là véc tơ triệu chứng đầu vào của hệ chẩn đoán

F=[f 1 f nf ]: Véctơ kết luận chẩn đoán, f i nhận giá trị trong khoảng từ 0

đến 1 ứng với khả năng có lỗi i của đối tượng;

Cách giải quyết vấn đề 2: Ánh xạ ngược -1

được xây dựng trên cơ sở phương pháp phân loại thống kê (Hình 1.2.a)

Đặc điểm của phương pháp chẩn đoán dựa trên phân loại triệu chứng

đã được thể hiện trong công thức (1.6): Phương pháp phân loại không quan tâm đến cấu trúc bên trong, bản chất vật lý cũng như các hiện tượng diễn ra bên trong đối tượng Các kết luận dựa trên các cơ sở số liệu thống kê, do vậy, hoàn toàn độc lập với cấu trúc của thiết bị Nói cách khác, kết luận chẩn đoán

là hoàn toàn khách quan so với cấu trúc, hoạt động của thiết bị

Nhược điểm của phương pháp này là không cho phép chẩn đoán sâu và khả năng chẩn đoán tương đối cứng nhắc, tập triệu chứng bị bó hẹp ở tập

thông số đầu ra và thông số kết cấu làm cho hiệu quả chẩn đoán không được cao và hạn chế khả năng chẩn đoán online Bằng việc xây dựng các phương pháp chuyên gia trong phân tích số liệu và mô phỏng quá trình kết luận của chuyên gia, phương pháp này trở nên hiệu quả hơn, nâng cao chất lượng chẩn đoán và mở rộng phạm vi ứng dụng của phương pháp [20]

Dựa trên cơ sở quan sát lâu dài tập các đối tượng chẩn đoán, các hư hỏng và triệu chứng gặp phải, người ta có thể xây dựng được mối quan hệ ngược giữa các triệu chứng và hư hỏng cũng như độ tin cậy của kết luận Mối quan hệ này có thể được thể hiện bằng các bảng sự thật, ma trận kết luận chẩn đoán hoặc cây xác suất, Bayes Graph

Các kết quả của phương pháp này là cơ sở cho các phương pháp kết luận chẩn đoán dựa trên ma trận chẩn đoán và graph chẩn đoán

Phương pháp này vẫn được áp dụng trong những lĩnh vực mà ở đó, mối quan hệ giữa lỗi và thông số cấu trúc không thể mô tả tường minh bằng các quan hệ toán học

1.1.4 Phương pháp chẩn đoán dựa trên mô hình hóa

Nhược điểm của phương pháp chẩn đoán truyền thống đòi hỏi phải có

số liệu thống kê về đối tượng trong trạng thái làm việc bình thường và trạng thái hư hỏng Điều này khó có thể thực hiện được với các hệ thống kỹ thuật đang được phát triển và đào thải với tốc độ hết sức nhanh chóng Với những thiết bị giá trị cao, ví dụ trong công nghệ hàng không vũ trụ, không thể thực hiện số phép thử đủ lớn để phát hiện ra lỗi và quy luật lỗi Vì vậy, phương pháp tìm kiếm và kết luận lỗi dựa trên số liệu thống kê tỏ ra không phù hợp

Khi các hệ thống kỹ thuật càng phức tạp, thì bài toán chẩn đoán càng khó khăn, và việc thu thập đủ các triệu chứng lỗi cho toàn bộ các tình huống chẩn đoán sẽ trở nên rất tốn kém và không thể thực hiện được

Mặt khác, yêu cầu về độ tin cậy và khả năng chẩn đoán đòi hỏi phải nắm vững tình trạng của thiết bị ngay khi thiết bị đầu tiên được đưa vào trạng thái hoạt động Do vậy, không thuận lợi cho phương pháp chẩn đoán dựa trên

số liệu thống kê

Phương pháp chẩn đoán dựa trên mô hình, trong đó tập trung vào giám sát và kiểm tra có ảnh hưởng rất lớn đến lĩnh vực chẩn đoán Nó tạo ra một phương pháp mới tiếp cận với thông số cấu trúc và phân tích tìm ra các triệu chứng lỗi Nó cũng cho phép mở rộng và kết hợp với phương pháp chẩn đoán dựa trên giám sát (Observer) đã có

Phương pháp chẩn đoán theo mô hình đã được nghiên cứu một cách tương đối chi tiết về lý thuyết và đang phát triển ứng dụng của nó trong các ngành kỹ thuật Các vấn đề về chẩn đoán theo mô hình được tổng kết trong một số công trình của Isserman, S.X Ding và các tác giả khác [48],[49],[50] [34]

Trong phương pháp chẩn đoán dựa trên mô hình đối chứng, Giá trị

chuẩn y(t) được tạo ra bằng một mô hình so sánh có hàm truyền giống với

hàm truyền của đối tượng chẩn đoán trong trạng thái bình thường và được chạy song song với đối tượng, đặc trưng bởi hàm quan hệ:

