Bài viết Phương pháp dự đoán mẫu hành vi hỗ trợ hệ thống điều khiển tự động trên cơ sở phân tích dữ liệu IoT sử dụng mạng nơ ron sâu đề xuất phương pháp dự đoán mẫu hành vi trong hỗ trợ điều khiển tự động của hệ thống, trên cơ sở phân tích dữ liệu internet kết nối vạn vật (IoT) dựa trên mạng nơron sâu.
TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) PHƯƠNG PHÁP DỰ ĐOÁN MẪU HÀNH VI HỖ TRỢ HỆ THỐNG ĐIỀU KHIỂN TỰ ĐỘNG TRÊN CỞ SỞ PHÂN TÍCH DỮ LIỆU IOT SỬ DỤNG MẠNG NƠ-RON SÂU BEHAVIORAL PATTERN PREDICTION METHOD BASED ON IOT DATA ANALYSIS USING DEEP NEURAL NETWORK FOR AUTOMATIC CONTROL Nguyễn Ngọc Trung, Bùi Thị Duyên Đại học Điện lực Ngày nhận bài: 16/06/2022, Ngày chấp nhận đăng: 12/08/2022, Phản biện: TS Phạm Văn Nam Tóm tắt: Kỹ thuật phát triển, hệ thống máy móc thiết bị ngày đại phức tạp Nghiên cứu giải pháp ứng dụng thành tựu công nghệ cách mạng công nghiệp lần thứ tư (CMCN4.0) nhằm nâng cao hiệu việc khai thác sử dụng thiết bị máy móc có ý nghĩa quan trọng cấp thiết Trong báo chúng tơi đề xuất phương pháp dự đốn mẫu hành vi hỗ trợ điều khiển tự động hệ thống, sở phân tích liệu internet kết nối vạn vật (IoT) dựa mạng nơron sâu Kết đạt thí nghiệm tập liệu tổng hợp cho thấy độ xác dự đốn cao, trung bình 98% với mơ hình đề xuất tập liệu kiểm tra gồm 5000 Từ ứng dụng kết nghiên cứu để phát triển hệ thống tự động điều khiển thông minh thiết bị máy móc theo thời gian thực Từ khóa: Tự động hóa điều khiển; IoT; AI; Mạng nơ-ron sâu; Dự đoán mẫu hành vi Abstract: With the improvement of technologies, the systems are increasingly modern, and complex The study of solutions to apply technological achievements of the Fourth Industrial Revolution aims to improve the efficiency of exploitation and use of technical systems is very important and urgent In this paper, we propose a behavioral pattern prediction method based on IoT data analysis using a deep neural network for automatic control The general results of experiments on synthetic data showed high accuracy of prediction, the accuracy of the classifier on 5000 test samples averaged 98% Therefore, this method can be applied to develop automatic systems and smart control machinery equipment in real-time Keyword: Automation and control; IoT; AI; Deep Neural Network; Behavioral Pattern forecasting MỞ ĐẦU Trong bối cảnh CMCN 4.0 phát triển mạnh mẽ, với đột phá phát triển nhanh chóng cơng nghệ trí tuệ nhân tạo (AI), liệu lớn (Big data), IoT, v.v Việc phân tích xây dựng mơ hình dự báo điều kiện, trạng thái 110 hoạt động máy móc thực thiết thực có ý nghĩa cho dây chuyền, hệ thống tự động hóa ngày [1], [2] Trong hoạt động sản xuất, cố máy móc dẫn đến ngưng trệ dây chuyền sản xuất, gây chi phí xử lý tốn (chi phí để đặt hàng gấp, chi phí thuê thêm nhân Số 29 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC viên kỹ thuật để khắc phục cố, chi phí q trình sản xuất bị dừng lại, v.v.) Do