Cơ sở lý thuyết
Giới thiệu mô hình điều khiển bồn nước
Mô hình điều khiển bồn nước được thực hiện trên mô hình IT-5200 Process Control Trainer ( Hình 2.1)
Hình 2.1: IT-5200 Process Control Trainer
Process Control Trainer là một mô hình thí nghiệm với một bồn nước điều áp và một bộ cảm biến và bộ truyền động cho level, áp suất, nhiệt độ và lưu lượng Là một mô-đun điều khiển, chứa các giao diện mạch điều khiển của các cảm biến và bộ truyền động và các mạch điều khiển ON / OFF, điều khiển PID
2.1.1 Hệ điều khiển PID ổn định mực nước cho hệ thống
Mô hình hệ bồn nước được sử dụng trong bộ Kit IT-5200 Process Control Trainer sử dụng bộ điều khiển PID để điều khiển ổn định mực nước trong bồn Phương pháp điều khiển được sử dụng ở đây là sử dụng bộ điều khiển PID số (rời rạc) bởi vì hệ thống điều khiển rời rạc có nhiều ưu điểm như dễ dàng thay đổi thuật toán điều khiển, áp dụng các thuật toán điều khiển phức tạp bằng cách lập trình
PID là một bộ điều khiển có cơ chế phản hồi vòng điều khiển, được viết tắt từ Proportional Integral Derivative PID được kết hợp từ 3 bộ điều khiển tỉ lệ, tích phân, vi phân Được sử dụng rộng rãi trong các hệ thống điều khiển công nghiệp, hệ thống điện, tự động hóa, điện tử – là bộ điều khiển được sử dụng phổ biến nhất
Hình 2.2: Sơ đồ khối của bộ điều khiển PID
Sơ đồ điều khiển PID được đặt tên theo ba khâu hiệu chỉnh của nó, tổng của ba khâu này tạo thành bởi các biến điều khiển (MV), ta có:
Trong đó, các thông số cần điều chỉnh là:
• Độ lợi tỉ lệ K p : giá trị càng lớn thì đáp ứng càng nhanh do đó sai số càng lớn, bù khâu tỉ lệ càng lớn Một giá trị độ lợi tỉ lệ quá lớn sẽ dẫn đến quá trình mất ổn định và dao động
• Độ lợi tích phân K i : giá trị càng lớn kéo theo sai số ổn định bị khử càng nhanh Đổi lại là độ vọt lố càng lớn: bất kỳ sai số âm nào được tích phân trong suốt đáp ứng quá độ phải được triệt tiêu tích phân bằng sai số dương trước khi tiến tới trạng thái ổn định
• Độ lợi vi phân K d : giá trị càng lớn càng giảm độ vọt lố, nhưng lại làm chậm đáp ứng quá độ và có thể dẫn đến mất ổn định do khuếch đại nhiễu tín hiệu trong phép vi phân sai số
Nhiệm vụ tự động hóa là thiết lập một vòng điều khiển để ảnh hưởng đến các tham số vật lý trong một quy trình kỹ thuật và hệ thống có thể hoàn toàn chạy tự động mà không cần sự can thiệp của con người Vòng điều khiển là bao gồm các yếu tố sau:
• PID_Compact là bộ điều khiển (controller)
• Cảm biến đo mực nước
• Van điều khiển đóng xả nước
Hình 2.3: Sơ đồ khối hệ thống
Hình 2.4: Bộ điều khiển PID số ( rời rạc)
Trong đó, khối PID_Compact (Hình 2.5) có những thông số chính sau:
• Setpoint(SP): giá trị cài đặt mong muốn
• Input(PV): giá trị đầu vào đo được từ cảm biến
• Input_Per: giá trị trực tiếp thu được từ analog
• Output(MV): giá trị đầu ra của đối tượng điều khiển
• Output_PER: giá trị đầu ra trực tiếp thu được từ analog
• Output_PWM: giá trị xung PWM
• Nếu SP >< PV thì bộ PID sẽ tự điều chỉnh để duy trì mực nước trong bể 1 cách ổn định và chính xác nhất
• PID parameter của bộ PID_Compact như hình sau:
Symbol Description y Output value of the PID algorithm
K p Propotional Gain s Laplace operator b Propotional action weighting w Setpoint x Process value
T I Integral action time a Derivative delay coefficient ( derivative delay T1=a*b)
T D Derivative action time c Derivative actione weighting
2.1.2 Hệ thống điều khiển rời rạc
Ngày nay, kỹ thuật máy tính ngày càng phát triển, bộ điều khiển PID liên tục dần được thay thế bằng bộ điều khiển PID số (rời rạc) Hệ thống điều khiển rời rạc có nhiều ưu điểm như dễ dàng thay đổi thuật toán điều khiển, áp dụng các thuật toán điều khiển phức tạp bằng cách lập trình
Hàm truyền kín của hệ thống điều khiển rời rạc có dạng sau:
Hình 2.6: Hàm truyền kín của hệ thống rời rạc Trong đó, hàm truyền cần xác định là G z c ( )để hệ thống thỏa mãn các yêu cầu về độ ổn định, chất lượng quá độ và sai số xác lập Đề tài sử dụng hệ thống điều khiển rời rạc áp dụng phương pháp điều khiển PID số cho hệ thống “Điều khiển ổn định mực nước”
Hàm truyền của bộ điều khiển PID số có dạng:
Trong đó, T là thời gian lấy mẫu ( đơn vị giây)
Các thông số K p ,K K I , D là các thông số cần tìm để hệ thống ổn định và đáp ứng được các yêu cầu đã đề ra Điều chỉnh vòng lặp: Điều chỉnh một vòng điều khiển là điều chỉnh các thông số điều khiển của nó (độ lợi/dải tỉ lệ, độ lợi tích phân/reset, độ lợi vi phân/tốc độ) tới giá trị đáp ứng điều khiển tối ưu
Có nhiều phương pháp để điều chỉnh ổn định hệ thống như:
Bảng 2.2: Các phương pháp điều chỉnh để lấy thông số PID
Phương pháp Ưu điểm Khuyết điểm Điều chỉnh thủ công
Không cần hiểu biết về toán
Yêu cầu nhân viên có kinh nghiệm