^

Giải quyết vấn đề 1: Triệu chứng lỗi được xác định bởi sai lệch giữa

giá trị thực tế và giá trị tính toán:

( ) ( ) ( )

r(t) được gọi là các ―dư thừa‖ hay mã kiểm tra nhằm xác định sai lệch

của hệ thống Như vậy, nếu r(t) 0 thì đã có thể kết luận rằng hệ có lỗi Và

tổng hợp các giá trị sai lệch đầu ra một cách phù hợp có thể xác định được lỗi

đang xảy ra đối với thông số nào (phân biệt được lỗi) Tổng hợp các sai lệch vượt quá ngưỡng xác định các triệu chứng lỗi của đối tượng

Giải quyết vấn đề 2: Từ mô hình toán học và phân tích lỗi của đối

tượng, xác định tập mối quan hệ phù hợp để xây dựng được môi quan hệ

ngược từ S F (Hình 1.2.b) Các mối quan hệ e trong mô hình chẩn đoán được lựa chọn từ mô hình toán tương ứng sao cho mỗi lỗi f i tác động vào hệ

thống tương ứng với sự biến đổi của một hoặc một nhóm triệu chứng si

Nếu là một song ánh thì hoàn toàn có thể kết luận sự tồn tại của f i nếu có sự

xuất hiện của s i

Ưu điểm của phương pháp:

- Khoảng cách giữa giá trị thực và giá trị ngưỡng chính là độ nhạy của thông số chẩn đoán Dễ dàng nhận thấy, độ nhạy của phương pháp chẩn đoán dựa trên mô hình cao hơn rất nhiều so với phương pháp truyền thống (

Hình 1.3)

- Với độ nhạy cao và giá trị ngưỡng sát với giá trị hoạt động, cho phép ứng dụng trong các phép chẩn đoán thiết bị trong tình trạng hoạt động (online), đặc biệt với các thông số biến đổi liên tục trong dải rộng

- Phương pháp chỉ cần quan sát hệ thống ở trạng thái tốt, từ đó suy

ra trạng thái bất thường của hệ thống, mà không cần quan sát hệ thống ở

trạng thái hư hỏng, do vậy, rất thuận lợi trong thực tế, dễ dàng xây dựng được

bộ số liệu đầy đủ cho đối tượng

Hình 1.3: Giá trị ngưỡng trong hai phương pháp

- Một điểm mạnh nữa của phương pháp là việc phân biệt lỗi sử dụng cơ chế suy luận lỗi trên cơ sở mô hình cấu trúc đã biết của đối tượng, do vậy, đảm bảo độ tin cậy cao mà không cần dựa trên khảo sát tình trạng hỏng hóc của đối tượng Do vậy, không cần phải tạo ra các mẫu thử tình trạng hư hỏng

và quan sát triệu chứng như phương pháp truyền thống

Nhược điểm của phương pháp là chỉ phát hiện được các lỗi theo thiết

kế trước mà không thể phát hiện được các tình huống bất thường, ngoài tính toán Một lỗi dù rất đơn giản nhưng không trong thiết kế có thể gây ra những kết luận hoàn toàn sai lầm cho cả hệ thống

1.2 Các phương pháp phát hiện lỗi dựa trên mô hình hóa

Từ những năm 1990, phương pháp này được đề xuất và nghiên cứu bởi nhiều tác giả như R.Isermann, P Ballé, X.Ding Đối tượng chẩn đoán được

mô phỏng bằng mô hình Bằng cách xây dựng tập hàm kiểm tra phù hợp, các triệu chứng được phát hiện và các hư hỏng được kết luận Ưu điểm nổi bật của phương pháp này là cho phép phát hiện lỗi không chỉ ở khâu chấp hành,

mà còn lỗi ở hệ thống cảm biến và khâu điều khiển; Nhờ đó, có thể đảm bảo được tính đúng và khả năng làm việc bình thường của hệ thống Tuy nhiên, phương pháp này đòi hỏi đầy đủ các thông số của các hệ thống cũng như nắm

rõ được mô hình vật lý của từng đối tượng Phương pháp chẩn đoán dựa trên

Giá trị ngưỡng Giá trị thực

mô hình giải quyết đồng thời 2 vấn đề: Khẳng định tính chẩn đoán được của

hệ thống và đề xuất phương pháp tối giản để đưa ra kết luận đề xuất một số hướng nghiên cứu khác xác định cho các bộ cảm biến để hệ thống trở nên có thể chẩn đoán được, và tùy chọn thực hiện theo các tiêu chí như tối ưu hóa chi phí

Phân loại về các phương pháp phát hiện lỗi dựa trên mô hình hóa sau đây do Isermann tổng hợp trong [49]:

1.2.1 Phát hiện lỗi bằng so sánh phần cứng

Hình 1.4: Phương pháp so sánh bằng phần cứng

Mô hình gồm 2 khâu cùng tính chất hoạt động đồng thời, kết quả đầu

ra của 2 hệ thống sẽ được so sánh với nhau Nếu đầu ra khác nhau chứng tỏ có lỗi trong hệ thống