đó, việc phân tích dự báo sớm trạng thái hệ thống nhằm đảm bảo độ tin cậy trình hoạt động loại máy móc đại, đồng thời nâng cao hiệu hoạt động sản xuất Vấn đề quan tâm lĩnh vực dân lẫn quốc phịng, an ninh Có số mơ hình phương pháp hỗ trợ định chủ động thơng minh q trình quản lý điều khiển trạng thái kỹ thuật thiết bị máy móc đại Tuy nhiên, mạng nơ-ron sâu (Deep Neural Network, DNN) thích hợp cho kết vượt trội so với phương pháp truyền thống khác, mô hình DNN giúp cải thiện gần 20% độ xác so với nghiên cứu khác, đạt trung bình 98.05 % (ISSN: 1859 - 4557) toán nhận dạng tình trạng kỹ thuật cho động máy bay [2] Bài toán dự đoán mẫu hành vi hệ thống từ sớm, trước chúng xảy dựa sở phân tích liệu IoT đề cập trong báo [3] Tuy nhiên nghiên cứu tác giả dừng lại toán dự đoán liệu chuỗi thời gian thu từ IoT, sau đem so sánh giá trị dự đốn với ngưỡng quy định trước để tự động đưa định bật tắt máy bơm, độ xác chưa cao Chính vậy, khn khổ báo, đề xuất phương pháp dự đốn mẫu hành vi với độ xác cao hỗ trợ điều khiển tự động hệ thống sở phân tích liệu IoT sử dụng mạng nơ-ron sâu thể hình Hình Mơ tả q trìnhh hỗ trợ định thơng minh sử dụng IoT AI Cơ sở liệu thu thập từ hệ thống IoT, việc nhận dạng dự đốn mẫu trạng thái khơng nhìn thấy bị ẩn từ sớm sở để để đưa định điều khiển phù hợp kịp thời Đây sở để xây dựng phát triển hệ thống hỗ trợ định điều khiển thông minh thực chức Số 29 phân tích dự đốn [4], dựa ý tưởng tính tốn chủ động (proactive computing), thực theo quy trình: phát → dự đốn → đưa định → hành động hình Giả sử tồn tập hợp {Mi |i=1 n} mẫu hành vi khác ẩn tập hợp đặc trưng {X(t)}, giá trị đặc trưng thu thập 111 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) theo thời gian Kết thu tập liệu chuỗi thời gian (Time series) rời rạc: X(1), X(2), , X(t) Trong đó, số mẫu hành vi dự đốn từ sớm trước chúng xảy yếu tố thực quan trọng, để đưa định điều khiển tác động vào hệ thống cách tự động kịp thời Dự đốn khơng giúp hệ thống tự động hóa hồn tồn mà cịn tối ưu hóa việc sử dụng, khai thác thiết bị máy móc hệ thống Bài tốn mơ tả sau: Dựa thông tin tiên nghiệm (priori information) đưa tập liệu X, yêu cầu xây dựng thuật toán F: 𝐹 𝑋′(𝑡) → 𝑀𝑖 (𝑡 + 𝑘) (1) Từ cho phép dựa vào chuỗi giá trị X'(t) thời điểm t dự đoán mẫu hành vi Mi xảy thởi điểm (t+k) (dữ liệu tập X' không tham gia vào trình xây dựng hiệu chỉnh thuật tốn) Để giải toán cần phải nghiên cứu sử dụng kỹ thuật phân tích dự đốn chuỗi thời gian khác Một kỹ thuật phân tích liệu chuỗi thời gian sử dụng phổ biến rộng rãi mơ hình thống kê truyền thống như: mơ hình chuỗi tự hồi quy AR (auto regression), mơ hình trung bình chuyển động tự hồi quy ARIMA (AutoRegressive Integrate Moving Average), v.v Tuy nhiên kỹ thuật thống kê hoạt động tốt liệu có cấu trúc tuyến tính chuyển đổi sang cấu trúc tuyến tính Nhược điểm mơ hình thống kê truyền thống là: đặc trưng bị thiếu ảnh hưởng đến hiệu suất mơ hình, mơ hình