Đề tài nghiên cứu thực hiện việc xây dựng một cấu trúc để giả lập các lỗi xảy ra đối tượng Van điều khiển Điện -Khí nén, là Van Fisher sử dụng Positioner DVC6200 trên KIT thực nghiệm Thi
TỔNG QUAN
GIỚI THIỆU ĐỀ TÀI
Các van điều khiển khí nén trong các quá trình công nghệ của nhà máy lọc dầu, hóa chất, phát điện… đóng vai trò đặc biệt quan trọng trong quá trình công nghệ tuy nhiên do nhiều yếu tố như ăn mòn, điều kiện môi trường hoạt động, thời gian hoạt động, hoặc việc sử dụng van không phù hợp, hoặc lỗi do nhà sản xuất chế tạo, dẫn đến van điều khiển được sử dụng trong các quá trình công nghệ có thể hoạt động không chính xác hoặc bị lỗi Khi van hoạt động không chính xác hoặc bị lỗi sẽ làm giảm năng suất của quá trình công nghệ Nếu van bị lỗi sẽ làm dừng quá trình công nghệ, dừng nhà máy Đối với các nhà máy lọc dầu hoặc nhà máy hóa chất hoặc nhà máy phát điện thì chi phí cho mỗi lần dừng máy và chạy lại rất cao gây tốn kém không mong muốn
Hình 1.1 Seat của van bị ăn mòn
Vì vậy việc phát hiện sớm các vấn đề trong hoạt động của van trước khi van bị lỗi nghiêm trọng gây ảnh hưởng đến quá trình công nghệ là rất quan trọng
Một số vấn đề thường xảy ra đối với van điều khiển như: “Seat” bị mòn hoặc hư hỏng, “Stem” bị hư hỏng, “Stem” bị mòn hoặc bị ăn mòn, vật liệu làm kín bị mòn,
Trang 2 các phần ghép nối bị lỏng, màng van bị lão hóa do bị nước ngưng tụ Đa phần các vấn đề này thường không thể phát hiện được nếu không tháo van ra để kiểm tra Việc tháo van ra để kiểm tra là phương pháp được sử dụng phổ biến nhất, và gây tổn thất chi phí rất nhiều
Hình 1.2 Lỗi van bị dao động
Có thể sử dụng nhiều phương pháp để phát hiện các vấn đề thường gặp bằng các hệ thống kiểm tra van giúp hạn chế việc phải tháo van ra để kiểm tra Tuy nhiên cần phải lắp thêm thiết bị hỗ trợ kiểm tra van được thực hiện bằng cách lắp thêm các cảm biến trên van và đo các thông số cần thiết Các thông số quan trọng thường được thu thập bao gồm bộ định vị bị lỗi, độ chính xác của vị trí van, hành trình của van, và ma sát hoặc kẹt van Để thực hiện kiểm tra được các thông số này, phải thực hiện lắp thêm các cảm biến vào van và phải kiểm tra hết hành trình hoạt động của van Tuy nhiên việc này không thể thực hiện được khi van đang điều khiển quá trình công nghệ
Việc thu thập dữ liệu hoạt động của van đã được sử dụng rộng rãi tuy nhiên sử dụng để chuẩn đoán tình trạng của van thì còn hạn chế Ngày càng nhiều hệ thống giúp thu thập dữ liệu được sử dụng để đánh giá tổng quan hoạt động của van và điều
Trang 3 chỉnh quá trình công nghệ Giá trị cài đặt (Setpoint) của van và vị trí của van cũng được thu thập qua hệ thống giám sát và thu thập dữ liệu (SCADA)
Trong khoảng thời gian gần đây, dữ liệu hoạt động của van đã được thu thập bởi chính các bộ định vị thông minh (Smart positioner) Thay vì giá trị cài đặt của van và vị trí của van được đo đạc và gửi qua tín hiệu tương tự về phòng điều khiển, các tín hiệu này sẽ được gửi về phòng điều khiển trung tâm qua tín hiệu số dưới một số dạng truyền thông nhất định (Ví dụ truyền thông HART) Một số bộ định vị thông minh đã tích hợp phần hỗ trợ chuẩn đoán van vào Firmware, bao gồm kiểm tra đáp ứng của van, phân tích kẹt van, dao động trên van Tuy nhiên để có thể thực hiện kiểm tra vẫn cần phải dừng quá trình công nghệ để thực hiện
Nhà máy Đạm Cà Mau thiếu hệ thống chẩn đoán phát hiện lỗi van sớm để ngăn ngừa sự cố Việc giám sát van liên tục bằng nhân công không thể theo dõi liên tục và phần mềm chẩn đoán của nhà sản xuất không tích hợp được với hệ điều khiển DCS Yokogawa hiện tại của nhà máy, dẫn đến chi phí xây dựng cao.