Phương pháp này rất phù hợp với hệ thống đòi hỏi độ tin cậy cao, vì đồng thời đảm bảo cả khả năng dự phòng và khả năng phát hiện lỗi Tuy nhiên, đòi hỏi chi phí cho phần cứng song song

Đối tượng chẩn đoán

1.2.2 Phương pháp kiểm tra phù hợp

Hình 1.5: Phương pháp phát hiện lỗi dựa trên kiểm tra phù hợp

Kiểm tra phù hợp là mô hình dựa trên tín hiệu Tín hiệu đầu vào và đầu

ra được đưa đến hệ thống chẩn đoán Ở đây, đầu vào và đầu ra được kiểm tra

để đảm bảo tính phù hợp giữa chúng

Khâu kiểm tra phù hợp có thể được xây dựng trên cơ sở mô hình song song: Xây dựng một mô hình có hàm truyền đạt giống với hệ thống cần kiểm tra và cho chạy song song với đối tượng kiểm tra, nhận tín hiệu đầu vào giống với đối tượng kiểm tra Tín hiệu đầu ra của 2 khâu được so sánh với nhau như trong phương pháp phân tích lỗi bằng so sánh phần cứng Khi đó ta có phương pháp chẩn đoán bằng mô hình hóa như trong Hình 1.6 Mô hình toán

là phương pháp thuận lợi và thích hợp cho các hệ thống điều khiển do hàm truyền đạt của các khâu này thường đã được xác định từ khi xây dựng hệ điều khiển

Hình 1.6: Mô hình chẩn đoán theo phương pháp mô hình hóa

Đối tượng/

hệ thống

Kiểm tra phù hợp với luật Phù hợp: Không lỗi Không phù hợp: Lỗi

Hệ chẩn đoán dựa trên mô hình hóa

đối tượng

Mô hình

so sánh

Sai lệch Phân tích sai lệch

logic chẩn đoán

Kết luận chẩn đoán

1.2.3 Phương pháp phân tích đáp ứng đầu ra

Hình 1.7: Mô hình chẩn đoán dựa trên xử lý tín hiệu:

Trong phương pháp này, các tín hiệu ra của hệ thống được thu thập và phân tích và nhận dạng các triệu chứng

1.3 Các hướng nghiên cứu chính trong chẩn đoán kỹ thuật

Trong thời gian gần đây các hướng nghiên cứu chính về chẩn đoán tập trung vào các nội dung sau:

1.3.1 Nghiên cứu về phân tích và xử lý số liệu

Với các phương pháp phân tích số liệu hiện đại có hỗ trợ của các máy tính, các phép phân tích phức tạp có thể được áp dụng, đặc biệt là các phân tích phổ tần số hoặc phân tích wavelet ứng dụng cho chẩn đoán động cơ và các thiết bị quay Tiến bộ này đã thúc đẩy phương pháp chẩn đoán dựa trên tín hiệu phát triển mạnh, từ đó cho phép sử dụng các thông số mới trong chẩn đoán hoặc khai thác triệt để các thông tin đã thu thập được như độ rung của động cơ, tiếng ồn, phổ dòng điện, từ trường bên ngoài máy phát

Tuy nhiên, chỉ khi có các máy tính số mạnh như hiện nay thì việc áp dụng các thuật toán phân tích số liệu phức tạp như các thuật toán phân tích FFT, wavelet hay tính toán thông minh (Inteligence Computation) mới được

sử dụng một cách rộng rãi và hiệu quả trong các bài toán chẩn đoán

Đặc biệt đối với các đối tượng quay, do tính chu kỳ của tín hiệu, các phương pháp phân tích phổ rất hay được ứng dụng Nhờ các phương pháp phân tích số liệu, cho phép bộc lộ các đặc trưng của lỗi Như vậy, có thể sử

đối tượng chẩn đoán

phát hiện triệu chứng

phân tích triệu chứng

dụng các phép đo gián tiếp để phát hiện các triệu chứng thay vì tìm kiếm các triệu chứng từ số liệu đo trực tiếp Ví dụ về phương pháp này là các phương pháp chẩn đoán dựa trên phân tích tín hiệu để chẩn đoán các thiết bị quay [3][67] Trong nhiều công trình nghiên cứu về chẩn đoán động cơ, bằng cách

áp dụng phân tích Furrier cho các tín hiệu dòng điện và điện áp, người ta đã

đề xuất được các phương pháp chẩn đoán trên cơ sở phân tích phổ tần số của các tín hiệu này Việc ứng dụng trí tuệ nhân tạo (Artificial Intelligence - AI) trong bài toán kết luận chẩn đoán cũng là hướng nghiên cứu rất sôi động trong lĩnh vực chẩn đoán Đây là một hướng được nghiên cứu nhiều trong lĩnh vực

xử lý số liệu chẩn đoán Vì nó không cần các mô hình toán học tường minh,

nó có ý nghĩa ứng tốt và có khả năng phát triển trong lĩnh vực chẩn đoán Hai dạng bài toán ứng dụng trí tuệ nhân tạo trong chẩn đoán là:

