Nhận dạng trạng thái bất thường của động cơ điện ứng dụng trí tuệ nhân tạo

Truong c6c don vi, phong Diro tao, c5c Khoa quan nghnh cao hoc vh cac Ong Trang 90 1 NHẬN DẠNG TRẠNG THÁI BẤT THƯỜNG CỦA ĐỘNG CƠ ĐIỆN ỨNG DỤNG TRÍ TUỆ NHÂN TẠO IDENTIFYING THE ABNORMAL

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

Tp Hồ Chí Minh, tháng 8/2023

LUẬN VĂN THẠC SĨ NGUYỄN ĐĂNG LAN

NHẬN DẠNG TRẠNG THÁI BẤT THƯỜNG CỦA ĐỘNG

CƠ ĐIỆN ỨNG DỤNG TRÍ TUỆ NHÂN TẠO

NGÀNH: KỸ THUẬT ĐIỆN

SKC008292

s0 ctAo DUC vA DAo rAo

TRr.Ior.{G DAI HQC StIPrrAIr{ rci mU4r

THANH PHo Ho cni vrmn

s6:oIQ6/QE-DHSPKT fp Ho Chi Minh,

"Sdy&4thang 08 ndm 2022

VC viQc gia

o aii tai lu$n vin tiit nghiQp vh ngrrcri hu6ng din nim 2022

HIEU TRCONG TRLIONG D4.I HQC SLI PHAM KV THUAT TP Ho CHi MINH

Cdn c* LuQt Gido dtc dqi h4c ngalt 18/6/20I 2 va Lugt sua ddt, bo sung nlt so diiu cilaLuqt Gido duc dqt hpc ngdy 19/11/2018;

Cdn cu Ngh! dinh 9g/20|L/ND-CP ngdy 30/.12/2,019 cua Chinh phn pwt dinh cht tt€t vahwong ddn thlhdnh mQt t6 dtiu cua Ludt stca doi, bd sung mQt s6 di€u cila Luqt giao duc dqi

hec,'

Cdn c* Ouy€t dinh sii 937/QD-TTg ngdy 30/6/2017 cia Thfi tuong Ch{nh ph{t vi vi!!plQ

duyQt di aniri aie* ddt moi ciche hiqt dQng cia Trudng Dqi hec Sr phqm Ki thuQt TP' H6

Chi Minh;

Cdn c* Nghi quydt sa I ttNg-HDT ngdy 08/01/2021 cia HQi ding trudng ban hdnh Quy

chd rc ch*c vi htoqt d1n, ct)a Trudng Dqi hgc Sa phsm K, thuqt f! HCM;

Cdn c* Nsnl qluy/t?i iAtyg ubr ngdy l5/672022 cia Hei d6ng truons vi c6ng rac can

b0 ldnh dqo cia Trudng Dqi hec Sa phsm K! thuqt Tp' HCM;

Cdn c* Th6ng,u ,E I 51ZOllnf-BGDDT ngdy 15 thang 5 ndm 20l4 cila B0 Giao d4c va

Ddo tao vi vi€c Ean hanh Qui ch7 ddo tao.trinh d0 thac si;

Cdn ca vdo Bi€n ban b1o vA chu)tAn di cila ngdnh Ki thuat diAn vao ngay 2l/1 1/2021;

Theo nhu cau cong tac va kha nang can bo,'

Theo di nghi cua Truong phdng Ddo tgo;

QUYET D[NH:

Didu 1 Giao d6 tii Lu4n v6n t6t nghiQp thac si vir ngudi huong d6n Cao hgc nim 2022

CQNG HOA XA HQI CHU NGHIA VIET NAM

DQc l$p - Tg do - H4nh phtic

: Kj thuQt itiQn: NhQn dgng trgng thdi btit thtdng cfia ttQng co ttiQn ftng dqtng ti

