Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy.
Về lý thuyết chẩn đoán
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 trưng bởi tập lỗi trống
- 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 , }.
Như 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 lượng trạng thái trong tập tăng theo cấp số nhân theo số lượng phần tử và số lỗi đồng thời xảy ra Nói cách khác, hệ càng phức tạp và số lượng lỗi đồng thời xảy ra càng nhiều thì việc chẩn đoán càng khó khăn.
Mô hình toán học đối tượng chẩn đoán và bài toán chẩn đoán
Mô hình toán học của đối tượng chẩn đoán được thể hiện tổng quát như sau
Hình 1.1: Mô hình đối tượng chẩn đoán trong trường hợp có lỗi
U(t): Véc tơ thông số đầu vào của đối tượng chẩn đoán Y(t): Véc tơ thông số đầu ra của đối tượng chẩn đoán X(t): Véc tơ thông số cấu trúc của đối tượng chẩn đoán F(t): Lỗi tác động đến hệ thống.
Một hệ thống làm việc bình thường được mô tả bởi hàm quan hệ:
Lỗi được quy về một nhóm tín hiệu vào làm thay đổi thuộc tính của đối tượng.
F(t) có thể biến đổi liên tục tương ứng với sự hao mòn của thiết bị hoặc nhảy bậc khi hệ thống hư hỏng bất thường.
Xét cả tác động của lỗi và các đầu vào ngoại lai thì trạng thái của đối tượng được xác định bởi công thức: x ( t ) x ( t ) U x ( t ) x ( t ) , u ( t ) , f ( t )
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)+Y(t) X(t) U và thông qua ánh xạ [U(t), , thông số đầu ra thay đổi một lượng Uy(t) thành y(t)+Y(t) y(t)U
Công thức 1.1 sẽ thay đổi thành:
Y(t)+Y(t) Y =U F1[U(t),U(t), X(t)+Y(t) X(t)]U (1.4) 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).0)
Bản chất của chẩn đoán là dựa vào những dấu hiệu đầu ra Uy, để xác định sự thay đổi của thông số trạng thái của đối tượng Tức là, nếu xác định được ánh xạ ngược:
X(t)+Y(t) X =U [U(t),U(t), Y(t)+Y(t) Y(t)]U (1.5) 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:
V ấ n đ ề 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.
V ấ n đ ề 2: Ánh xạ [U(t),-1 thường là không biết và khó xác định.
F- lỗi Y-đầu ra ĐTCĐ lệch
S F Ước lượng sai lệch Phân loại R S
Tạo tín hiệu chẩn đoán
Tùy theo cách tiếp cận của bài toán chẩn đoán, một số mô hình chẩn đoán sau đã được nghiên cứu và ứng dụng:
Sai 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.
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.
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(t) y U sai khác đủ lớn so với giá trị thông thường để có thể phân biệt được bằng ngưỡng {s} là tập con của { y}U
Công thức (1.5) sẽ biến đổi thành:
S=[U(t),s 1 s ns ] là véc tơ triệu chứng đầu vào của hệ chẩn đoán.
F=[U(t),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 [U(t),-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.
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 ) ^ y ( t ) y ( t )
(1.8) 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 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 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 [U(t), 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 (
- 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.
A Giá trị ngưỡng Giá trị thực
Giá trị ngưỡng Giá trị thực t t
Phương pháp mô hình đối chứng Phương pháp so sánh ngưỡng
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.
Các phương pháp phát hiện lỗi dựa trên mô hình hóa
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.
Kiểm tra phù hợp với luật Đối tượng/ hệ thống
Tạo hàm kiểm tra Đánh giá sai lệch
Hệ chẩn đoán dựa trên mô hình hóa
Mô hình so sánh Phân tích sai lệch logic chẩn đoán đối tượng
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.
Tín hiệu vào Tín hiệu ra
Hình 1.6: Mô hình chẩn đoán theo phương pháp mô hình hóa phân tích triệu chứng phát hiện triệu chứng đối tượng chẩn đoán
Phương pháp phân tích đáp ứng đầu ra
tín hiệu vào tín hiệu ra triệu chứng kết luận chẩn đoán
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.
Các hướng nghiên cứu chính trong chẩn đoán kỹ thuật
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 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].
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.
Các hướng nghiên cứu chính trong chẩn đoán động cơ điện
Các nghiên cứu về thông số chẩn đoán
- 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.
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.
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.
- 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].
Các nghiên cứu về xử lý thông tin
- 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].
- 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 dạng lỗi được quan sát thấy liên tục Chức năng này được thực hiện bằng cách 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 sử dụng nhiều [32],[33].
Mạng nơron RBF được sử dụng trong chẩn đoán theo phương pháp phân loại nhằm xây dựng các hàm kết luận chẩn đoán [28].
Các nghiên cứu về động cơ một chiều
Về động cơ một chiều
Các nghiên cứu về động cơ một chiều cũng tập trung vào tìm kiếm các thông số chẩn đoán và phương pháp phân tích các triệu chứng Các phương pháp chẩn đoán dựa trên phân tích tần số ít được sử dụng hơn. Thay vào đó, dòng điện là thông số được quan tâm nhiều nhất:
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.
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.
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.
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.
MÔ HÌNH HÓA VÀ XÂY DỰNG TẬP THAM SỐ CHẨN ĐOÁN CHO ĐCĐK
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 toán và cho phép xây dựng các phép chẩn đoán phù hợp cho mỗi lỗi xác định chỉ dựa trên tập con của các biến chẩn đoán.
Gọi M o là mô hình cấu trúc của một đối tượng, được hình thành bởi các công thức mô tả hệ thống được chẩn đoán Hệ thống cần chẩn đoán được mô hình hóa bởi mô hình cấu trúc như sau:
E={e i } là tập các mối quan hệ giữa các biến trong mô hình, có thể được mô tả bằng mối quan hệ toán học: ei(U,Y,X,F)=0 (2.2)
X={x i }, U={u i }, Y={y i }, F={f i } là các tập biến có trong mô hình.
- Biến đo được: Trong mô hình có 2 loại biến đo được: Biến đầu vào hệ thống U và biến đầu ra hệ thống Y Ví dụ về loại biến này là tín hiệu của các cảm biến hoặc khâu chấp hành của hệ thống Sự khác nhau duy nhất giữa biến U và biến Y là các biến U đóng vai trò quyết định trạng thái làm việc của đối tượng Do vậy, khi xét mô hình chẩn đoán, có thể gộp chung thành tập biến đo được Y để tiện phân tích.
- Biến không đo được X - các biến trạng thái của hệ, các thông số cấu trúc của đối tượng.
- Biến lỗi F - là các lỗi ảnh hưởng tới hệ thống.
Lỗi được phân biệt bằng cách coi các biến lỗi là các giá trị chưa biết và tìm cách phân biệt chúng.
Mô hình cấu trúc được thể hiện dưới dạng ma trận cấu trúc (có tính đến lỗi) như trong [69] trong đó các hàng thể hiện các mối quan hệ (công thức) và cột thể hiện các biến Giá trị “1” ở các điểm giao thể hiện sự xuất hiện của biến tương ứng trong mối quan hệ Giá trị “0” hoặc để trống biểu hiện không có sự xuất hiện của biến tương ứng trong quan hệ.
Bảng 2.1: Ma trận cấu trúc của đối tượng chẩn đoán
Quan hệ biến đã biết Biến chưa biết Lỗi y 1 y 2 x 1 x 2 f 1 f 2 e 1 1 1 1 e 2 1 1 1 1 e 3 1 1 1
Trên cơ sở mô hình cấu trúc của đối tượng, sẽ tìm kiếm các mô hình con để miêu tả một cách chặt chẽ các mối quan hệ Từ đó xác định được các tập lỗi là chẩn đoán được hoặc phân biệt được.
Mô hình cấu trúc mô tả đối tượng có nhiều đầu vào và nhiều đầu ra (MIMO) Mô hình cấu trúc có thể được phân rã thành nhiều mô hình cấu trúc nhỏ (Sub-Model), mỗi mô hình mô tả mối quan hệ giữa một tập nhỏ các lỗi và các biến đầu vào, biến trạng thái và một đầu ra Các Sub- Model là cơ sở để phân biệt lỗi và kết luận lỗi.