Bài toán ước lượng thông số: Trong phương pháp chẩn đoán dựa trên

mô hình đối tượng, vấn đề rất quan trọng là phải mô phỏng được chính xác trạng thái đầu ra của đối tượng sẽ thay đổi như thế nào theo sự thay đổi của đầu vào, thậm chí cả nhiễu Thay vì sử dụng các phương trình toán học, mạng nơron có thể được dùng như một công cụ để mô phỏng một số khâu hoặc toàn

bộ mô hình Điều đó là nhờ vào khả năng mô phỏng hàm phi tuyến của mạng nơron [21],[23],[27],[29],[36],[51]

Bài toán kết luận chẩn đoán: Sau khi tập hợp được các triệu chứng,

người ta phải cân nhắc để quyết định hệ thống có thể ở trạng thái nào Do tính không chắc chắn của bài toán, nên các phương pháp sử dụng logic mờ và mạng nơron tỏ ra rất phù hợp Trong bài toán kết luận chẩn đoán, thay vì sử dụng các ngưỡng cố định, người ta sử dụng các phương pháp kết luận dựa trên trí tuệ nhân tạo (Artificial Intelligence - AI): logic mờ, mạng nơron hoặc kết hợp các phương pháp trên để đưa ra kết luận chẩn đoán [18],[54],[57]

1.3.2 Nghiên cứu về thông số chẩn đoán

Hướng này tập trung tìm kiếm những đại lượng mới có mang thông tin

về hư hỏng Tập trung nâng cao tính hiệu quả trong thu thập và xử lý số liệu bằng cách tìm kiếm các thông số đơn giản hơn trong đo lường, mang thông tin tổng hợp về đối tượng, nhờ đó, giảm bớt số phép đo, đơn giản hóa thao tác chẩn đoán

Nhờ khả năng xử lý số liệu mạnh mẽ, các đặc trưng lỗi có thể được phân tích, tách ngưỡng từ nhiều nguồn khác nhau, mở ra khả năng khai thác các thông số chẩn đoán mới cho những lỗi đã biết hoặc thu gọn tập thông số chẩn đoán

Nhờ có khả năng xử lý số liệu tốt hơn, nên có thể trích xuất thêm nhiều triệu chứng từ các số liệu có tính tổng hợp cao (mang thông tin của đồng thời nhiều lỗi khác nhau) từ đó, giảm bớt được số lượng biến chẩn đoán cần thu thập và nâng cao hiệu quả chẩn đoán Nhiều đề tài đi theo hướng tìm kiếm các triệu chứng mới thông qua phân tích các thông số đầu ra đã biết

1.4 Các hướng nghiên cứu chính trong chẩn đoán động cơ điện

Động cơ điện là loại thiết bị được sử dụng rất phổ biến, do vậy, có rất nhiều công trình nghiên cứu về lĩnh vực này Do động cơ là loại thiết bị quay, nên các phân tích phổ được nghiên cứu rất nhiều nhằm phát hiện các đặc trưng theo tần số và phổ của tín hiệu Các phân tích wavelet cũng được nghiên cứu để phân tích sự ảnh hưởng của lỗi đến dạng xung thời gian của tín hiệu [67] Tổng kết về một số nội dung nghiên cứu chính được đề cập trong [53]

Một số nội dung nghiên cứu và kết quả chủ yếu được liệt kê sau đây, trong đó đa số áp dụng cho động cơ điện công nghiệp, các nghiên cứu về động cơ một chiều sẽ được phân tích chi tiết hơn ở mục tiếp theo:

1.4.1 Các nghiên cứu về thông số chẩn đoán

1.4.1.1 Kiểm soát momen và lực cơ học trên trục động cơ

Mọi lỗi của động cơ đều gây ảnh hưởng tới khe từ Nhưng không thể

đo được khe từ một cách trực tiếp Sự khác biệt giữa momen quay trên trục so với momen tính toán có thể chỉ ra những lỗi của thanh dẫn Công suất tức thời trên trục có sự trễ so với công suất điện Những chi tiết như rotor, trục và tải

cơ khí sẽ gây ra lực xoắn Tuy nhiên, các thành phần khác nhau của thiết bị sẽ gây ra những thành phần hài khác nhau của lực xoắn Nhược điểm của phương pháp này là việc đo momen lực trên trục quay tương đối khó khăn và đòi hỏi chuẩn bị trước

1.4.1.2 Kiểm soát tiếng ồn

Kiểm soát tiếng ồn được đo và phân tích bằng các máy phân tích phổ

âm thanh Tiếng ồn trong động cơ 3 pha chủ yếu sinh ra từ khe từ Phương pháp này có khả năng phát hiện được sự thay đổi của khe không khí Tuy nhiên, việc đo độ ồn âm thanh trong nhà máy công nghiệp hoặc trên đầu máy

là không khả thi vì tiếng ồn nền gây ra từ các thiết bị khác rất lớn làm ảnh hưởng đến độ chính xác của phương pháp chẩn đoán