Ziegler–Nichols Phương pháp chứng minh
Làm rối loạn quá trình, một số thử nghiệm và lỗi, phải điều chỉnh nhiều lần Các công cụ phần mềm Điều chỉnh chắc chắn Phương pháp online hoặc offline Có thể bao gồm phân tích các van và cảm biến Cho phép mô phỏng trước khi tải xuống để thực thi
Giá cả cao, và phải huấn luyện
Cohen-Coon Xử lý các mô hình tốt Yêu cầu kiến thức toán học Phương pháp offline Chỉ tốt đối với các quá trình bậc một
Sau khi tìm hiểu qua các phương pháp trên thì nhóm chúng tôi thực hiện điều chỉnh lấy thông số PID cho hệ thống ổn định bằng phương pháp điều chỉnh thủ công
Vì hệ thống sử dụng PLC là thiết bị điều khiển chính và dùng phần mềm Tia portal của Siemens để mô phỏng nên dùng bộ controller là PID_Compact (Hình 2.5) trong Tiaportal và sử dụng chức năng auto-tuning của PID_Compact để lấy được những thông số gần chính xác Sau đó thực hiện dò thủ công bằng cách thay đổi các thông số K p ,K K I , D xung quanh những thông số đã tìm được qua phương pháp auto-tuning
2.1.3 Việc thực hiện PID điều khiển mức nước trên mô hình
Việc thực hiện PID để điều khiển mức nước trên mô hình được thể hiện qua các bước sau:
Bước 1: Sử dụng khối PID_Compact trong phần mềm Tiaportal và tiến hành lập trình cho khối Pid_Compact để điều khiển PID
• Đầu tiên hệ thống nhận tín hiệu analog input của cảm biến mức nước theo dạng 0-27648, dùng khối Norm và Scale để chuyển đổi tín hiệu sang 0-100% để đưa vào input của khối PID_Compact Sau đó khối PID_Compact xử lí tín hiệu và xuất ra output PID để điều khiển Pump
Ứng dụng chẩn đoán lỗi
An toàn và độ tin cậy là những yếu tố chính trong hoạt động công nghiệp và máy móc là một thành phần quan trọng trong nhiều ngành công nghiệp hiện nay, và nó dễ bị hỏng do điều kiện làm việc khắc nghiệt và thời gian hoạt động lâu dài Các hỏng hóc trong máy móc được phát hiện càng sớm càng tốt để ngăn chặn những thiệt hại nghiêm trọng và việc dừng đột ngột của hệ thống khi đang vận hành Sự cố có thể gây ra sự chậm trễ trong hoạt động và hậu quả là gây thiệt hại to lớn về kinh tế và thời gian Ví dụ, ngành công nghiệp hóa dầu đã mất 20 tỷ USD mỗi năm do lỗi thành phần trong các thiết bị máy móc của họ (bánh răng, máy bơm, ống chịu lực, trục, cánh động cơ) [1]
Fault Detection and Diagnosis (FDD) system là rất quan trọng đối với việc ngăn ngừa sự cố bất ngờ của máy móc và có thể đảm bảo hiệu quả sản xuất và an toàn khi hệ thống vận hành FDD system được phân loại dựa trên mô hình, dựa trên dữ liệu / tín hiệu và dựa trên kiến thức, phương pháp tiếp cận
Trong ngành công nghiệp hiện đại, FDD dựa trên tín hiệu hoặc các phương pháp tiếp cận theo hướng dữ liệu đã thu hút nhiều sự chú ý hơn từ các nhà nghiên cứu bởi vì những cách tiếp cận này cung cấp độ chính xác chẩn đoán cao và không yêu cầu ước tính thực nghiệm về thông số vật lý [1]
Với sự phát triển nhanh chóng của công nghệ máy tính, Artificial intelligence (AI) methods – các phương pháp trí tuệ nhân tạo đã được sử dụng rộng rãi trong nhiều ứng dụng để hỗ trợ con người phân tích dữ liệu
Hình 2.7: Mối liên quan của phương pháp trí tuệ nhân tạo
Như được miêu tả trên (Hình 2.7) thì có thể thấy Deep Learing (DL) là 1 phần của Machine Learning (ML) DL được sử dụng trong nhiều giải pháp về xử lý ảnh, robotics, FDD system và các ứng dụng về y tế Sự phát triển nhanh chóng của DL trong nhiều lĩnh vực gồm nhiều lý do, bao gồm cả sự gia tăng nghiên cứu về mô hình
ML và sự phát triển của bộ xử lý đồ họa GPU, vì cấu trúc phức tạp của DL đòi hỏi một quá trình tính toán nhanh để đào tạo những cấu trúc phức tạp Mô hình DL cung cấp tính năng tự động quá trình học tập nên dễ dàng có thể thay thế sự lựa chọn tính năng thủ công trong hệ thống phát hiện và chẩn đoán lỗi truyền thống
Những năm gần đây, những cấu trúc được sử dụng phổ biến nhất của mô hình
DL trong hệ thống FDD bao gồm: Convolutional Neural Networks (CNN), stacked autoencoder (SAE), restricted Boltzmann machine (RBM), deep belief network (DBN) và deep neural network (DNN)
2.2.2 Quy trình phát hiện và chẩn đoán lỗi
Fault detection and diagnosis systems có thể được chia thành 4 giai đoạn: fault detection, fault identification, fault diagnosis và Process Recovery
Hình 2.8: Quy trình chẩn đoán lỗi
• Fault detection: Xác định lỗi có đang xảy ra ở đâu hay không Sớm phát hiện lỗi có thể nhanh chóng đưa ra cảnh báo để có thể giải quyết vấn đề một cách nhanh nhất
• Fault Identification: Xác định các biến có liên quan nhất đến chẩn đoán lỗi Mục đích là để tập trung sự chú ý của người vận hành đến các hệ thống có liên quan đến lỗi đang được chẩn đoán, từ đó có thể nhanh chóng đưa ra cách xử lý phù hợp với tình huống lỗi