Phân biệt lỗi dựa trên mô hình cấu trúc
Tập hợp M f {E f E, YE, Y f E, YY, X f E, YX, F f E, YF} được gọi là mô hình con của M 0 Xét mô hình quan hệ của một lỗi fi: Biến chưa biết có thể được xác định thông qua một mối quan hệ e fi của nó với các biến khác (biến chưa biết và đã biết); ta có mô hình mô tả quan hệ của f i , bao gồm các biến đã biết, biến chưa biết và mối quan hệ giữa chúng.
Mfi={ei, Xj, Uk, Yl, fi} (2.3)
Một mô hình là xác định nếu trong mô hình chứa hoàn toàn các biến đã biết:
Mfi={ei, Uk, Yl, fi} (2.4)
Một mô hình có thể trở thành xác định nếu trong mô hình tồn tại một mô hình xác định miêu tả các biến chưa biết trong nó.
Mfi={ei, Mxj, Uk, Yl, fi} (2.5)
Mô hình xác định của lỗi f i : M fi chính là mô hình con miêu tả lỗi f i
Thông qua mô hình này, có thể xác định được lỗi f thông qua các biến đã biết Một mô hình M fi tương ứng với một phương pháp chẩn đoán cho lỗi f Mục tiêu của phương pháp chẩn đoán là tìm kiếm các tập M fi thích hợp cho tập lỗi F đã cho.
Nếu tồn tại một mô hình xác định M fi ứng với lỗi f i , ta có một phân rã đơn: Một lỗi có thể phân biệt được trên cơ sở phân tích mối quan hệ giữa các thông số chẩn đoán tương ứng.
Nếu tồn tại các mô hình xác định ứng với từng lỗi của đối tượng, có nghĩa là tất cả các lỗi đều có thể phân biệt được, thì mô hình chẩn đoán đã phân tích được coi là “phân biệt được lỗi”.
Nếu tập {F i } bao gồm trên một lỗi: |F|>1 thì dựa vào các mối quan hệ đã biết, chưa thể xác định được đối tượng gặp phải lỗi nào trong số các lỗi mà tập đang chứa Và chỉ có thể xác định đối tượng có gặp lỗi hay không mà không thể phân biệt được lỗi: Phương pháp chẩn đoán đạt mức độ “phát hiện lỗi” nhưng không phân biệt được lỗi Tuy nhiên, phương pháp chẩn đoán vẫn có tính thực tế vì vẫn xác định được hệ thống có lỗi hay không và đưa ra cảnh báo về khả năng lỗi đối với các lỗi.
Kết luận lỗi dựa trên mô hình cấu trúc:
Với mỗi mô hình con M fi , xây dựng một hàm R i là tập hợp của các hàm quan hệ e i : Hàm R i sẽ cho giá trị bằng 0 nếu các mối quan hệ trong mô hình là phù hợp (không có lỗi f i ) hoặc khác 0 nếu các mối quan hệ trong mô hình không phù hợp (có lỗi f i ) Hàm R i được gọi là hàm kiểm tra hay dấu hiệu chẩn đoán của mô hình R i có nghĩa giống như triệu chứng chẩn đoán trong phương pháp chẩn đoán dựa trên phân tích biểu hiện.
Trên cơ sở phân rã mô hình cấu trúc và phân tích lỗi, có thể kết luận lỗi dựa trên giá trị của các hàm kiểm tra R i Tổng hợp của kết luận lỗi thường được biểu diễn dưới dạng ma trận chẩn đoán với các cột thể hiện sự xuất hiện của dấu hiệu chẩn đoán và các hàng thể hiện lỗi f i
Phân tích mô hình cấu trúc cho phép phân tích hệ thống một cách tổng quát, từ đó xác định khả năng chẩn đoán được và phát hiện được lỗi của hệ thống Tuy nhiên, để đạt được lời giải tối ưu cho bài toán, cần đơn giản hóa mô hình sao cho vẫn đảm bảo được tính chẩn đoán được của mô hình, đồng thời giảm thiểu được các phép đo và tăng thời gian tính toán.
2.1.2 Ý nghĩa của tập thông số chẩn đoán và phương pháp xây dựng tập thông số chẩn đoán phù hợp
Mô hình hóa bài toán chẩn đoán ĐCĐK bằng mô hình cấu trúc
2.2.1 Mô hình toán học của động cơ điện kéo trong trạng thái làm việc bình thường
Việc phân tích mô hình đối tượng chẩn đoán và xây dựng tập thông số chẩn đoán là cơ sở để định hướng nghiên cứu trong chẩn đoán cho một đối tượng kỹ thuật Đối với động cơ điện kéo, chưa có những nghiên cứu tổng quát về đối tượng chẩn đoán Do vậy, phần này sẽ xây dựng mô hình quan hệ và thông số chẩn đoán cho đối tượng ĐCĐK làm cơ sở cho những nghiên cứu tiếp theo về chẩn đoán ĐCĐK.
Theo phương pháp chẩn đoán dựa trên mô hình, phần này tiến hành phân tích các mối quan hệ giữa thông số vào, thông số ra, thông số cấu trúc trong trạng thái làm việc bình thường Các mối quan hệ được xem xét bao gồm các mối quan hệ về điện, từ, công suất và nhiệt độ.Khảo sát các lỗi và mối quan hệ giữa lỗi và thông số cấu trúc Phân tích mô hình cấu trúc để tìm ra tập thông số chẩn đoán đối với bài toán phát hiện lỗi và phân biệt lỗi.
2.2.1.1 Cấu trúc và đặc tính động cơ điện kéo
Bảng 2.2: Các thông số cơ bản của máy điện kéo
Tập hợp con các thông số
[thứ nguyên] Ý nghĩa của thông số
Các thông số đầu vào U
U F [U(t),V], I F [U(t),A] Điện áp và dòng điện cấp tocin[U(t),oC],
Nhiệt độ, lưu lượng không khí làm mát
Các thông số đầu ra Y
M F [U(t),N.m] Mô men trên trục động cơ n F [U(t),v/ph] Tốc độ quay động cơ
I A [U(t),A] Điện áp và dòng điện đặt lên phần ứng đo tại chổi than
E A [U(t),V] Suất phản điện động phần ứng
I kt [U(t),A] Điện áp và dòng điện trên cuộn kích từ
U tx [U(t),V] Tổng sụt áp trên tiếp xúc của cổ góp
[WB] Từ trường chính của động cơ toct, toA, tocc, totx
Nhiệt độ ổ đỡ, phần ứng, các cực từ và chổi than
P Đ [U(t),W] Công suất điện đầu vào
Công suất tiêu tán trên cực từ, phần ứng và trên cổ góp t c [U(t), o C] Nhiệt độ thân máyCác thông số cấu r A , r cc [U(t), ]] Điện trở thuần của phần ứng, trúc các cực từ.
A k Mức độ đánh lửa cổ góp
K[WB] Hằng số từ hóa w Số vòng dây cực từ
2.2.1.2 Các mối quan hệ về điện và từ Điều kiện khảo sát: Do động cơ điện kéo được sử dụng để kéo đoàn tàu với khối lượng rất lớn, nên thời gian tăng tốc, giảm tốc khá dài (cỡ từ vài chục giây tới vài phút) so với quán tính điện của thiết bị, nên có thể coi thiết bị làm việc trong trạng thái xác lập ổn định; bỏ qua các quá độ về điện.
Giải thích về các đại lượng và ý nghĩa của chúng xem trong Bảng 2.2 Ký hiệu các biểu thức (e 1 , e 2 , ) để tiện xây dựng mô hình cấu trúc ở phần sau. Điện áp động cơ:
Dòng kích từ: e1: UF = UKT +Y(t) UA (2.8)
Suất phản điện động của động cơ: e4: EA=KE .n[WB] F (2.11)
Mối quan hệ về dòng điện: e5: IKT = IF=IA (2.12)
Từ thông phần cảm: e6: =K[WB] [WB].(I).IF.w (2.13)
Trong đó K[WB](I) là hàm phi tuyến theo I.
2.2.1.3 Các mối quan hệ về công suất và nhiệt
Trên động cơ điện kéo làm việc ở chế độ dài hạn, nhiệt độ của đối tượng phụ thuộc vào mối quan hệ cân bằng năng lượng:
Trong đó: P tỏa là năng lượng tỏa ra từ đối tượng thông qua các quá trình truyền nhiệt Năng lượng này có được do quá trình tổn hao từ thiết bị trong quá trình làm việc.
P tiêu tán là năng lượng tiêu tán thông qua các hiện tượng gia nhiệt đối tượng, tản nhiệt qua các phương pháp khác nhau (dẫn nhiệt, đối lưu, làm mát ) Quá trình tản nhiệt của đối tượng phụ thuộc vào nhiệt độ của môi trường, gió làm mát và công suất tỏa ra từ bộ phận tương ứng [2],[5].