Dựa trên các vấn đề trên, đề tài nghiên cứu tập trung vào việc phát hiện lỗi trên van điều khiển Để thực hiện mục tiêu trên, tác giả đề xuất phương pháp thực hiện nghiên cứu mô hình hóa các đường đặc tuyến của van điều khiển trên Kit thực nghiệm, sau đó dùng các giải thuật toán học cơ bản và ứng dụng Machine learning để phát hiện lỗi trên van điều khiển qua phần mềm Matlab, giao tiếp giữa Matlab và DCS sẽ qua hệ thống OPC của nhà máy Các cảnh báo sẽ được gửi về hệ thống DCS giúp người vận hành dự đoán được các lỗi trên van điều khiển và khắc phục
TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC
Chưa ghi nhận các nghiên cứu về việc chuẩn đoán tình trạng hoạt động của các van điều khiển ngay trong quá trình vận hành bình thường của Nhà máy.
TÌNH HÌNH NGHIÊN CỨU NGOÀI NƯỚC
Tài liệu [6] tác giả Henry W Boger, Foxboro, MA (US) và Sandro Esposito, Bridgewater, MA (US); 2011, CONTROL VALVE AND POSITIONER DIAGNOSTIC) (Hình 1.4)
Hệ thống định vị van có thể tự chẩn đoán Ví dụ, hệ thống định vị van có khả năng xác định tình trạng của các thành phần khác nhau của hệ thống Sử dụng khả năng tự chẩn đoán trong hệ thống định vị van có thể cho phép phát hiện các hư hỏng trước khi phát sinh Các vấn đề có thể là cơ học hoặc hỏng hóc với các phần của bộ phận (ví dụ: van, đường dây, kết nối và bộ điều chỉnh), sự cố hoặc lỗi với các thành phần điện của bộ điều khiển, sự thay đổi trong thiết bị điện tử chẳng hạn như sự cố phần mềm hoặc sự cố với bộ lọc được áp dụng trong điện tử
Các thành phần của hệ thống định vị van có thể bao gồm bộ chuyển đổi, cảm biến, rơ le, đường cấp khí, hoặc bộ truyền động Bộ chuyển đổi có thể chuyển đổi một tín hiệu nhận được từ một bộ điều khiển Ví dụ, bộ chuyển đổi đầu ra điện/áp suất (Bộ chuyển đổi E / P) có thể chuyển đổi tín hiệu điện từ bộ điều khiển thành tín hiệu áp suất, chẳng hạn như khí nén Cảm biến có thể là bất kỳ thiết bị nào có khả năng đo một tín hiệu (ví dụ, điện hoặc áp suất) được tạo ra hoặc nhận được bằng hệ thống định vị van
Ví dụ, một cảm biến có thể đo các thông số như áp suất, lưu lượng tỷ lệ, dòng điện, điện áp hoặc vị trí van Rơle có thể truyền hoặc khuếch đại tín hiệu nhận được Rơle có thể bao gồm van ống đệm hoặc bộ khuếch đại khí nén Một bộ truyền động có thể đáp ứng tín hiệu từ bộ chuyển đổi Ví dụ, một thiết bị truyền động có thể bao gồm một pít-tông chịu sự chênh lệch áp suất
Hình 1.4 Sơ đồ kiểm tra tı̀nh trạng hoạt động của van điều khiển
Trang 6 Ưu điểm Nhược điểm
Có thể phát hiện được hư hỏng xảy ra trên các bộ phận riêng biệt của van
Phải lắp thêm nhiều cảm biến để đo áp suất và dòng điện ở trên bộ định vị trên van để kiểm tra lỗi
The US patent, Diagnostic method for detecting control valve component failure (Patent No US5218840A), was granted to the inventors G D Wilke and Galen Dale, assigned to Fisher Controls International LLC This invention provides a method for diagnosing failures in control valve components.