1.4.1.3 Đo độ rung

Sự bất đồng bộ về cơ khí và điện sẽ tạo nên hiện tượng rung tuần hoàn của thiết bị Đồng thời sự biến động mạnh của dòng điện sẽ gây ra nhiễu Nhiễu và rung trong thiết bị điện có thể gây ra bởi lực điện từ, cơ khí hoặc khí động Phần lớn nhiễu và rung trong máy điện gây ra bởi từ trường trong khe

từ Phân bố từ trường trong khe từ phụ thuộc rất nhiều vào cấu trúc rotor, stator và sự thẩm từ Vì vậy lực điện từ và độ rung cũng phụ thuộc rất nhiều vào sự mất đối xứng của các chi tiết điện từ Bằng việc phân tích rung động, người ta có thể phát hiện ra rất nhiều lỗi và sự bất cân xứng về cấu trúc Lỗi

vòng bi, lỗi rotor, lỗi hộp số và rotor không cân bằng là những lỗi dễ phân biệt nhất Người ta có thể phân tích tần số xung quanh tần số cơ bản, phổ rộng hoặc một vài tần số đặc biệt để phát hiện lỗi Phương pháp phân tích rung động rất có hiệu quả trong phân tích lỗi, tuy nhiên, nó đòi hỏi có các thiết bị

đo chuyên dụng, và vì thế khó áp dụng cho các thiết bị công suất nhỏ [59]

Kỹ thuật FFT thường được sử dụng trong phương pháp đo này nhằm trích xuất các vạch phổ Việc kết luận lỗi có thể sử dụng trên cơ sở logic mờ hoặc mạng nơron để phân biệt các dấu hiệu đặc trưng của lỗi

1.4.1.4 Kiểm soát dựa trên các đại lượng điện (dòng điện, điện áp)

Các phương pháp này kiểm soát dòng stator để phát hiện rất nhiều lỗi của động cơ và biến tần Trong đa số các ứng dụng, dòng stator của động cơ được kiểm soát để bảo vệ động cơ bởi các lỗi quá dòng, quá tải, chạm chập ,

do vậy, việc chẩn đoán dựa trên dòng điện không cần bổ sung thêm cảm biến

Trong phương pháp này, một số hướng chẩn đoán được sử dụng:

- Phân tích dấu hiệu dòng điện: Trong thời gian gần đây, phương pháp phân tích lỗi dựa trên dấu hiệu dòng điện được sử dụng phổ biến Ngoài phép phân tích furrier cho thành phần cơ bản, phép phân tích phổ cho các thành phần tần số cao được sử dụng để phát hiện các lỗi hỏng thanh dẫn rotor, vòng chập mạch, lỗi stator và lệch tâm động [26],[60],[59]

Mối liên hệ giữa dòng điện và rung động được sử dụng để phát hiện ra các lỗi về vòng bi và bộ phận quay Có thể phân tích dòng pha hoặc dòng trên dây trung tính [42]

Các bộ lọc hoặc mạng nơron có thể được sử dụng để ghi nhận trạng thái làm việc tốt của thiết bị dưới điều kiện tải bình thường

Các phân tích sóng hài cho phép phát hiện các lỗi ở khe không khí, bao gồm cả các lỗi ở stator và rotor

Phân tích wavelet trong trạng thái hoạt động ổn định hoặc trạng thái khởi động cũng cho biết nhiều thông tin về tình trạng thiết bị, đặc biệt là tình trạng của rotor [67]

1.4.2 Các nghiên cứu về xử lý thông tin

1.4.2.1 Các kỹ thuật xử lý thông tin thường dùng trong chẩn đoán động cơ

Một số kỹ thuật xử lý tín hiệu thường dùng trong chẩn đoán động cơ:

- Ngưỡng chẩn đoán và kỹ thuật phân tách ngưỡng động cho phép xác định các biểu hiện lỗi khi thiết bị làm việc với các chế độ tải khác nhau

- Lọc, lọc thích nghi nhằm làm rõ các triệu chứng lỗi

- Phương pháp phân tích FFT được nghiên cứu đặc biệt rộng rãi trong phát hiện các lỗi của rotor và bộ phận quay Đây là hướng nghiên cứu được đặc biệt quan tâm Gần như tất cả các thông số có dải tần trong phạm vi làm việc của động cơ đều được nghiên cứu, phân tích nhằm phát hiện các vạch phổ ứng với lỗi: Dòng điện, tiếng ồn, từ trường tản và đều tìm thấy được các đặc trưng của lỗi [26],[42],[44],[60]

Phân tích Wavelet sử dụng trong phân tích tín hiệu quá độ của động cơ [67],[68]