2.2.1.4 Phân tích các tổn hao đối với thiết bị (ĐCĐK)
Năng lượng tỏa ra từ thiết bị chính là tổn hao sinh ra quá trình làm việc Tổn hao này về bản chất gắn liền với quá trình điện từ trong máy và chuyển động cơ của rôto Tổn hao trong máy càng nhiều thì hiệu suất của máy càng thấp.
Tổn hao năng lượng trong quá trình làm việc của máy điện được xác định ở chế độ xác lập, do đó trong thực tế chỉ cần xét đến tổn hao năng lượng trong một đơn vị thời gian, tức là tổn hao công suất Trong tính toán máy điện, tổn hao công suất không những dùng để xác định hiệu suất mà còn để xác định độ chênh nhiệt độ ở các bộ phận máy.
Tổn hao trong máy điện có thể phân làm những loại sau:
1, Tổn hao trong thép ở stato và rôto do từ trễ và dòng điện xoáy khi từ thông chính biến thiên Ngoài ra trong tổn hao sắt còn tính đến cả các tổn hao phụ gọi là tổn hao bề mặt và tổn hao đập mạch do sự thay đổi từ trở và sự thay đổi lần lượt vị trí tương đối của rãnh stato và rôto.
2, Tổn hao điện, bao gồm tổn hao do tỏa nhiệt từ dây quấn, tổn hao tại tiếp xúc giữa chổi than với vành góp hoặc vành trượt.
3, Tổn hao phụ khi có tải do sự đập mạch của từ thông tản ở máy điện xoay chiều hoặc do sự biến dạng của từ trường, phản ứng phần ứng và từ trường của phần tử đổi chiều ở máy điện một chiều.
4, Tổn hao cơ do ma sát ở vòng bi, ma sát giữa chổi than với vành góp hay vành trượt và ma sát giữa không khí với các bộ phận quay.
Các tổn hao trong lõi thép (1) và tổn hao cơ (4) ít thay đổi theo công suất, và được quy thành tổn hao không tải.
Các tổn hao do dây cuốn và tổn hao phụ khi có tải gọi là tổn hao khi có tải vì chúng biến đổi theo tải.
Dưới đây sẽ lần lượt khảo sát từng yếu tố sinh nhiệt của thiết bị:
1 Tổn hao trong lõi thép [U(t),2]
Trị số công suất tổn thất về thép hay từ theo công thức:
Pt= Kt (GR.PR +Y(t) Gv.Pv ) (W) (2.15)
K t : Hệ số tổn thất về thép, lấy theo số liệu thực nghiệm;
G R : Trọng lượng răng lõi thép phần ứng thường tính theo công thức:
7,8: Tỷ trọng của thép (kg/cm 3 )
R/3: Bề rộng của răng, ứng với độ cao 1/3 tính từ chân răng lên (cm) h R : Chiều cao của răng (cm) l ư : Chiều dài phần ứng (cm)
Z ư: Số răng lõi thép phần ứng
0,94: Hệ số ép chặt của lõi thép
Gv = 7,8 /4.(D/4.(D ư - 2.hz)2 - Di2- nK d 2.lư 10-3 (kg) (2.17)
G v : Trọng lượng vành lõi thép phần ứng (kg) h z : Chiều cao rãnh (cm)
D i : Đường kính trong của lõi thép phần ứng (cm) n K : Số lượng lỗ thông gió hướng trục d K : Đường kính lỗ thông gió hướng trục D ư : Đường kính ngoài phần ứng
P R : Đơn vị tổn thất về thép tại phần răng
P v : Đơn vị tổn thất về thép tại phần vành lõi thép
.n 6 0 Tần số dao động của từ thông trong lõi thép phần
B R 1 : Mật độ từ thông tại mặt cắt R 1
B ư : Mật độ từ thông tại vành lõi thép.
B R và B ư được sinh ra bởi dòng điện phần cảm và phần ứng.
2 Tổn hao nhiệt trong dây quấn: P Cu
Công thức sau áp dụng cho cả dây cuốn phần cảm và phần ứng: x
P cu : Tổn hao trên dây cuốn. x tx
I x : Dòng điện trong dây quấn của bộ phận x r x : Điện trở của dây quấn bộ phận x
3 Tổn hao trên tiếp xúc của chổi than:
Tổn hao này do điện áp rơi trên chỗ tiếp xúc giữa chổi than và vành góp hay vành trượt Tổn hao chỗ tiếp xúc của chổi than ở máy điện một chiều được tính theo công thức. e7: Ptx U U
(2.21) phụ thuộc vào loại chổi than Theo tài liệu [2] thông thường lấy
= 2V với chổi than graphit và =0,6V với chổi than đồng hay graphit - đồng.
Tổn hao cơ hay tổn hao ma sát phụ thuộc vào áp suất trên bề mặt ma sát, hệ số ma sát và tốc độ chuyển động tương đối của bề mặt ma sát Việc tính toán các tổn hao này gặp khó khăn ở phần xác định hệ số ma sát vì hệ số này phụ thuộc vào chất lượng bề mặt ma sát, loại dầu bôi trơn ở nhiệt độ Ở nơi chế tạo thường dùng các số liệu thực nghiệm trên các máy đã chế tạo và các công thức dựa trên cơ sở thực nghiệm để xác định tổn hao cơ Tổn hao cơ trên hệ thống quạt ở máy điện càng khó xác định hơn nên trong thực tế tổn hao này hoàn toàn xác định theo thực nghiệm Gồm các dạng sau: 1 Tổn thất về ma sát giữa chổi điện và cổ góp: P mscg 2 Tổn thất về ma sát ở gối trục: P msgt Các tổn hao này phụ thuộc vào tốc độ quay của rotor và lực tác động lên chi tiết.
Tổn thất phụ do nhiều yếu tố gây nên như:
- Tổn thất do dòng điện xoáy sinh ra trong thanh dẫn phần ứng khi nắn điện
- Tổn thất do dòng điện xoáy sinh ra trong thanh dẫn khi từ trường của bản thân rãnh đặt dây có sự biến thiên (dao động)
- Tổn thất trong đai thép, khi sử dụng đai thép từ tính để cố định lõi thép cuộn dây phần ứng.
- Tổn thất tại phần mũi đế cực, gây nên bởi sự chuyển động tương đối giữa răng và rãnh phần ứng, dưới bề mặt cực từ v.v
Trên thực tế rất khó xác định được một cách chính xác các dạng tổn thất phụ này Vì vậy, theo tài liệu [5] cho phép theo mức độ phụ tải để xác định P ph theo tỷ lệ phần trăm trị số tổn thất về thép hoặc tổn thất về từ (tổn thất khi không tải) P t như sau:
Trong đó K ph là trị số thực nghiệm,
Từ phân tích trên, có nhận xét sau: lấy theo (2.20)
1 Tổn hao trong máy điện kéo phụ thuộc vào các yếu tố sau:
Grap chẩn đoán của ĐCĐK
Trên cơ sở phân tích mối quan hệ giữa các thông số chẩn đoán của động cơ điện kéo, xây dựng được mô hình grap của đối tượng:
Thông số chẩn đoán Thông số cấu trúc Lỗi
Hình 2.1: Grap quan hệ của ĐCĐK một chiều
Tiến hành phân tích mô hình grap để xác định tập hợp tối thiểu các TSCĐ theo phương pháp đã phân tích, cho phép đơn giản hóa quá
66 trình chẩn đoán, nhưng vẫn đảm bảo tính ổn định, chính xác của kết quả.
Từ grap, ta lập được hàm hội chuẩn logic của đối tượng chẩn đoán: p
Trong đó Z k là các biểu thức đỉnh Mỗi biểu thức đặc trưng cho liên kết của một đỉnh:
S kj là tập các đỉnh có cạnh đi ra từ đỉnh k (bao gồm cả đỉnh k).
Hàm F ở trên có thể được biến đổi thành dạng tuyển chuẩn như sau:
1 Trong đó N k là đỉnh k trong grap.
Ta đánh giá mức độ ảnh hưởng của thông số N k như sau: Số lượng các phép suy diễn trong hàm (2.48) là:
(2.50 ) p - số lượng biểu thức Z trong hàm (2.46) i t
V i - số đỉnh trong biểu thức Z k trong hàm (2.46)
Tiếp theo là tính toán sự lặp lại của các đỉnh trong các phép suy diễn logic (số lượng đường dẫn) Mỗi phép suy diễn sẽ cho một số lượng đường dẫn trên thứ k nào đó có thể được tính bằng: h 1
Với: L ij là số lần xuất hiện của tham số i trong biểu thức thứ j
L ij =1 nếu có xuất hiện trong biểu thức j.