Phương pháp phân tích phát hiện các thành phần của van bị hư hỏng Để chỉ ra các vấn đề tiềm ẩn về tính toàn vẹn của thành phần Đặc biệt, hệ thống có thể phát hiện ra sự hư hỏng hoặc lỗi tiềm ẩn trong lò xo truyền động, đường ống và ống dẫn khí nén Hệ thống có thể được kết hợp thông tin với mạng điều khiển quá trình để cung cấp các cảnh báo phức tạp Hơn nữa, các phương pháp thống kê bổ sung có thể được sử dụng để tinh chỉnh độ chính xác phát hiện của hệ thống
Hình 1.5 Sơ đồ kiểm tra phát hiện áp suất thấp của van điều khiển
Trang 7 Ưu điểm Nhược điểm
Có thể phát hiện được hư hỏng xảy ra trên van dựa vào các thuật toán cơ bản
Phải lắp thêm nhiều cảm biến để đo áp suất và dòng điện ở trên bộ định vị
Tài liệu [2] tác giả Hafaifa, Ahmed Hafaifa, Ahmed Zohair Djeddi, Attia Daoudi, Ziane Achour University of Djelfa, với đề tài là “Fault detection and isolation in industrial control valve based on artificial neural networks diagnosis”
Bài báo này sử dụng hệ thống giám sát dựa trên phương pháp sử dụng mạng Nơ-ron nhân tạo để tạo ra các chỉ báo lỗi cho van điều khiển công nghiệp và các kiểm chứng
Hình 1.6 Sơ đồ kiểm tra phát hiện lỗi trên van điều khiển dùng Mạng Noron Ưu điểm Nhược điểm
Linh hoạt trong việc phát hiện lỗi trên van Không phụ thuộc vào đặc tính của van là tuyến tính hay phi tuyến
Phụ thuộc vào kinh nghiệm của chuyên gia
Tài liệu [1] tác giả L Choonover, North Attleboro, MA (US) đề tài là “Method, system and storage medium for performing online valve diagnostics”.
MÔ TẢ QUÁ TRÌNH THU THẬP VÀ XỬ LÝ DỮ LIỆU
Một quy trình dùng mô tả quá trình tiếp cận và thực hiện cho nghiên cứu này bao gồm các tiến trình được trình bày như Hình 1.7
Hình 1.7 Các bước thực hiện của đề tài
MỤC TIÊU CHÍNH
Nhận dạng được mô hình toán của van điều khiển thuộc hệ thống DCS thực tế tại nhà máy Đạm Cà Mau (16FV02);
ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
Các lỗi trên van điều khiển khí nén (16FV02) tại nhà máy Đạm Cà mau, bao gồm: Lỗi rò khí điều khiển, lỗi kẹt van, lỗi giá trị phản hồi vị trí của van bị sai
Giải thuật Machine learning trong việc phát hiện các lỗi trên van điều khiển
Nghiên cứu giải thuật Machine learning trong việc phát hiện các lỗi trên van điều khiển
NỘI DUNG NGHIÊN CỨU
Thu thập và xử lý dữ liệu mẫu từ hệ thống DCS trên Kit thực nghiệm thực tế theo tiêu chuẩn lấy mẫu Nyquist
Nhận dạng mô hình các đường đặc tuyến của van điều khiển được lựa chọn cho nghiên cứu (sử dụng phương pháp ARX, AR, OE,… hoặc ước lượng tham số mô hình)
Phân tích đánh giá mô hình được nhận dạng
Giải thuật toán học cơ bản và Machine learning trong việc phát hiện lỗi trên van điều khiển