1.4.2.2 Sự ứng dụng của trí tuệ nhân tạo trong chẩn đoán động cơ:

Trong lĩnh vực điều khiển động cơ, mạng nơron và logic mờ thường được sử dụng để dự đoán momen tải hoặc tốc độ động cơ, đặc biệt là động cơ xoay chiều, vì mối quan hệ giữa tốc độ và dòng điện là phi tuyến

Mạng nơron có thể được sử dụng làm công cụ kết luận lỗi sau khi đã phân tích Furrier cho tín hiệu dòng điện để xuất hiện các vạch phổ tương ứng Trong một phương pháp khác, mỗi nhận dạng phổ được học theo mỗi lỗi của động cơ Để ngăn ngừa chẩn đoán sai, bộ tiền xử lý gửi cảnh báo khi nhận

ghi nhớ tình trạng của động cơ đang được theo dõi Phương pháp này đã phát hiện thành công các lỗi không cân bằng của rotor mà không yêu cầu các thông tin bổ sung về thông số động cơ hay tốc độ hoạt động Tốc độ được ước lượng thông qua dòng điện và điện áp tức thời [42] Tương tự như thế, logic mờ được sử dụng để phân loại các lỗi đứt thanh dẫn bằng cách phân loại các dải biên của hài cơ bản của dòng điện bằng 9 luật 2 băng A1 và A2 được lấy làm đầu vào của bộ đánh giá và số thanh đứt được lấy làm đầu ra của bộ đánh giá Tập luật được xây dựng theo dạng luật mờ với 3 mức đánh giá ―thấp‖, ―trung bình‖ và ―cao‖ Hệ thống được xây dựng theo kiểu mandani, sử dụng phương pháp min-max và giải mờ theo tâm [26]

Các phương pháp kết luận chẩn đoán dựa trên mạng nơ ron cũng được

Công trình của Zygfryd Głowacz và Antoni Zdrojewski [63],[64] xây dựng mô hình toán và phân tích dạng dòng điện của động cơ trong trường hợp đứt mạch và chập mạch rotor làm cơ sở cho các phép phân tích dòng điện động cơ Các tác giả cũng đề xuất phương pháp phát hiện lỗi động cơ DC trên

cơ sở phân tích phổ tuy nhiên chưa có các dấu hiệu đặc trưng của triệu chứng lỗi trong từng tình huống cụ thể

David L McKinnon [65] đã thu thập các tín hiệu về dòng điện và điện

áp của động cơ một chiều trong một số tình huống hỏng hóc như chập mạch 1 vòng dây, chập mạch 1 cuộn dây hoặc giữa các cuộn dây của rotor, lệch điểm cân bằng từ của động cơ Dạng xung và tần số đặc trưng của tín hiệu đã được thu thập Tuy nhiên, chưa phân tích mối liên hệ giữa kết cấu của động cơ và các số liệu thu thập được Trong nội dung công bố cũng không đề cập đến phương pháp phân tích số liệu và kết luận chẩn đoán cho các triệu chứng đã thu thập được

Tác giả Seda Postalcioglu Ozgen [51] đề xuất phương pháp chẩn đoán lỗi động cơ DC sử dụng logic mờ mandami so sánh giữa tín hiệu vào và tín hiệu ra và phát hiện các lỗi thay đổi điện trở, điện cảm của động cơ

Tác giả A Che Soh, M.Sc và R.Z Abdul Rahman đã nghiên cứu áp dụng mạng nơron để so sánh giữa 2 động cơ hoạt động song song của cùng 1 robot trong các nhằm phát hiện lỗi của động cơ hoặc cảm biến [18]

Các nghiên cứu về phân tích số liệu của động cơ một chiều sử dụng tính toán mềm [24],[56]

Phương pháp chẩn đoán dựa trên mô hình kết hợp với tính toán mềm đã được nghiên cứu để áp dụng [35],[41],[46]

Trong nước, cũng có một vài nghiên cứu về chẩn đoán động cơ một chiều, tuy nhiên, mô hình đối tượng và tập thông số chẩn đoán không áp dụng được cho động cơ điện kéo [9]

Nhìn chung, các nghiên cứu trên đều tập trung vào mô hình động cơ một chiều công suất nhỏ, kích từ độc lập Đối tượng động cơ này khác hẳn so với động cơ điện kéo trên đầu máy - là loại động cơ điện một chiều kích từ nối tiếp, công suất lớn, làm việc trong dải rộng

1.5.2 Về động cơ điện kéo trên đầu máy

Hướng nghiên cứu ứng dụng mạng nơron và tập mờ cũng được chú ý trong chẩn đoán động cơ điện kéo Các tác giả Miguel Angel Sanz-Bobi, và cộng sự đã sử dụng mạng nơron tự tổ chức Kohonen để đánh giá tình trạng hư hỏng của các chi tiết quay thông qua đánh giá độ rung của động cơ khi dừng cấp nguồn [40]