L ij=0 nếu không xuất hiện.
L i : Số lượng đỉnh có trong biểu thức j.
Tối thiểu hóa tập thông số sử dụng mô hình cấu trúc và hàm chỉ tiêu chất lượng thông số
Từ mô hình cấu trúc đã xây dựng ở mục 2.1, nhận xét rằng có thể có nhiều mối quan hệ khác nhau cùng xác định một giá trị chưa biết, đồng nghĩa với việc có thể xây dựng nhiều mô hình con khác nhau cho cùng một đầu ra lỗi; ứng với các phương pháp khác nhau để chẩn đoán cùng một lỗi, tương ứng với mô hình chẩn đoán tương ứng; mỗi tập này liên quan đến một tập các thông số (đầu vào và đầu ra) cần phải quan sát Việc lựa chọn hàm quan hệ e i và tập biến chẩn đoán tương ứng hợp lý có thể làm tăng hiệu quả của phép chẩn đoán về cả khía cạnh kinh tế và kỹ thuật Đây là mục tiêu của các phương pháp lựa chọn tập thông số chẩn đoán [15],[37],[38].
Các phương pháp này tập trung khai thác mối quan hệ giữa các thông số chẩn đoán, từ đó tìm kiếm cấu trúc chẩn đoán phù hợp sao cho mức độ phân rã lỗi là cao nhất Tuy nhiên, theo giả thiết của phương pháp, tập các biến U và Y là đã biết và không quan tâm đến khả năng đo đạc và thu thập số liệu của các biến trên. Đối với bài toán chẩn đoán cho đối tượng đang sử dụng, toàn bộ các số liệu là chưa có, do vậy, cần tính đến khả năng thực hiện các phép đo và số lượng các đại lượng thu thập sao cho đảm bảo tính hiệu quả của phương pháp, đồng thời vẫn duy trì khả năng chẩn đoán được của phương pháp.
Do vậy, trong luận án, đề xuất sử dụng hàm chỉ tiêu chất lượng thông tin như là phương pháp để lựa chọn và tối thiểu hóa tập thông số.Hàm chỉ
tiêu chất lượng thông tin cho phép đánh giá và ước lượng mức độ ý nghĩa của thông số dựa trên các tiêu chí của thông số chẩn đoán.
2.4.1.1 Hàm chỉ tiêu lượng thông tin:
Hàm chỉ tiêu lượng thông tin của thông số do Bervinov sử dụng để đánh giá khả năng sử dụng một thông số như thông số chẩn đoán [15]. Hàm này gồm 3 thành phần S k biểu thị mức độ liên hệ của thông số, b zi thể hiện khả năng đo đạc và I czi thể hiện mức độ ý nghĩa của thông số: i k Z i C z i (2.52)
Ba thành phần trong biểu thức của i có thể được xác định thông qua phân tích mối liên hệ giữa các thông số, hoặc đánh giá dựa trên kinh nghiệm của chuyên gia.
2.4.1.2 Lượng tin của thông số:
Lượng thông tin của 1 thông số được đánh giá bằng chỉ tiêu thông tin tương đối, chỉ tiêu này trong quá trình kiểm tra không chỉ đặc trưng cho thông tin toàn phần về giá trị của nó, mà còn đặc trưng một phần do trạng thái của một số đỉnh khác của mô hình grap, mà các đỉnh đó có các cung đi vào đỉnh có thông số cần kiểm tra Trường hợp tổng quát, lượng thông tin chứa trong thông số được tính như sau:
Trong đó: i ={1,2, 3, ….n}; j={g, …., e} là tập hợp các phần tử của các phép biến đổi của đỉnh Z i
I (Zi) , I (Zj/Zi) : lượng thông tin về trạng thái thông số Z i và của thống số
Z j nhận được khi kiểm tra trạng thái thông số Z i
Trong trường hợp i & j là các tham số chẩn đoán và tình trạng hỏng hóc, quan hệ giữa Z i và Z j có thể xác định dựa vào ma trận xác suất (thực nghiệm hoặc giả thiết) [17].
2.4.1.3 Mức độ thuận lợi thu thập thông tin Được đánh giá dựa trên ý kiến chuyên gia theo thang điểm 5 và được xem như hiệu quả tương đối của phép đo đối với thông số, như sau [17]:
- b zi =5: nếu thông số có thể kiểm tra bằng mắt thường và cho kết quả hỏng/làm việc được một cách chắc chắn.
- b zi = 4: nếu thông số được xác định một cách nhanh chóng và dễ dàng nhờ thiết bị sẵn có.
- b zi = 3 nếu thiết bị đo đã có nhưng việc sử dụng thiết bị đó để đo là khó khăn.
- b zi = 2: nếu thiết bị đo đang được thiết kế chế tạo hoặc đã được chế tạo nhưng khó khăn trong việc lắp đặt để đo hoặc muốn đo cần giải thể một vài chi tiết.
- b zi = 1: nếu thông số đo về mặt nguyên tắc có thể đo bằng dụng cụ đo nhưng không có loại dụng cụ đó hoặc việc chế tạo nó không khả thi.
- b zi = 0: nếu thông số đó không thể đo được, hoặc cần giải thể toàn bộ đối tượng nghiên cứu.
2.4.2 Đánh giá lượng tin của các thông số:
Trên cơ sở mô hình cấu trúc (Bảng 2.4), ta có được ma trận xác suất cho hệ đang xét, với giả thiết là các mối quan hệ xảy ra đồng thời, khả năng ảnh hưởng của lỗi tới các mối quan hệ là như nhau Như vậy, các mối quan hệ là đồng xác suất (P Fi =1/n) và áp dụng theo công thức: p ij p e i m * i 1
Trong đó: m *i : số lượng thông số trong hàm quan hệ e i n: Số lượng phần tử e i có trong tập hàm quan hệ E.
Lượng tin của một triệu chứng tính theo công thức về lượng tin:
Căn cứ vào ma trận 2.5 có thể đánh giá các tham số chẩn đoán S j về lượng thông tin của chúng, đây là cơ sở quan trọng cho việc phân tích mô hình, xác định tập hợp tối thiểu các tham số chẩn đoán.
Bảng 2.5: Ma trận xác suất và lượng tin cho ĐCĐK một chiều
Xây dựng các biểu thức liên kết
Z18=tcin t U tx t U cc t U A t U ct p U tt U tcout Z19= ttx t U c P U tx t U cin
Z23=Ptt U tc U Ptx U Pc U PA U Pct U tcin U tcout Z24=tcout t U cin U Ptt
Từ hệ công thức (2.56), tiến hành tín toán chỉ số S k của mô hình.
Kết quả thể hiện ở Bảng 2.6.
Trên cơ sở khảo sát thực tế, tiến hành thu thập và đánh giá các số liệu liên quan I czi và b zi Sau khi có các số liệu cơ bản, tiến hành tính toán hàm chỉ tiêu chất lượng theo các tiêu chí đã nêu Tổng hợp kết quả ở Bảng 2.6
Bảng 2.6: Đánh giá khả năng thu thập & mức độ quan hệ của các tham số chẩn đoán
TT Thông số Sk bzi IZI
Đánh giá và lựa chọn tập tham số tối ưu
2.5.1 Lựa chọn tập tham số cho bài toán phát hiện lỗi Áp dụng thuật toán đã phân tích ở mục 2.1 cho bài toán phát hiện lỗi: chọn tập lỗi là toàn bộ các lỗi F={f 1 , f 2 f i }, thu được mô hình cấu trúc cho bài toán phát hiện lỗi ĐCĐK như sau:
Tập thông số chẩn đoán
Y0 = {nF, UF, IF, tcin, tcout } (2.57)
Trên cơ sở mô hình cấu trúc bài toán phát hiện lỗi đã có, cần tiến hành phân tích từng phần hoặc toàn bộ mô hình để phát hiện các dấu hiệu lỗi R i Trên cơ sở những dấu hiệu lỗi đó, có thể kết luận về tình trạng làm việc của thiết bị.