khơng thể nhận mẫu phức tạp liệu, hiệu tốt dự báo dài hạn [5] Để khắc phục nhược điểm nêu trên, xu 112 gần giải pháp ứng dụng phương pháp phương pháp thuật toán thuộc lĩnh vực AI học máy (Machine Learning) học sâu (Deep Learning) phát triển nhanh chóng lĩnh vực [4, 5, 6, 7, 8] Các công bố chứng minh hiệu vượt trội mạng nơ-ron Một mơ hình mạng nơ-ron điển hình sử dụng phổ biến đạt hiệu cao phân tích dự đoán chuỗi thời gian mạng nơ-ron hồi quy (Recurrent Neural Network, RNN) với phiên cải tiến mạng nhớ ngắn dài (Long Short Term Memory, LSTM) Cấu trúc mạng nơ-ron LSTM phù hợp để mơ hình hóa phụ thuộc dài hạn giá trị liệu chuỗi thời gian thu từ cảm biến, có tính chất Chính vậy, mạng nơ-ron LSTM chúng tơi lựa chọn để xây dựng phương pháp dự đoán nghiên cứu ĐỀ XUẤT PHƯƠNG PHÁP DỰ ĐOÁN MẪU HÀNH VI HỆ THỐNG Để dự đoán mẫu hành vi, đề xuất phương pháp dựa mạng nơ-ron LSTM, gồm hai q trình thể hình 2: (1) Mơ hình mạng LSTM để dự đốn giá trị chuỗi thời gian từ cảm biến (2) Mơ hình mạng nơ-ron thực toán phân lớp Dữ liệu dự đoán thu từ mơ hình dự đốn chuỗi thời gian LSTM với phần giá trị thực chuỗi liệu đưa vào mơ hình mạng nơ-ron phân lớp để xác định mẫu hành vi trước chúng xảy Khi tốn dự đốn mẫu hành vi biến đổi toán phân lớp dựa giá trị đầu vào chuỗi giá trị cảm biến Số 29 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) thực tế chuỗi giá trị cảm biến dự đốn thu từ mạng LSTM Hình Phương pháp dự đoán mẫu hành vi hệ thống Mạng LSTM phiên cải tiến mạng RNN để xử lý liệu dạng chuỗi RNN chứa vịng lặp cho phép ghi nhớ trì thơng tin, sử dụng để kết nối thơng tin tước với tác vụ Tuy nhiên khoảng thời gian thông tin liên quan vị trí dự đốn trở lên lớn hơn, RNN khả học cách kết nối với thông tin xa LSTM thiết kế để giải vấn đề Cấu trúc mô-đun lặp LSTM thời điểm t thể hình Hình Cấu trúc ba cổng ô LSTM Số 29 113 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) LSTM sử dụng cấu trúc ba cổng để điều khiển trạng thái ô nhớ 𝑐 (𝑡) Ba cổng có khả loại bỏ thêm thông tin vào trạng thái ô Đầu ℎ(𝑡 − 1) trạng thái ẩn 𝑐(𝑡 − 1) ô LSTM thời điểm (𝑡 − 1) đóng vai trò đầu vào LSTM thời điểm 𝑡 đưa thuật toán lan truyền chuyển tiếp mạng LSTM: Đầu vào: Ma trận đặc trưng 𝑋(𝑡) ma trận mục tiêu ℎ(𝑡) Khởi tạo: Khởi tạo ngẫu nhiên ma trận trọng số 𝑊 bias vector Cổng quên: 𝑓 𝑓 𝑓(𝑡) = 𝜎(𝑊𝑥 𝑋(𝑡) + 𝑊ℎ ℎ(𝑡 − 1) (2) 𝑓 + 𝑊𝑐 𝐶(𝑡 − 1) + 𝑏 𝑓 ) Cổng đầu vào: 𝑖(𝑡𝑘 ) = 𝜎(𝑊𝑥𝑖 𝑋(𝑡) + 𝑊ℎ𝑖 ℎ(𝑡 − 1) (3) + 𝑊𝑐𝑖 𝐶(𝑡 − 1) + 𝑏 𝑖 ) Giá trị ứng viên: 𝐶̃ (𝑡) = tanh(𝑊𝑥𝐶 𝑋(𝑡) + 𝑊ℎ𝐶 ℎ(𝑡 − 1) (4) + 𝑏𝐶 ) chuyển đến ô nhớ dựa đầu trước h (t - 1) giá trị cảm biến 𝑋(𝑡), (2) cổng 𝑜(𝑡) kiểm sốt thơng tin chuyển đến bước thời gian (3) cổng qn 𝑓(𝑡) kiểm sốt cách nhớ cập nhật Hoạt động phương pháp mô tả theo trình tự bước sau: Bước 1: Thu thập mẫu liệu dán nhãn mẫu hành vi Bước 2: Xây dựng mơ hình mạng nơ-ron LSTM nhận liệu đầu vào chuỗi giá trị cảm biến thời điểm 𝑡 có chiều dài 𝑙 định {𝑋(𝑡 − 𝑙), … , 