• Fault Diagnosis: Xác định lỗi nào đã xảy ra, xác định nguyên nhân gây ra lỗi đó Chẩn đoán lỗi là xác định loại lỗi, vị trí, thời gian gây ra lỗi Quy trình chẩn đoán lỗi là cần thiết để chống lại hoặc loại bỏ lỗi
• Process recovery: hay gọi là can thiệp, loại bỏ những ảnh hưởng của lỗi lên hệ thống, là quy trình cần thiết để kết thúc việc giám sát một quy trình giám sát và chẩn đoán lỗi
2.2.3 Dữ liệu lỗi của hệ thống
Các bảng mã lỗi và cách mô phỏng lỗi:
Bảng 2.3: Dụng cụ đo lường và điều khiển:
Dưới đây là bảng thể hiện các lỗi có thể tìm thấy trên hệ thống:
Bảng 2.4 Mã lỗi và dự đoán
STT Dụng cụ đo lường Phạm vi đo lường Tín hiệu điện
1 Level sensor 5cm đến 13 cm 0 to 10 volts
2 Flow sensor 0 to 7,5 lít/ phút 0 to 10 volts
3 Pressure sensor 0 to 2 bar 0 to 10 volts
Dữ liệu thu được từ hệ thống kiểm soát mực nước Dự đoán lỗi Level sensor
F11 No No No x x x Nguồn nước cạn kiệt
F12 No No Yes x x x Nước được bỏ qua khỏi bể
F13 Yes No Yes x x x Không khí bị lọt ra khỏi bồn chứa
F14 No Yes Yes x x x Dây hoặc cảm biến Level bị đứt
F15 Yes Yes No x x x Dây hoặc cảm biến Flow bị đứt
F16 Yes No Yes x x x Dây hoặc cảm biến Pressure bị đứt
F17 No No No x x x Dây tín hiệu
F18 Yes Yes Yes x x x Dây solenoid bị đứt
Suy giảm tín hiệu trên đường dây cảm biến F22 Không đổi
Không đổi Tăng Không đổi
Suy giảm tín hiệu trên
Lỗi đặc tính thiết bị
Hiện nay trên thực tế ở các nhà máy công nghiệp sử dụng bộ điều khiển PLC thì việc phát hiện và cảnh báo lỗi thường dựa trên các lỗi có thể phát hiện ở phần cứng hay còn gọi là lỗi đặc tính thiết bị
Những đời PLC mới hiện nay có hỗ trợ rất nhiều khối OB giúp việc chẩn đoán lỗi như lỗi phần cứng hay lỗi phần mềm…
Hình 2.9: Các khối lệnh trong Tiaportal
Một vài lỗi đặc tính thiết bị được chẩn đoán và hỗ trợ bởi bộ điều khiển PLC siemens S7-1500 được thể hiện dưới hình sau đường dây Flow
Hình 2.10: Lỗi đặc tính thiết bị
Hình 2.13: Lỗi mất nguồn channel 1
Mặc khác, một số lỗi như sụt áp trên đường dây tín hiệu, lỗi lệch pha của động cơ, quá tải động cơ, …Thì không thể phát hiện trực tiếp trên hệ thống Vì vậy đề tài này ta sẽ phát triễn theo hướng chẩn đoán những lỗi không thể hiện được trên đặc tính thiết bị dựa vào thuật toán Deep learning.
Deep Learning và ứng dụng
Ngày nay, với sự bùng nổ của cuộc cách mạng 4.0, các thuật ngữ như Artificial Intelligence(AI) – trí tuệ nhân tạo, Machine learning – học máy và Deep leaening – học sâu đang dần trở nên phổ biến và trở thành những khái niệm mà công dân của kỷ nguyên 4.0 buộc phải nắm được Vậy, thật sự thì AI, Machine learning và Deep learning là gì và cách thức hoạt động của chúng ra sao
Hình 2.14: AI vs Machine Learning vs Deep Learning
Dưới đây là hình ảnh mô tả sự liên kết giữa ba khái niệm trên (Hình 2.15)
Hình 2.15: AI & Machine learning & Deep learning
Artificial Intelligent (AI): là kỹ thuật giúp máy tính bắt chước hoạt động tư duy của con người
Machine Learning (ML): là kỹ thuật giúp AI nhận biết các mẫu data và dự đoán
Deep Learning (DL): là 1 phần nhỏ nằm trong Machine Learning lấy cảm hứng từ cấu trúc não bộ của con người, về phương diện deep learning cấu trúc này được gọi là neural network
Artificial Intelligence (AI) là một khái niệm đã xuất hiện cũng khá lâu, nhưng
AI vừa gần gũi và cũng vừa xa lạ đối với đại đa số chúng ta Ngày nay theo mạng xã hội ngày càng phát triển, những tư liệu và khái niệm AI xuất hiện ngày càng nhiều thì sự hiểu biết của con người về AI mới dẫn rõ hơn về một trí tuệ nhân tạo Trong giới hàn lâm, theo hiểu biết chung, AI là một ngành khoa học được sinh ra với mục đích làm cho máy tính có được trí thông minh Mục tiêu này vẫn khá mơ hồ vì không phải ai cũng đồng ý với một định nghĩa thống nhất về trí thông minh Tóm lại, có thể hiểu đơn giản thì AI là một kỹ thuật giúp máy tính bắt chước thực hiện các hoạt động và tư duy của con người [3]
Một số ứng dụng của AI có thể kể đến như:
• Virtual Assistants: Siri, Google Assistant, Amazing echo,
• Intelligent Car: Tesla, Google Waymo, Ford’s Argo AI
• AI in gaming: Google DeepMinds, Alpha Go, AI in Chess
Hình 2.17: Ứng dụng của AI
Machine learning – học máy là một phần nhỏ của AI, được hiểu đơn giản là một kỹ thuật cho phép đào tạo AI để nó nhận biết các mẫu dữ liệu và dự đoán Nếu như AI thể hiện một mục tiêu của con người, thì Machine learning là một phương tiện được kỳ vọng sẽ giúp con người đạt được mục tiêu đó [3]
Dưới đây là hình ảnh mô tả cách hoạt động của Machine Learning (Hình 2.18)
Hình 2.18: Hoạt động của Machine learning
Thuật toán Machine Learning được hướng dẫn để sử dụng một bộ dữ liệu đào tạo, từ đó tạo ra một mô hình nguyên mẫu Khi thuật toán này tiếp nhận dữ liệu mới, nó sẽ đưa ra những dự đoán phân tích dựa trên nguyên mẫu căn bản