2.5.2 Lựa chọn tập thông số cho bài toán chẩn đoán lỗi:
Trên cơ sở thuật toán đã phân tích ở mục 2.1 và các số liệu đã thu thập tính toán được, tiến hành xử lý số liệu Kết quả thu được như sau:
Bảng 2.7: Lỗi và thông số chẩn đoán cho lỗi tương ứng
Lỗi Mô tả lỗi Thông số chẩn đoán
Y i E i r i f 1 Xuất hiện vành lửa trên cổ góp
U KT , I F {e 19 } r 2 f 3 Chập mạch phần cảm
U KT , I F {e 2 } r 3 f 4 Cháy hoàn toàn, hở mạch cổ góp
U A , I F {e 20 } r 4 f 5 Chập mạch một phần hoặc toàn bộ bối dây phần ứng
U A , I F , n {e 3 , e 4 , e 6 } r 1 f 6 Đứt mạch một hoặc nhiều bối dây phần ứng
U A , I F , n {e 3 , e 4 , e 6 } r 1 f 7 Sát cốt phần ứng U F , I F , t cin , tcout, tc {e 15 , e 16 } r 5 f 8 Quá nhiệt cực từ tcc {e 21 } r 6 f 9 Quá nhiệt phần ứng tA {e 22 } r 7 f10 Quá nhiệt ổ trục tct {e 23 } r 8
U A , I F , n, tcin, tcout, tc, tcc, tA, tct e 2, e 3 , e 4 , e 6 , e15,e16, e19,e20, e21,e22,e23
So sánh giá trị đầu ra của đối tượng với khâu ước lượng được sử dụng làm đối chứng, sẽ có được giá trị so sánh Một sai lệch đủ lớn vượt qua giá trị ngưỡng sẽ được coi là triệu chứng lỗi s i
Trên cơ sở hàm kiểm tra, lập được ma trận kết luận lỗi như sau:
Bảng 2.8: Ma trận kết luận lỗi s 1 s 2 s 3 s 4 s 5 s 6 s 7 s 8 f 1 1 0 0 0 0 0 0 0 f 2 0 1 0 0 0 0 0 0 f 3 0 0 1 0 0 0 0 0 f 4 0 0 0 1 0 0 0 0 f 5 1 0 0 0 0 0 0 0 f 6 1 0 0 0 0 0 0 0 f 7 0 0 0 0 1 0 0 0 f 8 0 0 0 0 0 1 0 0 f 9 0 0 0 0 0 0 1 0 f10 0 0 0 0 0 0 0 1
Qua bảng kết luận lỗi, có nhận xét:
- Hệ có khả năng chẩn đoán được lỗi: Các lỗi đều được phát hiện bởi các biểu hiện lỗi s 1 s 8
- Hệ có khả năng phân biệt lỗi tốt: 7/10 lỗi đã được phát hiện và phân biệt.
- Lỗi f 1 , f 5 và f 6 phát hiện được nhưng không phân biệt được do có chung biểu hiện lỗi s 5 Để phân biệt lỗi này, có thể sử dụng các biện pháp kiểm tra nguội sau khi hệ thống đã được đưa về xưởng và giải thể từng bộ phận trong quá trình sửa chữa.
Trong chương này, luận án đã phân tích phân tích cấu trúc và mô hình grap tín hiệu của động cơ điện kéo, từ đó đề xuất tập thông số chẩn đoán tối ưu của động cơ điện kéo theo khả năng thu thập dữ liệu và mức độ ý nghĩa.
Xác định được tập thông số chẩn đoán cho bài toán phát hiện lỗi:
Y 0 = { n F , I F ,U F , t cin , t cout } và bài toán phân tích lỗi:
Y n = nn đ , U F , I F, U kt , U A , t a , t cin , t co , t c , t cc , t cf Tập thông số trên là các thông số cơ bản phản ảnh tình trạng kỹ thuật của đối tượng cần chẩn đoán Kết quả của chương 2 cho phép xây dựng các hệ thống thu thập và lưu trữ số liệu cho thiết bị Mức độ ảnh hưởng của mỗi thông số đến một hiện tưởng hỏng hóc là khác nhau Vì vậy, việc đánh giá tác động trực tiếp của từng tham số, cũng như mối quan hệ của một nhóm thông số đến tình trạng kỹ thuật của đối tượng chẩn đoán là cần thiết.
ỨNG DỤNG MẠNG NƠRON TRONG CHẨN ĐOÁN KỸ THUẬT ĐỘNG CƠ ĐIỆN KÉO
Phương pháp xây dựng mô hình máy tính cho chẩn đoán dựa trên mô hình đối chứng
Phương pháp chẩn đoán dựa trên mô hình đối chứng hiện được nghiên cứu nhiều do khả năng chẩn đoán sâu, không đòi hỏi đo trực tiếp các thông số liên quan đến lỗi, đặc biệt cho phép chẩn đoán cả các cảm biến, các khâu điều khiển, khâu xử lý tín hiệu là những đối tượng khó sử dụng các phương pháp chẩn đoán truyền thống khác Nhược điểm cơ bản của phương pháp là đòi hỏi phải thu nhận được tất cả các thông số đầu vào, đầu ra ảnh hưởng tới đối tượng Và cần trang bị các bộ xử lý có tốc độ đáp ứng được khả năng tính toán, mô phỏng bài toán.
Trong phương pháp này, khâu mô phỏng có thể được xây dựng theo các phương pháp sau [49]:
1 Hàm toán học: Xây dựng các hàm quan hệ trên cơ sở các mối quan hệ, cấu trúc vật lý của hệ thống thực hoặc các hàm truyền đạt của các khâu Đối với hệ thống điều khiển vòng kín, hàm truyền đạt của các đối tượng điều khiển và điều chỉnh thường được thiết kế sẵn, do vậy, rất thuận lợi khi sử dụng phương pháp này.
2 Hàm thống kê: Xác định đầu ra trên cơ sở các mô hình thống kê. Nhược điểm cơ bản của nó là đòi hỏi có tập số liệu khảo sát đủ lớn để xây dựng các khâu ước lượng đầu ra phù hợp.
3 Ước lượng thông số: Với các đối tượng chẩn đoán có đặc tính phức tạp, hoặc không thể hiện được dưới dạng các quan hệ toán học, người ta có thể sử dụng phương pháp ước lượng thông số để xác định giá trị đầu ra theo tập giá trị đầu vào của mô hình so sánh.
Phương pháp ước lượng thông số sử dụng hàm nội suy thường phát huy hiệu quả đối với các đối tượng phi tuyến - thường gặp trong công nhiệp và giao thông như đặc tính dòng điện - điện áp của động cơ, lực kéo, lực bám đối với bánh xe [23],[30],[47].
Bài toán nội suy tham số có thể được thực hiện bằng nhiều cách khác nhau, nhưng yêu cầu cơ bản đối với bài toán là sai số nội suy phải đảm bảo đủ nhỏ để có thể phân biệt được các trạng thái của chẩn đoán như đã phân tích ở trên.
Các nghiên cứu theo phương pháp ước lượng thông số trong chẩn đoán thường theo hướng sử dụng hệ nơron hoặc hệ lai Nơron-Fuzzy [9],
[51] Ưu điểm của các phương pháp nội suy trên là khả năng xấp xỉ bất kỳ hàm liên tục nào với độ chính xác tùy ý trong dải có nghĩa của thông số, khả năng hiệu chỉnh thông số trực tuyến ngay trong quá trình làm việc Vấn đề chính của các phương pháp này là không dễ dàng chỉ ra được cấu trúc tối ưu cho từng trường hợp do phụ thuộc vào số liệu đo có được, đặc tính phi tuyến của đối tượng và các điều kiện giới hạn Việc tìm cấu trúc nội suy tối ưu (cấu trúc đơn giản nhất thỏa mãn yêu cầu về sai số) thường dựa trên thử nghiệm.
Sau đây sẽ nghiên cứu về phương pháp nội suy hàm nhiều biến sử dụng mạng RBF phục vụ cho bài toán chẩn đoán. i i 0
Ứng dụng mạng nơron nhân tạo trong nội suy hàm số
3.2.1 Bài toán nội suy Nội suy hàm một biến
Bài toán nội suy hàm một biến tổng quát được đặt ra như sau: Một hàm số y=f(x) được xác định qua các điểm x 0 = a < x 1 < x 2 < … < x n-1 < x n = b với các giá trị y i = f(x i ) Ta cần tìm một biểu thức giải tích (x) để xác định gần đúng giá trị y x tại các điểm x [a,b] của hàm f(x) sao cho tại các điểm x i thì hàm số trùng với giá trị y i đã biết Về phương diện hình học, ta cần tìm hàm (x) có dạng đã biết sao cho đồ thị của nó đi qua các điểm (x i , y i ) với mọi i=0,1, ,n. f(x0) f(x) (x)(x) x0 x1 xn
Hình 3.1: Minh họa bài toán nội suy hàm một biến
Trong các ứng dụng thực tế hàm f(x) thường là hàm thực nghiệm hoặc khó tính nên các giá trị y i chỉ lấy được bằng cách đo tại các điểm cố định x i.