𝑋(𝑡 − 1), 𝑋(𝑡)} để dự đoán chuỗi 𝑘 giá trị cảm biến {𝑋(𝑡 + 1), 𝑋(𝑡 + 2), … , 𝑋(𝑡 + 𝑘)} Bước 3: Xây dựng mô hình mạng nơ-ron phân loại, nhận liệu đầu vào chuỗi giá trị cảm biến chuỗi giá trị dự đoán thu từ mạng LSTM tai thời điểm 𝑡 để đưa đầu kết phân lớp mẫu hành vi khác hệ thống thời điểm (𝑡 + 𝑘) Cập nhật trạng thái ô: 𝐶(𝑡) = 𝑓(𝑡)⨀𝐶(𝑡 − 1) + 𝑖(𝑡)⨀𝐶̃ (𝑡) (5) ⨀ phép nhân nguyên tố Dữ liệu tổng hợp Cập nhật đầu LSTM: 𝑜(𝑡) = 𝜎(𝑊𝑥𝑜 𝑋(𝑡) + 𝑊ℎ𝑜 ℎ(𝑡 − 1) (6) + 𝑊𝑐𝑜 𝐶(𝑡) + 𝑏 𝑜 ) ℎ(𝑡) = 𝑜(𝑡)⨀tanh(𝐶(𝑡)) (7) Đầu ra: giá trị ℎ(𝑡) Ô LSTM lấy liệu cảm biến 𝑋(𝑡) làm đầu vào, có ba cổng kiểm sốt luồng thơng tin bên ơ: (1) cổng vào 𝑖(𝑡) kiểm sốt thơng tin 114 KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ HIỆU QUẢ CỦA PHƯƠNG PHÁP Trong thực tế, trình thu thập liệu thường gặp khó khăn cần thời gian dài để triển khai sở hạ tầng cho phép thu thập lưu trữ liệu Mặt khác tính khả dụng liệu thường bị giới hạn yêu cầu quyền riêng tư bảo mật, liệu mà công ty quan tổ chức có mang tính chiến lược họ nên khó tiếp cận Chính vậy, để thử nghiệm Số 29 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) sản phẩm, phần mềm mới, người ta thường sử dụng liệu tổng hợp (synthetic data) Dữ liệu tổng hợp liệu tạo cách nhân tạo, ngày sử dụng phổ biến nghiên cứu để kiểm chứng độ hiệu giải pháp, phương pháp đề xuất, tiết kiệm chi phí, đồng thời hỗ trợ phát triển mơ hình AI, hay thử nghiệm cách nhanh chóng [9] { ′𝑚1 ′: [𝑎1 , 𝑏1 ], ′𝑚2 ′: [𝑎2 , 𝑏2 ], ′𝑚3 ′: [𝑎3 , 𝑏3 ], , ′𝑚𝑛 ′: [𝑎𝑛 , 𝑏𝑛 ] } Do khn khổ nghiên cứu này, để kiểm chứng hiệu phương pháp đề xuất, xây dựng triển khai module tổng hợp liệu ngơn ngữ lập trình python để mơ liệu đặc trưng thu từ hệ thống IoT Module nhận tham số đầu vào sau: (i) Kích thước khối H – số lượng mẫu rời rạc đặc trưng cho độ dài tập liệu tổng hợp (ii) Danh sách chế tổng hợp với phạm vi giá trị tương ứng dùng để mô tả trạng thái (chế độ làm việc) khác hệ thống: b1 bn phân tử vector, phải cận tín hiệu ứng với trạng thái hệ thống (iii) Cơ chế mô tả liệu (mô tả hoạt động hệ thống), định rõ ràng Nếu khơng định rõ ràng đặt ngẫu nhiên dạng sau: [ (′𝑚1 ′, 𝑘1 ), (′𝑚2 ′, 𝑘2 ), … , (𝑚𝑛 , 𝑘𝑛 )], đó: 𝑚1 …𝑚𝑛 - tên chế độ hoạt động hệ thống giá trị thứ danh sách (𝑘1 …𝑘𝑛 ) mô tả số lượng mẫu tạo cho chế độ đó: m1 mn chế độ làm việc khác hệ thống a1 an phân tử vector, trái cận tín hiệu ứng với trạng thái hệ thống Ở hình mơ tả tập liệu với độ dài khác (đặc trưng kích thước khối H) tổng hợp sử dụng module tổng hợp liệu xây dựng Hình Minh họa số tập liệu với độ dài khác tổng hợp mơ đun Số 29 115 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Xây dựng mơ hình Phương pháp mơ hình đề xuất xây dựng triển khai ngôn ngữ Python Lý cho lựa chọn ngơn ngữ lập trình cung cấp hệ sinh thái thư viện lớn, nhà khoa học khắp giới lĩnh vực sử dụng cho việc viết chương trình phát triển thuật tốn trí tuệ nhân tạo (machine leanring deep learning) Các mô hình mạng