Dong Xingjian, Zhuang Shengxian và Liu Aiping đã nghiên cứu về khả năng ứng dụng trí tuệ nhân tạo trong chẩn đoán động cơ điện kéo Các hệ thí nghiệm với ĐCĐK đã được xây dựng [25] Tuy nhiên, chưa đưa ra mô hình hay kết luận cụ thể về hướng áp dụng

Nhìn chung, các hướng chẩn đoán tập trung tìm kiếm các triệu chứng lỗi, chưa quan tâm đến bài toán chẩn đoán tổng quát và không phù hợp với điều kiện Việt Nam

1.6 Tình hình nghiên cứu về chẩn đoán ở Việt Nam

Ở Việt Nam, trong lĩnh vực đảm bảo khả năng làm việc của thiết bị, chủ yếu quan tâm đến độ tin cậy và tuổi thọ Lĩnh vực chẩn đoán nói chung và trong lĩnh vực chẩn đoán thiết bị điện, điện tử và máy điện nói riêng, còn ít được quan tâm nghiên cứu Các công trình nghiên cứu về lĩnh vực chẩn đoán trong nước:

Tác giả Lê Lăng Vân nghiên cứu về chẩn đoán tình trạng kỹ thuật và độ tin cậy của động cơ diezel dựa trên các dấu hiệu về độ rung và dầu bôi trơn [3]

Tác giả Lê Mạnh Việt [4] đã nghiên cứu đề xuất mối quan hệ giữa đặc tính tần số phần ứng và tình trạng cách điện của máy điện

Các tác giả Đinh Thành Việt, Nguyễn Quốc Tuấn, Nguyễn Văn Lê đã nghiên cứu về ứng dụng mạng nơron chẩn đoán sự cố tiềm ẩn trong máy biến

áp lực trên cơ sở phân tích các triệu chứng đặc trưng và phương pháp kết luận lỗi cho máy biến áp lực [10]

Tác giả Lê Hoài Đức đã nghiên cứu các dấu hiệu hư hỏng đặc trưng của động cơ Diezel và ứng dụng tập mờ trong kết luận lỗi [13]

Tác giả Đồng Văn Hương đã nghiên cứu ứng dụng mạng nơron lan truyền ngược trong bài toán kết luận lỗi của động cơ Diezel cho tàu thủy [14]

Các tác giả Đỗ Đức Tuấn, Đỗ Việt Dũng đã xây dựng mô hình xác định tình trạng kỹ thuật của ĐCĐK dựa trên phân tích, tổng hợp các triệu chứng [1]

Nhìn chung, các nội dung nghiên cứu tập trung vào 2 hướng:

1 Xây dựng và khẳng định mối quan hệ giữa các triệu chứng và lỗi bằng phương pháp phân loại (Classification) và liên hệ (Covariant) [1],[3],[4],[9],[10],[13]

2 Sử dụng trí tuệ nhân tạo (AI) trong chẩn đoán: Tập trung vào bài toán phân loại và kết luận lỗi: Sử dụng mạng lan truyền ngược [14] hoặc logic mờ [13]

Động cơ điện kéo của đầu máy sử dụng trong ngành đường sắt Việt Nam thuộc nhóm động cơ một chiều kích từ nối tiếp Công suất của các động

cơ này thường trong khoảng 200-500kW, sử dụng cổ góp và chổi than tiếp điện Tuy nhiên, đặc tính động cơ và điều kiện làm việc khắc nghiệt hơn nhiều so với các loại động cơ tương tự dùng trong công nghiệp [2]:

- Dải công suất hoạt động biến đổi rộng và liên tục theo điều kiện mặt đường

- Tốc độ quay biến đổi trong dải rộng: từ 0 đến 100% tốc độ định mức Đặc tính này làm cho các phương pháp phân tích phổ dải cố định trở nên khó

áp dụng hơn với động cơ một chiều

- Cho phép hoạt động quá tải trong thời gian dài, mức độ quá tải cao

- Điều kiện làm việc khắc nghiệt: Chịu rung xóc nhiều do được lắp ở giá chuyển trực tiếp dao động theo bánh xe, bụi bẩn, tản nhiệt khó khăn

- Về tuổi thọ, các thiết bị đầu máy đã hoạt động trong thời gian rất dài (tới 60 năm), mặc dù được bảo dưỡng, sửa chữa thường xuyên, nhưng vẫn ảnh hưởng rất nhiều tới khả năng làm việc của thiết bị, đặc biệt chất lượng cách điện và kết cấu cơ khí

- Về kết cấu, các động cơ điện kéo thường được chế tạo theo thiết kế cổ điển, không có sẵn các thiết bị giám sát, đo lường tích hợp bên trong thiết bị,

do vậy, rất không thuận lợi cho bài toán chẩn đoán

- Về khai thác, mặc dù quy trình bảo dưỡng, sửa chữa vẫn được tuân thủ nghiêm túc theo yêu cầu thiết kế, nhưng công tác theo dõi đánh giá chất lượng làm việc chưa được quan tâm nghiên cứu [6],[12]