Những phân tích nói trên sẽ được đánh giá về độ chính xác Nếu độ chính xác này được công nhận, thuật toán ML sẽ tiến hành triển khai Nếu độ chính xác không được công nhận, thuật toán này sẽ được hướng dẫn lại nhiều lần với một bộ dữ liệu hướng dẫn tăng dần
Hình 2.19: Mô hình tổng quan của Machine Learning
Có nhiều loại thuật toán Machine Learning(ML) khác nhau:
• Linear Regression in ML (hồi quy tuyến tính):là một thuật toán của mô hình ML, đây là mô hình tuyến tính, được thể hiện dưới dạng y = ax b +
• Logistics Regression in ML (hồi quy logistics): thuật toán hồi quy này giúp chúng ta hiểu được mối quan hệ giữa một biến phụ thuộc nhị phân và một biến độc lập Đây không phải là một mối quan hệ tuyến tính; Nó thực sự là một mối quan hệ logarit Được thể hiện bằng hàm :
• Decision Trees in ML: là dạng cây nhị phân, giúp phân loại, là một loại phương pháp học tập có giám sát Nó có thể có độ phức tạp cao hơn tùy thuộc vào số lượng lá và nodes mà cây có Trees rất hữu ích trong các tình huống ‘yes or no' và ‘if and then'
• K-nearest neighbors in ML: là phương pháp phân loại dữ liệu để ước tính khả năng điểm dữ liệu sẽ trở thành thành viên của nhóm này hay nhóm khác dựa trên nhóm điểm dữ liệu gần nhất Là phương pháp học máy được giám sát được sử dụng để giải quyết các vấn đề phân loại và hồi quy Tuy nhiên, nó chủ yếu được sử dụng cho các vấn đề phân loại
Deep learning – Học sâu (hay còn gọi là học tập có cấu trúc sâu) là một nhánh của machine learning sử dụng nhiều lớp Neural network để đưa ra một mô hình toán học trên dữ liệu có sẵn Việc học có thể ở dạng supervised (học tập có giám sát), semi-supervised (học tập bán giám sát) or unsupervised (học tập không giám sát) [5]
Hình 2.22: Mô tả deep learning
• Supervised Learning là thuật toán dự đoán đầu ra (outcome) của một dữ liệu mới (new input) dựa trên các cặp (input, outcome) đã biết từ trước Cặp dữ liệu này còn được gọi là (data, label), tức (dữ liệu, nhãn) Supervised learning là nhóm phổ biến nhất trong các thuật toán Machine Learning
Hình 2.23: Sơ đồ mô hình Supervised Learning
• Unsupervised learning trong thuật toán này, chúng ta không biết được outcome hay nhãn mà chỉ có dữ liệu đầu vào Thuật toán unsupervised learning sẽ dựa vào cấu trúc của dữ liệu để thực hiện một công việc nào đó, ví dụ như phân nhóm (clustering) hoặc giảm số chiều của dữ liệu (dimension reduction) để thuận tiện trong việc lưu trữ và tính toán Một cách toán học, Unsupervised learning là khi chúng ta chỉ có dữ liệu vào XX mà không biết nhãn YY tương ứng
Hình 2.24: Thuật toán Unsupervised learning
• Semi-supervised (Học tập bán giám sát) là một cách tiếp cận học máy kết hợp một lượng nhỏ dữ liệu được dán nhãn với một lượng lớn dữ liệu không nhãn trong quá trình đào tạo Học tập bán giám sát giảm giữa việc học không giám sát (không có dữ liệu đào tạo được dán nhãn) và học tập được giám sát (chỉ có dữ liệu đào tạo được dán nhãn) Đó là một ví dụ đặc biệt của sự giám sát yếu Để dễ hiểu hơn thì bảng dưới đây (Bảng 2.5 So sánh Supervised Learning và Unsupervised Learning:Bảng 2.5Bảng 2.5 So sánh Supervised Learning và Unsupervised Learning:) sẽ so sánh những khác biệt cơ bản của 2 phương pháp Supervised Learning và Unsupervised Learning:
Bảng 2.5 So sánh Supervised Learning và Unsupervised Learning:
Tiêu chí Supervised Learning Unsupervised Learning
Dữ liệu để huấn luyện mô hình
Dữ liệu có nhãn Dữ liệu không có nhãn
Cách thức học của mô hình
Mô hình hóa mối quan hệ giữa biến đầu vào và biến đầu ra
Học dựa trên các quan hệ tương tự, sự đồng xuất hiện, hay các phép biến đổi ma trận
Thuật toán Support vector machine,
Neural network, Hồi quy tuyến tính, Hồi quy logistics, Random forest và Classification trees
Các thuật toán clustering như K-mean, DBSCAN, Spectral Clustering, Hierarchical clustering- Apriori (Association Rule Mining)- PCA, SVD Kết quả Độ chính xác và tin cậy cao Ít chính xác hơn
Deep learning hoạt động dựa trên mô hình mạng lưới thần kinh (neural networks) Có 3 loại lớp trong mạng neural: Lớp đầu vào, lớp ẩn, lớp đầu ra Mạng lưới thần kinh là các lớp của các nút, giống như bộ não con người được tạo thành từ các tế bào thần kinh Các nút trong các lớp riêng lẻ được kết nối với các lớp liền kề Mạng được cho là sâu hơn dựa trên số lượng lớp mà nó có Một tế bào thần kinh duy nhất trong não người nhận được hàng ngàn tín hiệu từ các tế bào thần kinh khác Trong một mạng lưới thần kinh nhân tạo, tín hiệu di chuyển giữa các nút và gán các trọng số tương ứng Một nút có trọng số nặng hơn sẽ tác dụng nhiều hơn trên lớp tiếp theo của các nút Lớp cuối cùng biên dịch các đầu vào có trọng số để tạo ra một đầu ra Các hệ thống deep learning yêu cầu phần cứng mạnh mẽ vì chúng có một lượng lớn dữ liệu được xử lý và liên quan đến một số tính toán toán học phức tạp [2]