nơ-ron nghiên cứu xây dựng thư viện Keras [10] Tensorflow [11] Để dự đốn giá trị thơng số hệ thống, xây dựng mơ hình Seq-toSeq cở sở mạng LSTM Lớp - LSTM, bao gồm N đầu vào - số lượng giá trị khứ tính đến (tương ứng với kích thước khối tín hiệu) Lớp thứ hai khối Dense với 𝑘 đầu - số lượng giá trị dự đoán (khoảng dự đốn – forecast horizon) Trình tối ưu hóa Adam hàm mát MSE sử dụng để huấn luyện mơ hình dự đốn Cấu trúc mơ hình dự đốn thể hình cho N = 30 𝑘 = Sơ đồ cấu trúc phận lớp thể hình Để nhận dạng hành vi thiết bị dựa giá trị dự đốn thu từ mơ hình LSTM, phân lớp sở mơ hình Sequential với lớp Dense xây dựng Mơ hình phân lớp có đầu vào là: (i) chuỗi giá trị đặc trưng, (ii) chuỗi giá trị dự đoán (kết dự đoán thu từ mạng LSTM), đầu mẫu hành vi cụ thể Số lượng đầu vào mơ hình tương ứng với kích thước khối tín hiệu số lượng đầu tương ứng với số lớp (chế độ làm việc) Để huấn luyện phân lớp, đề xuất sử dụng hàm kích hoạt softmax cho lớp Dense, tối ưu hóa Adam, hàm mát - categorical_crossentropy Sơ đồ cấu trúc phận lớp thể hình Hình Sơ đồ lớp phân lớp giúp nhận diện mẫu hành vi hệ thống Kết Các thử nghiệm tiến hành dịch vụ đám mây Google Colaboratory (Colab) với GPU NVIDIA Tesla K80 12 GB Ngơn ngữ lập trình Python 3.9 sử dụng thư viện Keras Tensorflow để tạo huấn luyện mơ hình mạng nơ ron sâu Hình Sơ đồ lớp mơ hình dự đốn với N = 30 M =3 116 Để đánh giá độ xác dự đốn của mơ hình dự đốn chuỗi thời gian sử dụng sai số tuyệt đối trung bình MAE (Mean Absolute Error): Số 29 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 𝑀𝐴𝐸 = 𝑛 ∑𝑛𝑖=1|𝑒𝑖 | = mean(|𝑒𝑖 |), (8) 𝑖=1:𝑛 𝑒𝑖 = (𝑦𝑖 − 𝑦̂𝑖 ), 𝑦𝑖 , 𝑦̂𝑖 – giá trị thực tế giá trị dự đoán thời điểm 𝑖 tương ứng Để đánh giá hiệu mơ hình phân lớp, sử dụng ma trận lỗi (Confusion Matrix) phân lớp М = {𝑚𝑖𝑗 }𝑁 𝑖,𝑗=1 Ma trận hiển thị số lượng đối tượng thực tế thuộc lớp С𝑖 , dự đoán thành lớp Сj Để huấn luyện phân lớp, tạo số tín hiệu cho lớp cách sử dụng (ISSN: 1859 - 4557) mô đun tổng hợp liệu mô tả Việc huấn luyện mơ hình thực 45.000 mẫu 10 Epoch Độ xác phân lớp mẫu liệu thử nghiệm gồm 5000 mẫu đạt trung bình 98% Kết chung thí nghiệm liệu tổng hợp cho thấy độ xác dự đoán cao (sai số dự đoán tối đa MAE 0,075) phân lớp (sai số phân lớp tối đa 6,78% chuỗi liệu có độ dài ngắn nhất) Hình minh họa giải pháp vấn đề dự đốn mẫu hành vi hệ thống Các mơ hình dự đoán phân loại huấn luyện kích thước khối khác Độ xác mơ hình cho kích thước khối khác trình bày bảng H = 30, sai số dự đốn: 3.39% Hình Tín hiệu thực (xanh lam), tín hiệu dự đốn (đỏ), mẫu hành vi (chế độ làm việc) m1- m5 (trong màu đỏ dự đoán sai, màu xanh khớp) Bảng Độ xác mơ hình dự đốn mẫu hành vi hệ thống cho kích thước khối Kích thước khối H Sai số phân lớp, % Sai số dự đoán (MAE) 20 30 40 50 6.78 3.39 3.39 0.41 0.075 0.070 0.072 0.072 Số 29 117 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) 60 70 80 90 1.69 1.69 0.18 1.69 Đề xuất mơ hình để áp dụng