Các điểm nx Nđược gọi là các mốc nội suy.
Bài toán nội suy hàm nhiều biến
Tương tự bài toán nội suy hàm một biến Xét một hàm chưa biết
R n ) R m và một tập huấn luyệnx k , y k N k 1
) y k ; k 1, n Chúng ta cần tìm một hàm số ở một dạng đã biết để thỏa mãn điều kiện nội suy đó là: ( x k ) y k ; k 1, n
Với trường hợp m>1, bài toán tương đương với m bài toán nội suy m hàm nhiều biến giá trị thực, nên để đơn giản người ta thường xét bài toán có m=1.
Các phương pháp giải bài toán nội suy
- Phương pháp sử dụng đa thức nội suy: đa thức Lagrange, đa thức Chebysept tuy nhiên khi số mốc nội suy lớn thì nội suy bằng đa thức thường xãy ra hiện tượng phù hợp trội (Over-fitting) do bậc của đa thức thường tăng theo số mốc nội suy Để giải quyết hiện tượng phù hợp trội, thay vì tìm đa thức nội suy người ta chỉ tìm đa thức xấp xỉ, thường được giải quyết bằng phương pháp xấp xỉ bình phương tối thiểu của Gauss.
- Phương pháp nội suy Spline: Hàm nội suy được xác định nhờ ghép trơn các hàm nội suy dạng đơn giản (thường dùng đa thức bậc thấp) trên từng đoạn con Phương pháp này hay được áp dụng nhiều trong kỹ thuật.
- Các phương pháp hiện đại:
Học dựa trên mẫu: Thuật ngữ này được T Mitchell dùng để chỉ các phương pháp “k-láng giềng gần nhất”, phương pháp hồi quy trọng số địa phương
Mạng nơron MLP (Multi layer Perceptron): Cho phép xấp xỉ hoá một hàm bằng mạng nơ ron nhiều lớp Mạng có thể học thông qua phương pháp học lan truyền ngược sai số Tuy nhiên, có khó khăn khi vượt qua các cực tiểu địa phương của sai số.
Phần tiếp theo sẽ phân tích các cấu trúc mạng để lựa chọn cấu trúc mạng phù hợp cho bài toán.
3.2.2 Về mạng nơron nhân tạo
Mạng Nơron nhân tạo được thiết kế để mô phỏng một số tính chất của mạng Nơron sinh học, tuy nhiên, ứng dụng của nó phần lớn lại có bản chất kỹ thuật Mạng Nơron nhân tạo là một máy mô phỏng cách bộ não hoạt động và thực hiên các nhiệm vụ, nó giống mạng nơron sinh học ở hai điểm:
- Tri thức được nắm bắt bởi nơron thông qua quá trình học.
- Độ lớn của trọng số kết nối nơron đóng vai trò khớp nối lưu thông tin.
Mạng nơron nhân tạo là mô hình tính được cấu tạo bởi một số lượng lớn các nút (thường được gọi là nơron) và liên kết giữa chúng [61]. Mỗi nút được đặc trưng một hàm đầu ra (hàm tích cực hóa) Mỗi kết nối giữa các nút đặc trưng bởi trọng số của liên kết.
Cấu tạo một Nơron trong mạng Nơron nhân tạo w0
Hình 3.2: Cấu tạo một Nơron nhân tạo
Một nơron nhân tạo được biểu diễn bằng công thức:
(3.1 ) x i : Các tín hiệu kích hoạt đầu vào được lấy từ bên ngoài hoặc các nơron trước nó. w i : Trọng số biểu thị mối liên kết giữa nơron hiện tại và nguồn số liệu.
Y: Giá trị đầu ra của nơron
F: Hàm kích hoạt F thường được chọn trong những hàm sau:
Hàm sigmoid thường được sử dụng trong các mạng lan truyền ngược do tính dễ lấy đạo hàm: f’(x)=f(x).f(1-x).
Hàm Gauss thường được sử dụng trong mạng Nơron RBF do tính đối xứng tâm của nó.
Kiến trúc của mạng Nơron nhân tạo
Các nơron được kết nối với nhau thành mạng để tạo nên khả năng xử lý cho mạng nơron.Thông thường, các phần tử tổ chức thành nhóm hoặc lớp (layer):
+ Mạng nơron một lớp: Mạng nơron một lớp là tập hợp các phần tử nơron có đầu vào và đầu ra trên mỗi một phần tử Nếu mạng nơron nối các đầu ra của phần này với đầu vào của phần tử kia gọi là mạng tự liên kết (Autoassociative).
+ Mạng nơron hai lớp: Mạng nơron hai lớp gồm một lớp đầu vào và một lớp đầu ra riêng biệt.
+ Mạng nơron nhiều lớp: Mạng nơron nhiều lớp gồm một lớp đầu vào và một lớp đầu ra riêng biệt Các lớp nằm giữa lớp đầu vào và lớp đầu ra gọi là các lớp ẩn (Hidden Layers).
Quá trình học Đặc điểm nổi bật của mạng nơron nhân tạo là khả năng huấn luyện được (học) Quá trình huấn luyện là quá trình mà mạng Nơron nhân tạo tự thay đổi mình theo môi trường - ở đây là bộ dữ liệu huấn luyện - để cho ra kết quả phù hợp nhất với điều kiện của môi trường Về bản chất quá trình học là quá trình xác định các tham số w i của các Nơron trong mạng Nơron và tùy theo các thuật toán huấn luyện cụ thể, có thể bao gồm việc xác định các tham số còn chưa biết trong hàm kích hoạt Có ba kiểu học chính, mỗi kiểu mẫu tương ứng với một nhiệm vụ học trừu tượng Đó là học có giám sát, học không có giám sát và học tăng cường.
Cho trước p cặp mẫu tín hiệu vào - ra:
Trong đó: x là vectơ tín hiệu mẫu đầu vào x = [U(t),x (1) , x (2) , , x (p) ] T và d là vectơ tín hiệu đầu ra mong muốn d = [U(t),d (1) , d (2) , , d (p) ] T
Khi đưa một mẫu tín hiệu là x (k) vào đầu vào của mạng nơron, ở đầu ra có một tín hiệu ra tương ứng là y (k) Sai lệch giữa hai vectơ tín hiệu d và y có nhiệm vụ điều chỉnh vectơ trọng số W của mạng nơron sao cho vectơ tín hiệu ra y của mạng bám theo được vectơ tín hiệu ra mong muốn d, nói cách khác là để giảm thiểu sai lệch giữa chúng.
Trong quá trình học giám sát, giả thiết rằng đáp ứng đầu ra của mạng đã đạt được giá trị mong muốn Nhưng ở một mẫu vào - ra nào đó bị cho rằng có kết quả không đáng tin cậy, vì vậy cần phải tiến hành kiểm tra lại mẫu nói trên Khi đó chỉ có một bit tín hiệu của mẫu cần kiểm tra đóng vai trò là tín hiệu củng cố được đưa vào mạng để góp phần khẳng định kết quả quá trình học có giám sát đúng hay sai Kiểu học này cũng có tín hiệu củng cố được lấy từ bên ngoài nên nó chỉ là một trường hợp đặc biệt của kiểu học có giám sát.
Kiểu học này có đặc điểm là không có tín hiệu lấy từ bên ngoài. Mạng cần phải tự mình tìm ra các mẫu, nét đặc trưng, sự tương thích, phân loại trong dữ liệu đầu vào và mã hoá thành các mẫu ở đầu ra. Trong quá trình học không giám sát, nếu mạng không thay đổi thông số của nó thì được gọi là tự tổ chức (Self - Organizing).
- Yêu cầu đối với hai kiểu học có giám sát và học củng cố:
Đề xuất phương pháp phát hiện lỗi dựa trên ước lượng nhiệt độ gió làm mát sử dụng RBF
đ ộ gió làm mát s ử d ụ ng RBF
3.3.1 Phân tích mối quan hệ giữa thông số hoạt động và nhiệt độ của ĐCĐK:
Theo phân tích ở chương 2, tham số nhiệt độ gió làm mát t cout có thể được sử dụng như TSCĐ trong bài toán phát hiện lỗi của ĐCĐK.