Hình 2.25: Cấu trúc mạng Neural networks
Mô tả hệ thống
Mô tả phần cứng
3.1.1 Yêu cầu phần cứng Đối tượng điều khiển ở đề tài là ổn định mực nước bồn đơn nên một số thiết bị cần sử dụng với mục đích học tập và nghiên cứu để thực hiện đề tài là bồn nước, valves, pump, Level sensor, Level sensor interface, water pump driver, bộ điều khiển chính của hệ thống là PLC và một màn hình HMI
Hình 3.1: Sơ đồ khối của hệ thống
• Controller: Là thiết bị điều khiển chính của toàn hệ thống
• PC/Laptop: Dùng đề kết nối với bộ điều khiển
• System: Là đối tượng cần điều khiển
• Nguồn: cấp nguồn cho bộ điều khiển
• HMI: giám sát và điều khiển hệ thống
3.1.3 Giới thiệu hệ thống (System)
Bộ kit IT-5200 Process Control Trainer được hỗ trợ bởi phòng lab F1-101 Bộ Kit hỗ trợ học tập và nghiên cứu với 4 đối tượng là Level Sensor, Flow Sensor, Pressure Sensor, Temperatue Sensor Có thể nghiên cứu các đặc tính của máy bơm và van động cơ, hỗ trợ điểu khiển ON- OFF hệ thống, điều khiển bộ P, PI, PD và PID Closed Loop Control of the Level, Flow, Temperature, và Pressure
Hình 3.2: Bộ kit IT-5200 Process Control Trainer
Hình 3.3: Bộ Process Control Training System
Một vài đặc trưng của bộ Kit là Cảm biến được lắp sẵn trên bộ điều khiển, Các mạch điều khiển và mạch bảo vệ cũng được tích hợp sẵn cho hệ thống, các driver cũng được cài đặt có sẵn
Một vài đặc trưng kỹ thuật của bộ Kit:
• Water tank: mực nước tối đa 20ml
• Water Circult Pump: 10 Ltr / min
• Cảm biến nhiệt: PT100, Bi-metallic Direct Reading
• Cảm biến áp suất: Manometer Direct Reading, Strain Gauge
• Cảm biến mức nước: LVDT, Float Switch
• Cảm biến lưu lượng: Direct Reading, IR-Opflow 8000 pulses/Ltr
• Valves: Manual, Motor Driven & Safety set at 2.0 Bar
• Level Sensor Interface: Bộ chỉnh lưu chính xác và bộ khuếch đại DC với điều khiển bù và đạt được
• Flow Sensor Interface: Bộ chuyển đổi F/V và bộ khuếch đại DC với điều khiển bù và tăng
• Temperature Sensor Interface: Bộ chuyển đổi T/V và bộ khuếch đại DC với điều khiển bù và tăng
• Pressure Sensor Interface: Bộ chuyển đổi P/V và bộ khuếch đại vi sai với điều khiển bù và đạt được
• ON/OFF Control: Comparator with Hysteresis Control
• PID Controller: Proportional, Integral & Differential Control with Feedback
• Pump Driver: DC to PWM Driver with DC Level Offset Control
• Motor Valve Driver: ±10V ON/OF Control
• Heater Driver: DC to PWM Driver with DC Level Offset Control
• Solenoid Valve Driver: ON/OF Control with Driver
• Accessories: Power Cords, 2mm Patch Cords, Experimental Manual Các tính năng của giao diện phần mềm:
Người dùng có thể điều khiển lưu lượng chất lỏng theo cách thủ công, thông qua điều khiển bật/tắt hoặc thông qua thuật toán điều khiển PID phần mềm
Người dùng có thể duy trì mức chất lỏng bằng tay, thông qua điều khiển bật/tắt hoặc thông qua thuật toán điều khiển PID phần mềm
Người dùng có thể kiểm soát mức nhiệt độ theo cách thủ công, thông qua điều khiển bật/tắt hoặc thông qua thuật toán điều khiển PID phần mềm
Người dùng có thể kiểm soát áp suất của chất lỏng theo cách thủ công hoặc thông qua thuật toán điều khiển PID phần mềm
Các tham số PID có thể kiểm soát được và biểu đồ đồ thị cũng có sẵn.
3.1.4 Thiết bị tự động hóa: PLC (Controller)
Hiện nay trên thị trường có rất nhiều loại PLC của những hãng khác nhau như Siemens, Mitsubishi, Omron, Rockwell…Mỗi hãng PLC đều có những ưu và khuyết điểm như về giá tiền, chức năng, độ phổ biến…Việc học tập, nghiên cứu và thực hiện đề tài ở phòng lab F1-101 được các thầy Nhơn và thầy Phương hỗ trợ dòng PLC Siemen S7-1500 Do đó, PLC mà nhóm tôi lựa chọn thực hiện đề tài là PLC Siemen S7-1500 CPU 1512C-1 PN
Hình 3.4: PLC S7-1500 CPU: 6ES7512-1CK01-0AB0
Bảng 3.1: Thông số của PLC
• Digitals input: from load voltage L+ (without load), max
• Digital outputs: from load voltage L+, max
30 mA; Per group, without load
32 24V DC for signal "0", max: 1V 2.5 mA
DC for signal "0", max: 1V for signal "1", min: 23.2V; L+( -0.8V) for signal "1" rated value: 0.5A, 0.1A with high-speed output for signal "1" permissible range, min: 2mA for signal "1" permissible range, max: 0.6 A; 0.12 A with high-speed output
• For resistance/resistance thermometer measurement
0→20mA, 20− mA→20mA mA, 4 →20mA
0→20mA, 20− mA→20mA mA, 4 →20mA
RJ45 (Ethernet) Profinet IO Controller Profinet IO Device Web server
OPC UA MODBUS Programming language LAD
Hình 3.5: Sơ đồ chân của PLC
3.1.4.1 Bộ chuyển đổi nguồn PLC