triển khai phương pháp Sau kiểm chứng độ xác mạng DNN dự đốn mẫu hành vi hệ thống, chúng tơi đề xuất mơ hình để áp dụng triển khai phương pháp thực tế trình bày hình Các thông số khác đặc trưng cho chế độ làm việc khác hệ thống giám sát thu thập thông qua mạng lưới cảm biến Dữ liệu chuỗi thời gian 𝑋(𝑡) hình đặc trưng cho số mẫu hành vi (chế độ làm việc, trạng thái làm việc) định hệ thống Mục tiêu tìm hiểu dự đốn mẫu hành vi 118 0.066 0.071 0.065 0.064 dựa giá trị cảm biến, hành động điều khiển theo kịch khác kích hoạt dựa kết dự đốn (ví dụ đơn giản kích hoạt ON/OFF relay thực chức đó) Để thực công việc này, đề xuất xây dựng mơ hình gồm hai giai đoạn Trong giai đoạn đầu, mơ hình DNN khác xây dựng áp dụng cho liệu thu từ cảm biến mơ hình tốt lựa chọn để sử dụng cho giai đoạn dựa số thước đo định Trong giai đoạn thứ 2, hệ thống hỗ trợ điều khiển xây dựng để đưa hành động điều khiển dựa mẫu hành vi đự đốn Số 29 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Hình Đề xuất mơ hình hỗ trợ điều khiển tự động sở dự đoán mẫu hành vi hệ thống Số 29 119 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) KẾT LUẬN Trong báo này, trình bày phương pháp để dự đốn mẫu hành vi hỗ trợ điều khiển tự động hệ thống sở phân tích liệu IoT sử dụng mạng nơ ron sâu Phương pháp gồm hai phần chính, mạng nơ-ron LSTM dự đoán nhiều bước giá trị cảm biến mạng nơ-ron thực nhiệm vụ phân lớp giá trị dự đoán thu từ mạng LSTM Trên sở kết thu được, đưa kết luận độ xác phương pháp đề xuất Cách tiếp cận cho phép phát triển triển khai hệ thống điều khiển chủ động không cần tham gia người với độ xác cao áp dụng điều khiển hệ thống, thiết bị máy móc ngành cơng nghiệp khác với mục đích tương tự kết báo Trong nghiên cứu nhóm tác giả hướng tới việc áp dụng, thử nghiệm phương pháp toán thực tế, đồng thời nghiên cứu ứng dụng thuật toán học tăng cường (Reinforcement Learning) để giải toán tự động, xác định kịch điều khiển khác dựa hoàn cảnh mẫu hành vi cụ thể để đạt lợi ích cao phát triển thống tự động điều khiển TÀI LIỆU THAM KHẢO [1] Cuong Sai, M V Shcherbakov and V P Tran Data-driven framework for predictive maintenance in industry 4.0 concept Creativity in Intelligent Technologies and Data Science CIT&DS 2019 Communications in Computer and Information Science, vol 1083 Springer, Cham https://doi.org/10.1007/978-3-030-297435_28 [2] M Shcherbakov and Cuong Sai (2022) A hybrid deep learning framework for intelligent predictive maintenance of Cyber-Physical Systems ACM Transactions on Cyber-Physical Systems (TCPS), 6(2), 1-22 [3] Khan, N S., Ghani, S., & Haider, S (2018) Real-time analysis of a sensor’s data for automated decision making in an IoT-based smart home Sensors, 18(6), 1711 [4] Cuong Sai and M Shcherbakov (2019) PdM: A predictive maintenance modeling tool implemented as Rpackage and web-application In Proceedings of the Tenth International Symposium on