Trong chẩn đoán, thông số nhiệt độ cũng thường được sử dụng để phát hiện các lỗi về công suất hoặc quá nhiệt ở các bộ phận thông qua đo đạc [6],[7],[12] hoặc ảnh nhiệt [31] Thông số này chưa được ứng dụng trong chẩn đoán trong tình trạng làm việc vì bài toán truyền nhiệt là bài toán thông số tản và phụ thuộc rất nhiều yếu tố bên ngoài như nhiệt độ môi trường, cách gá lắp, điều kiện tản nhiệt, chế độ tải, và quán tính nhiệt của thiết bị… Việc tính toán ước lượng nhiệt độ theo chế độ làm việc cũng gặp nhiều khó khăn Do vậy, khó đánh giá được mức độ làm việc bình thường theo phương pháp ước lượng tham số [5] Người ta thường quan tâm đến nhiệt độ ổn định và nhiệt độ tới hạn của thiết bị làm ngưỡng để cảnh báo và bảo vệ thiết bị.
Về bài toán ước lượng nhiệt độ: nghiên cứu của các tác giả [47],
[30] cho kết quả tương đối khả quan khi sử dụng mạng nơron trong ước lượng nhiệt độ trong container lạnh Mô hình chịu tác động của các điều kiện nhiễu là nắng và sự thay đổi điều kiện bên ngoài khi vận chuyển; Bên trong container chứa hoa quả là sản phẩm có tỏa nhiệt trong quá trình chín, mức độ tỏa nhiệt thay đổi nhiều theo chu kỳ sinh học của sản phẩm Tuy nhiên như đã trình bầy ở trên, mô hình tạo nhiệt, truyền nhiệt và tản nhiệt của ĐCĐK có nhiều khác biệt bởi vậy việc hình thành và giải bài toán ước lượng nhiệt độ cho ĐCĐK đạt được kết quả ước lượng có độ chính xác trên cơ sở ứng dụng mô hình mạng nơron là vấn đề cần thiết và thực tiễn.
Có thể tóm tắt các đặc trưng cơ bản của bài toán biến thiên nhiệt độ theo công suất là bài toán: phi tuyến; thông số tản; phụ thuộc rất nhiều yếu tố môi trường; có trễ; có tính thống kê thấp (độ tản mát của thông số rất cao).
Phần phân tích trên có thể sử dụng để xây dựng mô hình toán cho bài toán nhiệt độ của thiết bị Tuy nhiên, rất khó đạt độ chính xác chấp nhận được cho mô hình chẩn đoán nhiệt độ.
Mô hình thống kê sử dụng số liệu thống kê lâu dài trong quá trình khai thác thiết bị để xây dựng quan hệ tham chiếu giữa nhiệt độ và công suất có thể thực hiện được Tuy nhiên, việc xây dựng mô hình khảo sát và thực hành chẩn đoán sẽ có sai số lớn do sự sai khác của kết cấu, điều kiện lắp đặt cũng như điều kiện khai thác không đồng nhất của các thiết bị khảo sát Các thông số nhiệt có độ tản mát cao giữa các thiết bị trong cùng loại.
Mô hình chẩn đoán như đã đề xuất chỉ thực hiện được khi có khâu ước lượng thông số phù hợp với bài toán nhiệt độ, nhưng có thể áp dụng dễ dàng cho từng đối tượng riêng lẻ (mô phỏng cho từng động cơ, thay vì cho một nhóm đối tượng cùng loại).
Khâu ước lượng sử dụng mạng tự học RBF tỏ ra có hiệu quả hơn do khắc phục được các nhược điểm trên Dưới đây sẽ xây dựng mô hình chẩn đoán nhiệt độ sử dụng mạng RBF.
3.3.2 Xây dựng mô hình phát hiện lỗi thông qua ước lượng nhiệt độ dựa trên mạng nơron
Trên cơ sở phân tích cấu trúc mạng nơron và phương pháp chẩn đoán dựa trên ước lượng thông số, luận án đề xuất cấu trúc sử dụng mạng nơron RBF theo phương pháp ước lượng tham số Trong đó, khâu đối chứng được xây dựng trên cơ sở ước lượng tham số bằng mạng RBF: Bài toán được thực hiện qua 2 giai đoạn:
- Giai đoạn 1: Thu thập số liệu và luyện mạng: Số liệu đầu vào và đầu ra của đối tượng được thu thập và tổng hợp làm mẫu học cho mạng. Các trọng số wk được xác lập.
- Giai đoạn 2: Chẩn đoán: Mạng nội suy giá trị ra theo số liệu vào từ hệ thống thực Kết quả nội suy được so sánh để đánh giá tình trạng của đối tượng. Đối với khâu ước lượng công suất tiêu tán: Theo phân tích về các tổn hao trong động cơ ở mục 2.2.1.3, công suất tiêu tán của thiết bị phụ thuộc vào hai thông số cơ bản là dòng điện làm việc I F và tốc độ quay n. Đầu ra của mô hình lấy tham số R dh làm tham số học. Đối với mô hình truyền nhiệt: Theo phân tích ở mục 2.2.1.5, nhiệt độ không khí đầu ra của làm mát phụ thuộc vào công suất tiêu tán của thiết bị và nhiệt độ không khí làm mát đầu vào.
Như vậy, ta có thể xác định được tập các thông số đầu vào tối ưu cho bài toán này là: n, I F, t o cin , thông số đầu ra so sánh là t o cout
Sau đây sẽ xây dựng chi tiết hơn các tham số của mô hình
3.3.2.1 Cấu trúc mạng và phương pháp đánh giá sai số: b.T ổ ch ứ c m ạ ng và đ ánh giá sai s ố
Do yêu cầu của phương pháp, ta sẽ cho mạng học bộ số liệu ban đầu là thông số của thiết bị ở trạng thái bình thường, không sự cố. Đầu vào của mạng: n, I F , t o cin Đầu ra của mạng: t o out
Mạng phải có khả năng mô phỏng chính xác nhiệt độ đầu ra của thiết bị theo tập yếu tố vào trên. Ở trạng thái chẩn đoán, mạng vẫn nhận bộ thông số đầu vào trên và cho ra nhiệt độ thiết bị trong trạng thái bình thường t o cd Nếu nhiệt độ thực t o cout sai khác với nhiệt độ chẩn đoán thì quá trình năng lượng trong thiết bị có vấn đề và kết luận là thiết bị có lỗi.
Do đầu vào và đầu ra là dạng tín hiệu thực (dải - , + ) nên c ấu trúc mạng đề xuất là cấu trúc mạng xuyên tâm RBFN Cấu trúc này cho phép lặp lại hàm phi tuyến bất kỳ với sai số yêu cầu.
3.3.3 Cấu trúc mạng cho bài toán ước lượng nhiệt độ.
Trong mô hình đã nêu, tồn tại hai quá trình nối tiếp nhau:
- Quá trình tỏa nhiệt, sinh ra do tổn hao công suất trong nội bộ thiết bị.
- Quá trình tản nhiệt, không khí làm mát lấy nhiệt và làm gia tăng nhiệt bị trong thiết bị, đồng thời, thiết bị cũng gia tăng nhiệt độ theo công suất.
Đề xuất phương pháp chẩn đoán mức độ đánh lửa cổ góp thông
Trong ĐCĐK, Cổ góp là chi tiết dẫn điện từ bên ngoài vào rotor của động cơ điện một chiều Hiện tượng tia lửa điện ở vành góp hết sức nguy hiểm, có thể nhanh chóng phá hủy cổ góp, gây hỏng động cơ Việc đo đạc, xác định tình trạng đánh lửa trong lúc thiết bị đang hoạt động là bài toán khó do đặc điểm cấu trúc và vận hành của thiết bị.
Phần này đề xuất một phương pháp phát hiện tình trạng đánh lửa cổ góp dựa trên mối quan hệ giữa dòng điện, điện áp và tốc độ quay.
3.4.1 Hiện tượng đánh lửa cổ góp và phương pháp đo. Động cơ điện một chiều được sử dụng rất phổ biến trong ngành đường sắt nói chung và Đường sắt Việt Nam nói riêng do có đặc tính kéo rất phù hợp với đặc tính sức kéo yêu cầu Tuy nhiên, động cơ một chiều có độ bền thấp hơn và đòi hỏi bảo dưỡng rất thường xuyên so với động cơ 3 pha rotor lồng sóc Mặc dù trong quá trình khai thác, cổ góp của động cơ thường xuyên được kiểm tra và bảo dưỡng, đây vẫn là chi tiết thường xuyên bị hao mòn, hư hỏng và gây sự cố trở ngại chạy tầu.