Mô-đun cung cấp nguồn tải PM 190 W 120/230 VAC Nguồn cấp dữ liệu đầu vào và đầu ra (mạch tải) cũng như các cảm biến và bộ truyền động
Hình 3.6: Power supply module e PM 190 W 120/230 VAC
Mô -đun cung cấp năng lượng tải có các thuộc tính sau:
• Điện áp đầu vào định mức 120/230 V AC, 50/60 Hz
• Chuyển đổi điện áp tự động
• Điện áp đầu ra là 24V DC
3.1.4.2 Bộ Chia Mạng SCALANCE XB005
Hình 3.7: Bộ chia mạng SCALANCE XB005
Bộ chia mạng SCALANCE có tác dụng dùng để giao tiếp kết nối cổng Ethernet giữa PLC với PC
Dưới đây là một vài thông số chính của bộ SCALANCE
Bảng 3.2: Thông số chính bộ SCALANCE XB005
Transfer rate (Tốc độ truyền) 10 Mbit/s, 100Mbit/s
• for network components or terminal equipment
Number of 100 Mbit/s SC ports
Supply voltage, Current consumption, Power loss
Type of voltage / 1 / of the supply voltage
• type of electrical connection / 1 / for power supply
• product component / 1 / fusing at power supply input
• fuse protection type / 1 / at input for supply voltage
Type of voltage / 2 / of the supply voltage
HMI là từ viết tắt của Human-Machine-Interface, nghĩa là thiết bị giao tiếp giữa người điều hành với máy móc thiết bị Hiện nay, màn hình HMI đã rất phổ biến và đặc biết đối với lĩnh vực công nghiệp thì HMI đóng vai trò vô cùng quan trọng trong phần giao tiếp giữa người với máy Có nhiều hãng HMI trên thị trường như Omron, LS, Siemens, Mitsubishi, Delta, Schneider, Keyence, Samkoon, Weintek…
Vì bộ điều khiển PLC mà nhóm chọn thuộc hãng Siemens nên để dễ dàng cho vấn đề giao tiếp và điều khiển thì màn hình HMI được thực hiện trong đề tài sẽ lựa chọn là hãng Siemens HMI TP700 COMFORT – 6AV2124-0GC01-0AX0
Hình 3.8: Màn hình HMI TP700 COMFORT – 6AV2124-0GC01-0AX0
Dưới đây là bảng thể hiện một vài thông số chính của màn hình HMI
Bảng 3.3: Thông số chính màn hình HMI
• permissible range, lower limit (DC)
• permissible range, upper limit (DC)
• Number of USB Mini B interfaces
• Number of 20 mA interfaces (TTY)
• Number of SD card slots
Profinet IO Profibus MPI MRP IRT Configuration software
Yes, from V11 Yes, from V11 Yes, from V11
Pump UP9/A là pump được tích hợp sẵn trong bộ Bộ kit IT-5200 Process Control Trainer (Hình 3.9)
Pump UP9/A được trang bị bộ lọc, công tắc áp suất và van không quay lại được sử dụng làm bơm tự động cho các hệ thống áp suất nước
Cơ thể đồng thau, bánh răng PTFE, trục thép không gỉ và niêm phong môi cao su Công tắc áp suất được đặt trong nhà máy tại 4 bar
Hình 3.9: PUMP UP9/A Bảng 3.4: Thông số chính của PUMP UP9/A
Weight 4 kg Ứng dụng: Sử dụng chính làm máy bơm tự động cho hệ thống nước sạch, nước vệ sinh trên thuyền… Điều kiện làm việc:
• Áp suất không vượt quá 50% áp suất tối đa được chỉ ra trong kỹ thuật dữ liệu
• Nhiệt độ của động cơ dưới 60/70 ° C - 140/158 ° F
LVDT là một sản phẩm công nghệ cao được sử dụng để đo độ giãn dài, độ rung, độ dày, sự mở rộng Nó được ứng dụng rộng rãi trong hàng không vũ trụ, máy móc, xây dựng, dệt may, đường sắt, mỏ than, luyện kim, nhựa, công nghiệp hóa chất và nghiên cứu học thuật LVDT hoạt động xuất sắc từ nguồn 9V-28V DC, phù hợp với phép đo độ chính xác cao và độ lặp lại cao, tín hiệu tiêu chuẩn đầu ra là 0-5V hoặc 4-20mA được xác định bằng máy tính hoặc PLC Mạch tích hợp được gắn ẩn trong ống bằng thép không gỉ SUM 304, đảm bảo rằng các bộ chuyển đổi tiếp tục hoạt động chính xác và đáng tin cậy trong môi trường ẩm ướt và bụi, ăn mòn, …
Bảng 3.5: Thông số chính của sensor
Separate-core SDVB20 series Input voltage 9 – 28V DC
Input current ≤12mA (Voltage output type)
4 ~2 0mA (2 wire, current output type) Measuring range 2.5, 5, 10, 15, 25, 50, 100, 250 mm
Output signal 0～5V (9 ~28V DC input voltage)
4 ~20mA (2 wire, 15 ~28V DC input voltage)
4 ~20mA (2 wire, 15 ~28V DC input voltage) Linearity Analog output: ±0.25%, ±0.5% etc optional
Digital output: 0.25%,0.1% etc optional Resolution ≤0.01um(Max), Digital output is 16 bit
Hình 3.11: Sơ đồ kết nối module analog
Hình 3.12: Sơ đồ kết nối module digital
3.1.9 Thiết kế hộp giả lập lỗi
Hộp giả lập lỗi được thiết kế gồm có 6 công tắc, mỗi công tắc biểu hiện cho 1 lỗi tương ứng
Hình 3.13: Hộp giả lập lỗi Ý tường giả lập các lỗi được mô phỏng trong đề tài
Bảng 3.6 Các lỗi được mô phỏng
Mã lỗi Loại lỗi Cách mô phỏng lỗi
Tín hiệu đầu ra ở điều kiện bình thường
Tín hiệu đầu ra ở tình trạng lỗi
F14 Dây hoặc cảm biến Level bị đứt
Ngắt kết nối dây với mô- đun đầu vào tương tự
0-10 volts 0 volt Đứt dây hoặc mất nguồn
F15 Dây hoặc cảm biến Flow bị đứt
Ngắt kết nối dây với mô- đun đầu vào tương tự
0-10 volts 0 volt Đứt dây hoặc mất nguồn
F16 Dây hoặc cảm biến Pressure bị đứt
Ngắt kết nối dây với mô- đun đầu vào tương tự
0-10 volts 0 volt Đứt dây hoặc mất nguồn