Information and Communication Technology (pp 433-440) [5] Cuong Sai and M Shcherbakov (2020) Statistical and machine learning high-frequency time series forecasting methods in automatic mod Heraald of computer and information technologies (pp 3-11) [6] Sagheer, A Unsupervised pre-training of a Deep LSTM-based Stacked Autoencoder for Multivariate time Series forecasting problems / A Sagheer, M Kotb // Scientific Reports – 2019 – № 9(1) – P.1–16 [7] Tra, V Bearing Fault Diagnosis under Variable Speed Using Convolutional Neural Networks and the Stochastic Diagonal Levenberg-Marquardt Algorithm / V Tra, J Kim, S A Khan // Sensors – 2017 – Vol 17(12) – P 1–16 [8] Zheng, S Long Short-Term Memory Net-work for Remaining Useful Life estimation / S Zheng, K Ristovski, A Farahat, C Gupta // In Proceedings of the 2017 IEEE In-ternational Conference on Prognostics and Health Management (ICPHM), Dallas, TX, USA – 2017 – P 88–95 [9] What are its Use Cases & Benefits? Available at: https://research.aimultiple.com/synthetic-data/(accessed 12.05.2022) [10] Keras: The Python Deep Learning library Available at: https://keras.io/ (accessed 19.05.2022) [11] Tensorflow The Python Deep Learning Library Available at: https://www.tensorflow.org/ (accessed 19.05.2022) 120 Số 29 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Giới thiệu tác giả: Tác giả Nguyễn Ngọc Trung tốt nghiệp đại học ngành hệ thống điện, nhận Thạc sĩ ngành kỹ thuật điện Trường Đại học Bách khoa Hà Nội vào năm 2003 2006; nhận Tiến sĩ ngành kỹ thuật điện năm 2014 Đại học Palermo, Cộng hòa Italia Hiện tại, tác giả giảng viên, Phó trưởng phịng Phịng Quản lý khoa học Hợp tác quốc tế, Trường Đại học Điện lực Lĩnh vực nghiên cứu: lưới điện thông minh - SmartGrid, giám sát, đo lường điều khiển, bảo vệ tự động hóa hệ thống điện Tác giả Bùi Thị Duyên tốt nghiệp đại học chuyên ngành Kỹ thuật đo Tin học công nghiệp năm 2004; nhận Thạc sĩ chuyên ngành Tự động hóa năm 2007v; nhận tiến sỹ chuyên nghành Kỹ thuật điều khiển Tự động hóa năm 2020 trường Đại học Bách khoa Hà Nội Hiện tác giả giảng viên khoa Điều khiển Tự động hóa, Trường Đại học Điện Lực Lĩnh vực nghiên cứu: hệ thống đo lường điều khiển, thiết kế hệ thống nhúng ứng dụng điều khiển tự động hóa, mạng cảm biến không dây, anten mạch cao tần Số 29 121 ... tơi trình bày phương pháp để dự đoán mẫu hành vi hỗ trợ điều khiển tự động hệ thống sở phân tích liệu IoT sử dụng mạng nơ ron sâu Phương pháp gồm hai phần chính, mạng nơ- ron LSTM dự đoán nhiều bước... cao hỗ trợ điều khiển tự động hệ thống sở phân tích liệu IoT sử dụng mạng nơ- ron sâu thể hình Hình Mơ tả q trìnhh hỗ trợ định thông minh sử dụng IoT AI Cơ sở liệu thu thập từ hệ thống IoT, vi? ??c... trị liệu chuỗi thời gian thu từ cảm biến, có tính chất Chính vậy, mạng nơ- ron LSTM lựa chọn để xây dựng phương pháp dự đoán nghiên cứu ĐỀ XUẤT PHƯƠNG PHÁP DỰ ĐOÁN MẪU HÀNH VI HỆ THỐNG Để dự đoán