Ngoài nguyên nhân bị mòn cổ góp và chổi than trong quá trình hoạt động, nguyên nhân cơ bản gây hư hỏng cổ góp là hiện tượng đánh lửa cổ góp Bình thường, khi cổ góp và chổi than hoàn hảo, tiếp xúc tốt và dòng điện trong phạm vi định mức, chổi than sẽ tiếp xúc tốt với cổ góp và không phát sinh tia lửa điện Nhưng khi có bất kỳ sự không hoàn hảo trong kết cấu, dù chỉ một vạch xước cỡ 0,1mm, hoặc độ ô van vượt quá 0,02 mm cũng có thể làm phát sinh hiện tượng đánh lửa và đến lượt mình, tia lửa điện lại làm phát sinh các vết rỗ, rám tiếp theo trên cổ góp và có thể lan rộng rất nhanh và gây đánh lửa trên toàn bộ bề mặt cổ góp [2].
Hiện tượng đánh lửa rất khó phát hiện bằng cách đo đạc các thông số làm việc: Khi phát sinh hiện tượng đánh lửa, điện áp sụt trên chổi than sẽ tăng lên từ giá trị bình thường 1V lên đến 10V trên cả 2 chổi than Sau khi hiện tượng cháy cổ góp đã hình thành, hiện tượng phá hủy hồ quang làm bề mặt tiếp xúc trên cổ góp xấu đi và hiện tượng đánh lửa nhanh chóng tăng mạnh nếu không được phát hiện kịp thời So với điện áp làm việc thông thường từ 200-500V, động cơ chỉ mất 1% điện áp nên gần như không ảnh hưởng đến công suất làm việc Tuy nhiên, công suất tiêu tán (hàng KW) dưới dạng nhiệt trên cổ góp có thể nhanh chóng nung nóng các chi tiết xung quanh, hồ quang và nhiệt nhanh chóng phá hủy toàn bộ cổ góp và chổi than nếu không kịp thời phát hiện.
Trong ngành Đường sắt, mức độ đánh lửa được phân thành các cấp tùy thuộc theo độ dài của tia lửa kéo sau cổ góp so với nan góp: Đánh lửa 0,5 nan góp được coi là bình thường, đánh lửa từ 1,5 nan góp trở lên là hư hỏng. tx F F E
Việc tiếp cận và đo tình trạng đánh lửa trong lúc máy đang hoạt động gặp phải nhiều khó khăn: Động cơ đóng kín, nằm dưới giá chuyển hướng (vị trí thấp nhất trong đầu máy, thường xuyên dao động, rung lắc theo các hướng theo chuyển động của đầu máy), khoang làm việc có bụi bẩn, nhiễu điện từ trường lớn Do vậy, cần có một phương pháp đo dựa trên các thông số dễ thu thập có thể xác định được nhanh chóng và chính xác hiện tượng đánh lửa cổ góp.
3.4.2 Phân tích quan hệ giữa các thông số của thiết bị
Từ các mối quan hệ đã được phân tích ở chương 2, điện áp tiếp xúc cổ góp có thể được xác định thông qua mối quan hệ với các thông số U F ,
I F và n F Mối quan hệ giữa điện áp tiếp xúc với các thông số như sau:
Như vậy, trong trường hợp ta có thể tính gián tiếp UU tx qua các đại lượng U F , I F , R , K E , K [WB] , n F bằng công thức (3.18) Tuy nhiên, có một vài khó khăn với phương pháp này:
- Giá trị R của các động cơ khác nhau có sai khác nhau một lượng nhỏ.
- K E và K [WB] không phải là hằng số tuyệt đối: Nó sai khác nhau giữa các thiết bị và phi tuyến theo I và n: Theo [6], giá trị của các thông số kỹ thuật thông thường sai khác 5% Theo [2], đặc tuyến từ hoá của lõi thép là phi tuyến theo cường độ từ trường B.
Ngưỡng phân biệt giữa trạng thái làm việc bình thường và trạng thái hư hỏng của UU tx rất nhỏ, chỉ cỡ 5V-10V so với điện áp cấp cho động cơ U F cỡ 200-500V, và chỉ một sai số rất nhỏ của các đại lượng cũng làm sai lệch kết quả tính rất nhiều Trong thực tế, do các yếu tố sai số và phi tuyến, giá trị tuyệt đối của sai số tính theo công thức (3.18) là khá lớn, so sánh được với giá tx F F N trị tối đa của UU tx , vì vậy, UU tx tính theo công thức (3.18) không có ý nghĩa thực tế Cần có một phương pháp khác có thể tính toán UU tx chính xác hơn.
3.4.3 Phương pháp ước lượng U U tx
Công thức (3.18) cho thấy quan hệ giữa các đại lượng U tx , U F , I F , K E ,
K [WB] , R và n F Giá trị K [WB] lại phụ thuộc vào I F và n F , do vậy, có thể viết lại công thức (3.18) thành:
Các đại lượng R , K E , K [WB] mặc dù phi tuyến nhưng đối với một thiết bị cụ thể chúng ổn định và không thay đổi [2] Do vậy với một thiết bị cụ thể, U FN là hàm xác định, phi tuyến của I F, n F : U FN =f(I F , n F )
Thay vì xác định biểu thức quan hệ chính xác của U FN và các tham số của biểu thức đó cho từng thiết bị cụ thể, luận án đề xuất sử dụng khâu ước lượng thông số dựa trên mạng nơron RBF làm khâu ước lượng trong phương pháp này. Ưu điểm của phương pháp ước lượng bằng mạng nơron RBF là khả năng tự học và tự xây dựng hàm ước lượng dựa theo các mẫu số liệu có được từ đối tượng thực với độ chính xác tùy chỉnh Phương pháp này cũng loại trừ được sai số do độ phân tán thông số giữa các thiết bị cùng loại do lấy mẫu số liệu trên chính đối tượng thực mà mô hình cần ước lượng Những ưu điểm trên làm tăng độ chính xác của phép ước lượng - là yếu tố cần quan tâm trong phương pháp tính UU tx
Lưu ý rằng tình trạng đánh lửa cổ góp là rất nguy hiểm, thiết bị có thể bị phá hủy rất nhanh kể cả trong thời gian thử nghiệm, không thể tạo ra tình huống đánh lửa mức độ cao để lấy mẫu UU tx trong toàn bộ dải như yêu cầu
Mạng RBF ĐCĐK ĐCĐK đối với số liệu học cho mạng RBF Do vậy, trong khâu ước lượng sẽ ước lượng thông số U FN và tính UU tx =U F - U F N thay vì trực tiếp ước lượng UU tx
3.4.4 Xây dựng mô hình chẩn đoán
Mô hình chẩn đoán sử dụng RBF cho bài toán ước lượng U FN và UU tx trên Hình 3.13:
UF, IF n n UFN ước lượng
U tx UFN thực a Pha học
UUtx b pha làm việc Hình 3.13: Sơ đồ chẩn đoán tình trạng đánh lửa trên cơ sở ước lượng EF
Các thông số của mạng RBF:
Số nút đầu ra: 1: U FN
Hệ thống hoạt động trong 2 pha:
Các biểu hiện lỗi khác
Pha học: Lấy mẫu giá trị U F , I F , n F trong khoảng giá trị có ý nghĩa của thiết bị Nhập giá trị UU tx từ bên ngoài để tính giá trị U FN
Dùng bộ giá trị nhận được làm mẫu học cho mạng.
Pha làm việc: Cho mạng nhận giá trị thực của I F , n F và tính UU tx theo công thức (3.21).
3.4.5 Thử nghiệm và tối ưu thông số mạng
Tiến hành xây dựng mô hình thí nghiệm, thu thập số liệu mẫu và tinh chỉnh thông số mạng:
Lấy mẫu 156 số liệu ở các chế độ dòng điện, điện áp, tốc độ quay và tải khác nhau Theo phương pháp nêu trong [45], chia ngẫu nhiên bộ số liệu thành 2 tập: Tập số liệu học gồm 117 số liệu dùng để luyện mạng, tập số liệu kiểm tra gồm 39 số liệu còn lại dùng để đánh giá độ chính xác của mạng bằng cách cho mạng ước lượng theo các giá trị đầu vào và so sánh giá trị đầu ra.