Đã có một vài nghiên cứu về chẩn đoán ĐCĐK: [1],[4] Tuy nhiên, các nghiên cứu này tập trung phân tích trạng thái kỹ thuật của thiết bị ở trạng thái

bảo dưỡng, sửa chữa; khi thiết bị không trong tình trạng hoạt động Những

nghiên cứu về chẩn đoán tình trạng kỹ thuật của thiết bị ĐCĐK trong trạng thái hoạt động chưa được đề cập Vì vậy, trong nội dung nghiên cứu của đề tài tập trung nghiên cứu về chẩn đoán tình trạng kỹ thuật của ĐCĐK trong tình trạng hoạt động

Qua phân tích về phương pháp chẩn đoán và nội dung nghiên cứu của

đề tài, phương pháp chẩn đoán theo mô hình tỏ ra là phương pháp phù hợp

và cần được tập trung nghiên cứu

Kết luận:

Chẩn đoán kỹ thuật có vai trò quan trọng trong việc duy trì trạng thái làm việc hiệu quả của mọi hệ thống (thiết bị) Việc giám sát, đo đạc, xử lý các tham số giúp đưa ra những quyết định kịp thời, chuẩn xác về tình trạng của hệ

thống (thiết bị) Động cơ điện kéo được sử dụng phổ biến trong ngành Đường sắt Việt Nam, xét về tính an toàn và khả năng vận dụng của thiết bị, động cơ điện kéo là khâu có độ tin cậy thấp Tuy nhiên, thiết bị này lại hoàn toàn chưa được nghiên cứu trước đây về mặt chẩn đoán kỹ thuật Do vậy, cần thiết phải đặt vấn đề nghiên cứu một cách toàn diện về chẩn đoán động cơ điện kéo và xây dựng phương pháp chẩn đoán cho phép khai thác hiệu quả các số liệu chẩn đoán đã có

Chẩn đoán kỹ thuật trên thế giới hiện nay rất phát triển, nó ứng dụng trong mọi lĩnh vực của công nghiệp và giao thông vận tải Nó làm thay đổi rõ rệt chất lượng của các hệ thống ứng dụng, cho phép không những đảm bảo khả năng vận hành, mà còn khả năng kiểm soát hệ thống trong cả trong trường hợp có sự cố - là vấn đề thường xuyên gặp phải trong thực tế Trong lĩnh vực giao thông vận tải, đặc biệt là công nghiệp ôtô, ứng dụng của chẩn đoán cho phép đảm bảo an toàn cho thiết bị Do vậy, đối với ngành Đường sắt nói chung và thiết bị đầu máy nói riêng, việc nghiên cứu và ứng dụng chẩn đoán là rất cần thiết và cấp bách nhằm nâng cao chất lượng và độ an toàn của

hệ thống

CHƯƠNG 2: MÔ HÌNH HÓA VÀ XÂY DỰNG TẬP THAM SỐ CHẨN ĐOÁN CHO ĐCĐK

Nội dung chương này thực hiện mô hình hóa đối tượng ĐCĐK, từ đó xác định tập tham số phù hợp trên cơ sở khảo sát cấu trúc ĐCĐK, các lỗi và mối quan hệ giữa thông số đầu vào và đầu ra với lỗi Từ đó xác định tập tham

số tối ưu dựa trên tập thông số cấu trúc tối thiểu Khả năng đo đạc và mức độ

ý nghĩa thông tin cũng được tính đến nhằm đảm bảo tính thực tế của bài toán

2.1 Sử dụng mô hình cấu trúc trong mô hình hóa và phân tích bài toán chẩn đoán

Chương I đã xác định phương pháp chẩn đoán phù hợp cho bài toán chẩn đoán ĐCĐK ở tình trạng làm việc là phương pháp chẩn đoán dựa trên

mô hình Tuy nhiên, có nhiều thông số đầu vào, đầu ra và thông số cấu trúc của đối tượng cùng phản ánh một hiện tượng lỗi Do vậy, cần phân tích mối quan hệ giữa các thông số này nhằm tìm ra những thông số phù hợp nhất để đưa vào mô hình chẩn đoán

Để phân tích các mối quan hệ giữa các thông số, trong luận án sử dụng phương pháp mô hình hóa bằng mô hình cấu trúc

2.1.1 Mô hình hóa bằng mô hình cấu trúc và phương pháp xác định tập mối

quan hệ cho chẩn đoán lỗi dựa trên mô hình cấu trúc

Mô hình cấu trúc của một đối tượng được định nghĩa bởi E Carpanzano và C Maezzoni trong [69] Mô hình chỉ chứa đựng những thông tin về các biến thông qua các biểu thức liên hệ giữa các biến đã biết, biến chưa biết và lỗi Mục tiêu của việc mô hình hóa bằng mô hình cấu trúc là xây dựng được mối quan hệ giữa biến đầu vào, đầu ra, biến trạng thái và lỗi mà không quá phụ thuộc vào mô hình toán học của đối tượng, từ đó phân rã bài