Ngắt kết nối dây với mô- đun đầu vào tương tự
0-10 volts 0 volt Đứt dây hoặc mất nguồn
F21 Suy giảm tín hiệu 10% trên đường dây cảm biến Level
Kết nối điện trở 10K Ohm giữa đầu ra của cảm biến và đầu vào tương tự của PLC
0-10 volts 0-9 volts Suy giảm tín hiệu do thiết bị đầu cuối tiếp xúc xấu
F22 Suy giảm tín hiệu 15% trên đường dây cảm biến Flow
Kết nối điện trở 17K Ohm giữa đầu ra của cảm biến và đầu vào tương tự của PLC
0-10 volts 0-8.5 volts Suy giảm tín hiệu do thiết bị đầu cuối tiếp xúc xấu Ý nghĩa của lỗi sụt áp trên đường dây:
• Tăng mức tiêu thụ dòng điện: Khiến cho động cơ nóng lên và giảm tuổi thọ của động cơ
• Làm tăng lượng tải điện, thiết bị phải hoạt động nhiều hơn với điện áp thấp hơn mức bình thường Ý nghĩa của lỗi mất tín hiệu cảm biến:
• Đọc sai tín hiệu từ cảm biến, dẫn đến hệ thống xử lí sai tín hiệu
Thiết kế phần mềm
Hệ thống điều khiển có những tính năng như sau:
• Có chế độ phân quyền người dùng
• Hai chế độ hoạt động: Auto và Manual
• Thay đổi setpoint cho PID
• Nút dừng khẩn cấp Emergency
• Hiển thị Alarm khi hệ thống có lỗi
• Giám sát thông tin của toàn hệ thống
Khi bắt đầu (FS) hệ thống ở trạng thái dừng, hệ thống có 2 chế độ phân quyền là admin và user Khi đăng nhập bằng admin có thể vô trang cài đặt để cài các thông số như thời gian bảo trì động cơ và các mức setpoint Khi đăng nhập chế độ user chỉ có thể vào trang Main để giám sát và chạy hệ thống Ở trang main khi nhấn nút Auto sẽ được chuyển đến trang Auto Tại đây, nhấn nút On, hệ thống chạy và bắt đầu đọc tín hiệu analog của Level Sensor, Pressure Sensor, Flow sensor… Nếu hệ thống bị mất tín hiệu thì sẽ cảnh báo Alarm Khi có tín hiệu Level Sensor sẽ điều khiển Pump, nếu Pump đang hoạt động mà bị lỗi như sụt áp hay mất tín hiệu thì cũng sẽ hiển thị Alarm và dừng hệ thống Tương tự tại trang Main, khi nhấn nút manual thì hệ thống sẽ chuyển tới trang manual Điều khiển pump bằng tay bằng cách nhấn On/Off Nếu Pump bị lỗi thì xử lý tương tự khi chạy Auto Khi có Alarm thì sẽ có 2 trường hợp là warning và error Nếu Error thì sẽ dừng hệ thống, còn warning thì có thể dừng bằng cách nhấn nút Emergency để hệ thống về trạng thái stop
Hệ thống HMI được thiết kế gồm những screen sau:
• Home: Đây là giao diện đăng nhập của hệ thống, sử dụng chế độ phân quyền để tăng độ bảo mật
• Main: Đây là màn hình giám sát chính toàn bộ hệ thống, có thể giám sát trạng thái hoạt động của các thiết bị như pump, valve, sensor… theo dõi được các thông số cần thiết như: mực nước, áp suất, lưu lượng, các thông số Kp, Ki, Kd, setpoint, process value
• Control Screen: Đây là giao diện điều khiển của hệ thống, có chức năng bật tắt hệ thống, chọn các chế độ hoạt động là Auto và Manual, có nút Emergency để dừng hệ thống khẩn cấp, giám sát trạng thái hoạt động của hệ thống và thiết bị đồng thời theo dõi được thời gian hoạt động của pump và solenoid
• Alarm Screen: trang alarm có thể theo dõi được lịch sử xảy ra lỗi trong khi vận hành hệ thống và hiển thị cảnh báo khi có sự cố xảy ra
• Trends Screen: có thể theo dõi được đồ thị hoạt động của hệ thống khi chạy thuật toán PID, theo dõi được các giá trị như setpoint, process value và mean value để người dùng có thể biết được hệ thống có đang chạy ổn định hay không
• Setting Screen: có chức năng cài đặt các thông số như Setpoint cho hệ PID mà ko cần phải vào code thay đổi, cài đặt thời gian bảo trì cho động cơ
• Auto Screen: có chức năng khởi động chế độ auto và giám sát trạng thái hoạt động của hệ thống
• Manual Screen: có chức năng điều khiển hệ thống hoạt động ở chế độ bằng tay và giám sát trạng thái hoạt động của hệ thống
Hình 3.22: Manual Screen Bảng 3.7: Phân loại Alarm
Tên lỗi Loại lỗi Giải pháp
Mất tín hiệu Level Error Dừng hệ thống, kiểm tra tín hiệu
Mất tín hiệu Flow Error Kiểm tra tín hiệu
Mất tín hiệu Pressure Error Kiểm tra tín hiệu
Mất tín hiệu Pump Error Dừng hệ thống, kiểm tra tín hiệu
Sụt áp Level 10% Warning Kiểm tra tín hiệu
Sụt áp Flow 15% Warning Kiểm tra tín hiệu
Bảo trì động cơ Information Bảo trì động cơ
Bảo trì Solenoid Information Bảo trì Solenoid
Bảng 3.8: Phân quyền hệ thống
Tên đăng nhập Level 1 Level 2
Level 1: Giám sát và điều khiển vận hành hệ thống
Level 2: Cài đặt các thông số cho hệ thống
Model nhận diện lỗi được xây dựng dựa trên thuật toán Convolutional neural networks – CNN trong Deep Learning sử dụng nền tảng ngôn ngữ Python
Quá trình thu thập data đầu vào:
• Data khi hệ thống hoạt động bình thường: Chọn các đặt tính có ảnh hưởng và liên quan đến mực nước (áp suất, lưu lượng) để thu thập tín hiệu theo thời gian Cho hệ thống chạy ở trạng thái bình thường và thu thập dữ liệu data bằng Wincc table trong Tia portal để xuất data ra file excel