Tlroi gian thgc hiQn : Th ngdy I5/08/2022 ilan ngdy 15/02/2023

Diiiu 2 Giao cho Phdng Ddo tao quin ly, thpc hiQn theo dfng Qui chti diro tqo tri'h dQ

thac si cua BQ Giao dqc & Dao t4o ban hirnh

Didu 3 Truong c6c don vi, phong Diro tao, c5c Khoa quan nghnh cao hoc vh cac Ong

(Bd) co tOn t4i Di6u I chiu tr6ch nhiQm thi hdnh quy6t dinh niy

Scanned with AnyScanner

1

NHẬN DẠNG TRẠNG THÁI BẤT THƯỜNG CỦA ĐỘNG CƠ ĐIỆN ỨNG DỤNG TRÍ TUỆ NHÂN TẠO IDENTIFYING THE ABNORMAL STATE OF ELECTRIC MOTORS USING ARTIFICIAL INTELLIGENCE

Nguyễn Đăng Lan, Lê Mỹ Hà Trường đại học Sư phạm Kỹ thuật TP.HCM TÓM TẮT

Giám sát và nhận dạng lỗi động cơ điện trong các dây chuyền sản xuất là vấn đề hết sức quan trọng và cần có nhiều cải tiến với việc vận dụng các công nghệ mới Có nhiều phương pháp đã và đang được áp dụng trong các nhà máy công nghiệp hiện nay bằng các thiết bị đo online hoặc offline sử dụng các thiết bị đo chuyên dụng Với mục tiêu nghiên cứu tìm ra một phương pháp giám sát và nhận diện lỗi động cơ điện theo thời gian thực bằng các ứng dụng công nghệ mới như hiện nay

Bài báo này trình bày quá trình xây dựng một mô hình nhận dạng lỗi bất thường của động

cơ điện Trong đó mô hình được xây dựng bằng việc kết hợp giữa các thiết bị đo lường công nghiệp, các cảm biến và các module IoT cho việc thu thập dữ liệu về Webserver Thingspeak và

sử dụng giải thuật Long short term memory (LSTM) trong việc huấn luyện mô hình AI nhằm nhận dạng trạng thái bất thường của động cơ điện từ các bộ dữ liệu trên

Từ khóa: Nhận dạng lỗi bất thường động cơ điện; Internet vạn vật (IoT); Trí tuệ nhân tạo (AI);

Bộ nhớ dài-ngắn hạn (LSTM), Thingspeak

ABSTRACT

Monitoring and identifying electric motor errors in production lines is a very important issue and needs many improvements with the application of new technologies There are many methods that have been and are being applied in industrial factories today using online or offline measuring devices using specialized measuring devices With the goal of researching and finding

a method to monitor and identify electric motor errors in real time using new technology applications

This paper presents the process of building a model to identify abnormal errors of electric motors In which the model is built by combining industrial measuring devices, sensors and IoT modules for collecting data to transmit to the Thingspeak Webserver and using the Long short term memory (LSTM) algorithm to train an AI model to identify abnormal states of electric motors from the above data sets

Keywords: Identify abnormal electric motor errors; Internet of Things (IoT); Artificial intelligence (AI); Long short term memory (LSTM), Thingspeak

1 GIỚI THIỆU

Động cơ điện được xem là thiết bị không

thể thay thế trong các dây chuyền tạo ra sản

phẩm, nó được ứng dụng trong nhiều lĩnh vực

khác nhau Chính vì thế việc nhận dạng được

các trạng thái làm việc bất thường của động

cơ điện hoặc chức năng hệ thống mà động cơ

điện đó cung cấp là một yêu cầu hết sức cần

thiết và quan trọng để góp phần đảm bảo độ

tin cậy vận hành cho các thiết bị hệ thống

công nghiệp Với sự phát triển của công nghệ

trong giai đoạn hiện nay, việc ứng dụng các thành tựu công nghệ mới vào việc giám sát và nhận dạng trạng thái bất thường các động cơ điện trong quá trình làm việc là vấn đề cần được chú trọng và phát triển

Hiện nay đã có nhiều nghiên cứu và vận dụng các công nghệ như: Internet of things (IoT) và Artificial intelligence (AI) vào quá trình giám sát vận hành cũng như chẩn đoán lỗi động cơ điện [1], [2], [3] Trong nghiên cứu của bài báo này đã đề xuất một giải pháp

2

kết hợp giữa IoT và AI trong việc giải quyết

vấn đề nêu trên Cụ thể, đề tài đã nghiên cứu

xây dựng thành công mô hình phục vụ thử

nghiệm giám sát từ xa và nhận dạng lỗi bất

thường động cơ điện online Mô hình này có

các đặc điểm sau:

+ Thu thập dữ liệu vận hành của động cơ

điện (điện áp, dòng điện, độ rung, nhiệt độ…)

thông qua đọc dữ liệu từ cảm biến về esp

8266 qua giao thức modbus và lập trình vi

điều khiển Arduino sau đó truyền lên

Webserver thingspeaks Từ đây cho phép trực

quan hóa các thông số vận hành đến người

dùng;

+ Ứng dụng giải thuật Long short term

memory (LSTM) để huấn luyện mô hình nhận

dạng trên nền tảng server Google colab

Kết quả mô hình phần cứng và phần mềm

thực thi đã cho kết quả nhận dạng với độ

chính xác khoảng 90% số dữ liệu được đưa

vào để nhận dạng

Trong Phần 2 bài viết này sẽ trình bày về

phương pháp đề xuất xây dựng mô hình nhận

dạng Tổng hợp các kết quả, đánh giá được

trình bày trong phần 3

2 PHƯƠNG PHÁP ĐỀ XUẤT

2.1 Tổng quan lỗi động cơ

Hình 2.1 Phân vùng lỗi động cơ điện

Thống kê của IEE và EPRI [4], [5] cho

thấy phân vùng các nhóm lỗi động cơ điện

được thể hiện trên hình 2.1 Trong đó hóm

nguyên nhân do hư hỏng bạc đạn (vòng bi) và

nguyên nhân do hư hỏng cuộn dây stator là

chiếm tỷ trọng rất lớn Trong đề tài này tác

giả lựa chọn nhóm lỗi về cuộn dây stator, lỗi

chạm chập các vòng dây để nhận dạng bởi

các ứng dụng mà tác giả đề cập

Ở đây, để tạo lỗi thực tế, 01 động cơ được trích ra các đầu dây trên một cuộn dây để có thể chủ động giả lập các trường hợp chạm chập một, hai, ba vòng dây trong quá trình thực nghiệm Sơ đồ dây quấn thể hiện trên hình 2.2

Hình 2.2.Sơ đồ cuộn dây động cơ 2.2 Thiết kế mô hình phần cứng áp dụng

Từ các yêu cầu đã đề xuất, trong nghiên cứu này tác giả đã thiết kế phần cứng mô hình thu thập dữ liệu đo lường từ động cơ điện tương ứng với các trạng thái vận hành của động cơ khi bình thường cũng như trong các trường hợp lỗi xảy ra được thể hiện theo sơ

đồ khối như Hình 2.3

Hình 2.3 Sơ đồ khối hệ thống Trên sơ đồ khối, một khối động cơ và máy phát điện làm phụ tải cho động cơ được dùng

để vận hành động cơ điện ở các trường hợp khác nhau (không tải, có tải, chạm chập vòng dây) bằng cách giả lập chạm chập Khối đo lường gồm cảm biến rung, nhiệt độ và đồng

hồ đo lường đa chức năng để thu thập dòng điện, điện áp vận hành của động cơ kết nối đến module IoT esp8266 Thông qua lập trình

vi điều khiển nạp cho module esp8266 để đẩy

3

dữ liệu lên web thingspeak lưu trữ và trực hóa

các thông số vận hành Một máy tính thực thi

mô hình AI đọc dữ liệu từ thingspeak về để

nhận dạng lỗi bất thường động cơ

2.2.1 Giải pháp đo lường

Hình 2.4 Giải pháp đo lường

Hình 2.4 thể hiện kết nối đo lường tín hiệu

giám sát động cơ truyền về webserver

thingspeak: (i) Kết nối giữa đồng hồ đo lường

PM750 và module esp qua giao thức modbus

trên nền tảng lập trình vi điều khiển arduino

cho esp8266 (ii) Đọc dữ liệu trực tiếp từ các

cảm biến thông qua chân Analog trên module

để xử lý dữ liệu trước khi gởi lên thingspeak

Thiết bị phần cứng được lựa chọn:

(1) động cơ điện (2) máy phát điện (3) điện

trở tải (4) cảm biến nhiệt độ (5) cảm biến độ

rung (6) module chuyển giao tiếp UART TTL to

RS485 (7)đồng hồ đo lường (8) module IoT

4 : Bộ phận cảnh báo âm thanh

5 : Module Uno Esp8266

mô hình IoT, các đối tượng và thiết bị trang bị cảm biến, cấu thành một hệ thống đa dạng được kết nối và trao đổi thông tin Điều đặc biệt của IoT là khả năng tự động giao tiếp, thu thập dữ liệu và chia sẻ thông tin mà không cần sự can thiệp của con người

Hình 2.7 Ứng dụng IoT qua thingspeak Trong nghiên cứu, tác giả sử dụng web Thingspeak (bản trả phí) như một cloud lưu trữ dữ liệu và cho phép truy xuất dữ liệu về phục vụ huấn luyện mô hình AI và nhận dạng lỗi động cơ với các dữ liệu cập nhật online

4

2.3.1 Thiết kế mô hình nhận dạng LSTM

LSTM (Long Short Term Memory)

được giới thiệu bởi Hochreiter và

Schmidhuber vào năm 1997 nhằm giải quyết

vấn đề hạn chế của các mô hình RNN nói

chung [7] LSTM có một cấu trúc đặc biệt gọi

là cổng (gate) để điều chỉnh luồng thông tin

trong quá trình lan truyền ngược và truyền

tiếp Các cổng này bao gồm:

 Cổng quên (Forget gate): Điều chỉnh quyết

định về việc giữ hay quên thông tin từ quá

khứ

 Cổng đầu vào (Input gate): Xác định thông

tin mới nào sẽ được lưu trữ vào bộ nhớ

 Cổng đầu ra (Output gate): Điều chỉnh

quyết định về việc sử dụng thông tin từ bộ

nhớ để tạo ra đầu ra

Về phần nhận diện tác giả thiết kế một mô

hình chuỗi thời gian LSTM để nhận sự bất

thường của động cơ Để giải thích cho việc

ứng dụng mô hình học sâu vào hệ thống mà

không phải các phương pháp thủ công như sử

dụng biến dòng, ngưỡng để chuẩn đoán lỗi,

tác giả sẽ đưa ra một số giả thuyết lý thuyết

sau:

 Sự gia tăng dòng điện khi xảy ra chạm chập

1 hoặc một số vòng dây là khá nhỏ so với

dòng điện bình thường

 Sự dao động điện áp của lưới điện tại nhiều

thời điểm là khác nhau Từ đó dẫn theo sự

biến đổi khó lường của các biến khác như

dòng điện, công suất

 Lúc động cơ gặp sự cố như chạm chập vòng

dây, phụ thuộc nhiều mức tải khác nhau ở

nhiều thời điểm khác nhau, thì việc đặt

ngưỡng sẽ không hiệu quả trong trường hợp

này vì sẽ phải lựa chọn rất nhiều ngưỡng

cho nhiều trường hợp

Vì những lý do trên mô hình LSTM như

Hình 2.8 được đề xuất để phát hiện lỗi

Hình 2.8 Cấu trúc mô hình được đề xuất

trong nhận dạng lỗi

Đây là một mô hình dự đoán nhị phân, được sử dụng để giải quyết các bài toán phân loại hai nhãn (binary classification) Với đầu vào bao gồm sáu tín hiệu [Ua , Ub , Uc ,Ia , Ib ,

Ic] các tín hiệu dòng điện được lấy trên mỗi pha.Tầng LSTM đầu tiên được giải thích như sau:

Đầu vào: 𝑋 , là một vectơ đặc trưng tại thời điểm t

 Cổng quên (forget gate)

Wi là ma trận trọng số của cổng đầu vào,

ht-1 là đầu ra của tầng trước đó, bi là vector điều chỉnh

 Cổng trạng thái (cell gate):

𝐶 = 𝑓 ⨀𝐶 𝑖 𝑡𝑎𝑛ℎ(𝑊 ⋅ [ℎ , 𝑋 ] +

𝑏 ), trong đó ⨀ là phép nhân hadamard,

𝑊 là ma trận trọng số của cổng trạng thái, tanh() là hàm tanh

 Cổng đầu ra (output gate):