Hình 3.23: Data ở trạng thái bình thường
• Data khi hệ thống ở trạng thái lỗi: Mô phỏng lỗi bằng cách ngắt nguồn điện hoặc tạo thêm trở để bị sụt áp và cho hệ thống chạy thu thập dữ liệu data bằng Wincc table trong Tia portal để xuất data ra file excel
Hình 3.24: Data ở trạng thái lỗi F17
Dưới đây là bảng xây dựng thông số chi tiết của model CNN
Bảng 3.9: Chi tiết các thông số của model CNN
Deep Learning Model Convolution neural network
Input Data Raw time domain 14601
General hyperparameter Number of hidden layers
Hình 3.25: Cấu trúc model CNN
Model áp dụng 1D-CNN để thực hiện việc chẩn đoán lỗi cho hệ thống
Quá trình đào tạo model CNN:
• Input Layer: Đưa data vào model dạng (5x5) Chiết suất 5 cột tương ứng với 5 đặc tính của data theo thứ tự là: Setpoint, Process Value, Level sensor signal, Pressure sensor signal, Flow sensor signal
• Hidden layers: có các lớp Conv.Layer và Pooling layer
+ Conv.Layer 1: số lượng bộ lọc đầu ra trong lớp tích chập là 64 Sau khi tích chập các lớp thì đưa vào hàm kích hoạt là ReLU để lọc các giá trị < 0 và đưa về 0
+ Pooling layer 1: sử dụng MaxPooling với Poolingsize=2 Pooling layer thường được dùng giữa các convolutional layer, để giảm kích thước dữ liệu nhưng vẫn giữ được các thuộc tính quan trọng Việc giảm kích thước dữ liệu giúp giảm các phép tính toán trong model
+ Conv.Layer 2: số lượng bộ lọc đầu ra trong lớp tích chập là 32 Sau khi tích chập các lớp thì đưa vào hàm kích hoạt là ReLU để lọc các giá trị < 0 và đưa về 0
+ Pooling layer 2: sử dụng MaxPooling với Poolingsize=2
• Fully Connected Layer: Sau khi data được truyền qua các lớp convolutional layer và pooling layer thì model đã học được tương đối các đặc điểm input thì tensor của output của layer cuối cùng sẽ được chuyển thành 1 vector thẳng đứng Sau đó ta dùng các fully connected layer để kết hợp các đặc điểm của dữ liệu đầu vào để ra được output của model.
Kết Quả
Bộ điều khiển PID
Dưới đây là kết quả bộ PID chuẩn đã tìm được:
Hình 4.1: thông số PID chuẩn Trong đó: K p =6.0 i 12.2
Hình 4.2: Đồ thị PID chuẩn
Hình 4.2 là biểu đồ chuẩn khi chạy PID điều khiển ổn định mực nước tại 3 điểm setpoint là 50, 70 và 40 Tương đương với điều khiển mực nước ổn định ở mức 9ml nước, 11ml nước và 8.2ml nước
Hình 4.3: Hệ thống đang bị lỗi sụt áp 10% tín hiệu trên đường dây Level
Hình 4.4: Hệ thống đang bị lỗi sụt áp 15% tín hiệu trên đường dây Flow
Hình 4.5: Hệ thống đang ở trạng thái mất tín hiệu Level
Màn hình giám sát HMI
Level 1: có thể giám sát mực nước trong bồn, các thông số như áp suất, lưu lượng bơm, thời gian hoạt động của động cơ và solenoid, setpoint đã cài đặt
Control Screen: Giao diện này có thể giám sát trạng thái hoạt động của hệ thống, có thể chọn chế độ hoạt động như Auto và Manual Nút Emergency Stop để dừng hệ thống khẩn cấp Có chế độ Setup hệ thống ở trạng thái ban đầu
Setting Screen: Giao diện này dùng để cài đặt thời gian bảo trì và cài đặt setpoint khác
Trends Screen: Giao diện này để giám sát quá trình bơm, quá trình đáp ứng của mực nước
Alarm Screen: Giao diện này để lưu lịch sử lỗi của hệ thống, trạng thái của lỗi và thời gian xảy ra lỗi
Chẩn đoán lỗi cho hệ thống sử dụng đặc tính thiết bị
Khi PLC ở trạng thái bình thường thì module sẽ hiện đèn xanh:
Hình 4.11: PLC ở trạng thái bình thường
Khi xảy ra lỗi đặc tính thiết bị cụ thể là lỗi mất nguồn module thì PLC sẽ hiện cảnh báo màu đỏ:
Hình 4.12: PLC khi mất nguồn module Khi module xảy ra lỗi sẽ có alarm hiện lên, status ở trạng thái I:
Sau khi module được sửa thì alarm hiện status ở trạng thái IO:
Hình 4.14: Khi PLC đã được sửa
Chẩn đoán lỗi cho hệ thống sử dụng thuật toán CNN
Kết quả đạt được sau khi huấn luyện model CNN:
Hình 4.15: Tỷ lệ Accuracy – Loss
Tỷ lệ chính xác khi huấn luyện model đạt: 99.78%
Tín hiệu hệ thống khi ở trạng thái thường:
Hình 4.16: Tín hiệu hệ thống ở trạng thái bình thường
So sánh tín hiệu hệ thống khi chưa lỗi (FINE) và khi có lỗi mất tín hiệu Level (F14)
Hình 4.17: Tín hiệu FINE và F14
So sánh tín hiệu hệ thống khi chưa lỗi ( FINE) và khi có lỗi mất tín hiệu PUMP
Hình 4.18: Tín hiệu FINE và F17
Tín hiệu hệ thống khi xảy ra các lỗi:
• F21: Sụt áp trên đường dây tín hiệu Level (10%)
• F22: Sụt áp trên đường dây tín hiệu Flow (15%)
Hình 4.19: Tín hiệu F15 và F16 và F21 và F22 Giá trị Mean Value (Level) khi hệ thống hoạt động ở trạng thái bình thường so với tín hiệu khi hệ thống xảy ra các lỗi: F14, F15, F16, F21, F22
Hình 4.20 : Biếu đồ Mean Value
Giá trị Process Value (Level) khi hệ thống hoạt động ở trạng thái bình thường so với tín hiệu khi hệ thống xảy ra các lỗi: F14, F15, F16, F21, F22
Hình 4.21: Biểu đồ Process Value