𝑜 = 𝑖 = 𝜎(𝑊 × [ℎ , 𝑋 ] + 𝑏 ) , trong đó 𝑊 là ma trận trọng số của cổng đầu ra, ℎ là đầu ra của tầng trước đó, 𝑏 là vector điều chỉnh

 Đầu ra của tầng LSTM:

ℎ = 𝑜 ⨀ 𝑡𝑎𝑛ℎ(𝐶 )

Theo sau đó là tầng Dropout:

Tầng Dropout được áp dụng sau mỗi tầng LSTM để loại bỏ một phần các đơn vị ngẫu nhiên Trong nghiên cứu tác giả sử dụng 0.2

là tỷ lệ các đơn vị bị loại bỏ Điều này giúp cho mô hình học một cách ngẫu nhiên hơn giảm thiểu được vấn đề quá khớp

Tầng Dense (fully connected):

Tầng Dense với 128 đơn vị và hàm kích hoạt ReLU được áp dụng sau tầng LSTM và Dropout Tầng này nhận đầu vào là một vectơ

có kích thước đã được làm phẳng từ đầu ra của tầng trước đó

Tầng đầu ra: Tầng cuối cùng là một tầng Dense với 1 đơn vị và hàm kích hoạt sigmoid Tầng này cho ra đầu ra dự đoán của mô hình,

có giá trị trong khoảng [0, 1], thể hiện xác suất của lớp dương trong bài toán phân loại nhị phân

Chi tiết cấu trúc mô hình được thực thi

5

trên ngôn ngữ python với framework pytorch

được diễn tả ở bảng sau:

Bảng 2 1.Chi tiết cấu trúc và params của mô

Với cấu trúc như bảng 2.1 miêu tả, mô

hình tổng cộng có khoảng 35809 lượng param

tính toán khá nhẹ để chạy thời gian thực

3 KẾT QUẢ VÀ ĐÁNH GIÁ

3.1 Kết quả giám sát IoT

Về việc thu thập dữ liệu tác giả đã giả lập

lỗi vòng dây trên động cơ và chạy để thu thập

dữ liệu đi huấn luyện Dữ liệu được thu thập

từ Thingspeak về máy tính cá nhân với tốc độ

trung bình khoảng 1,5s trên mỗi dữ liệu Để

lấy dữ liệu tác giả giả lập chạm chập 1 pha A

và chạy khoảng 2 tiếng cho mỗi trường hợp

và tổng thời gian khoảng 10 tiếng 30 phút cho

toàn bộ dữ liệu

Hình 3.1 Giám sát nhiệt độ động cơ

3.2 Thu thập dữ liệu nhận dạng

Quá trình thu thập dữ liệu để tạo bộ dữ

liệu huấn luyện được mô tả trong bảng sau:

Bảng 3 1 Thu thập dữ liệu huấn luyện

TT Trường hợp Mục đích Số mẫu

1 Không tải + bình thường Huấn luyện + thử nghiệm ~4800

2 Có tải + bình thường Huấn luyện + thử nghiệm ~4800

3 Không tải + chạm chập 1 vòng pha A Huấn luyện + thử nghiệm ~4800

4 Có tải + chạm chập 1 vòng pha A Huấn luyện + thử nghiệm ~4800

Bảng thử nghiệm kết quả của mô hình AI trong các trường hợp được thực hiện ở các trường hợp và được mô tả trong bảng sau: Bảng 3 2 Các trường hợp thu thập dữ liệu phục vụ thử nghiệm mô hình

TT Trường hợp Mục đích Kết quả yêu cầu

1 Không tải + bình thường Thử nghiệm thường Bình

2 Có tải + bình thường Thử nghiệm Bình

thường

3 Không tải + chạm 1 vòng pha A Thử nghiệm Bât thường

4 Không tải + chạm 2 vòng pha A Thử nghiệm Bất thường

6 Có tải + chạm 1 vòng pha A Thử nghiệm Bất thường

7 Có tải + chạm 2 vòng pha A Thử nghiệm Bất thường

Dữ liệu trong các trường hợp trên được biểu diễn bởi các hình bên dưới

Hình 3 2 Dữ liệu điện áp bình thường các