Thực nghiệm trên mô hình thí nghiệm tại nhà máy
TIÊU CHI ĐÁNH GIÁ
Bảng tiêu chí đánh giá
Tiêu chí đánh giá Ghi chú Độ chính xác dạng mô hình nhận dạng được Độ chính xác của hàm truyền của mô hình Khả năng phát hiện van bị dò khí Theo yêu cầu của Nhà máy
Khả năng phát hiện van bị kẹt Theo yêu cầu của Nhà máy
Các từ viết tắt được sử dụng trong đề tài
Bảng các từ viết tắt được sử dụng trong đề tài
Bảng 1.2 Các từ viết tắt được sử dụng trong đề tài
STT Viết tắt Diễn giải
8 DCS Distributed Control System – Hệ thống điều khiển phân tán
9 PID Roportional–integral–derivative controller
13 OLE OLE for Process Control – Nhúng và liên kết đối tượng
14 ZI Feedback – Vị trí hoạt động của van điều khiển
16 HART Highway Addressable Remote Transmitter
CƠ SỞ LÝ THUYẾT
TRÌNH BÀY VỀ CÁC VAN ĐIỀU KHIỂN CỦA HÃNG FISHER
2.1.1 Giới thiệu về van điều khiển hãng FISHER
Theo ISA (Instrument Society of America): van điều khiển là một thiết bị dùng để điều khiển lưu lượng của lưu chất trong một hệ thống điều khiển quá trình
Van là một phần tử chấp hành cuối cùng trong một hệ thống điều khiển Nó được dùng để điều chỉnh dòng vật chất đi qua theo yêu cầu của hệ thống (van điều khiển), hay được dùng để ngăn chặn (van ON/OFF), chuyển hướng dòng vật chất (van ba ngã) Vị trí của Van có thể đóng hoặc mở hay ở bất kỳ vị trí nào trong khoảng hành trình của chúng Tùy từng loại van mà có thể trên van được gắn một bộ định vị (positioner), positioner sẽ nhận tín hiệu điều khiển (có thể dạng điện hoặc khí nén) và giá trị phản hồi vị trí của Actuator (thông qua cần feedback) sau đó so sánh để đưa van về vị trí thích hợp Thông thường phần lớn van điều khiển sử dụng khí nén, hoặc dầu thủy lực, một số van sử dụng motor
Một van thường được sử dụng một trong những mục đích sau: o Điều tiết (dòng chảy, mức chất…) o Ngăn dòng vật chất chảy qua o Giảm áp suất đi qua
Van có thể được vận hành bằng tay hoặc được hỗ trợ bởi một actuator
Actuator thì sử dụng các nguồn năng lượng như: o Khí nén (pneumatic) o Điện (electrical) o Dầu thủy lực (hydraulic)
Loại van sử dụng phụ thuộc vào mục đích ứng dụng cụ thể Nếu xảy ra sự cố về van như mất tín hiệu điều khiển, van sẽ ở trạng thái đóng, mở hoặc khóa Vị trí của van trong một vòng điều khiển có thể được mô tả như sau:
Hình 2.1 Van điều khiển trong một vòng điều khiển Các thành phần cơ bản của van điều khiển o Thân van - Body o Bộ tác động – Actuator: là một thiết bị được vận hành bằng khí nén, thủy lực hay motor điện để cung cấp một lực và dịch chuyển van đóng hoặc mở o Bộ định vị - Positioner: Bộ định vị, điều khiển độ mở của van o Phụ kiện – Accessories: Gồm nhiều thiết bị được gắn trên actuator để hoàn thiện chức năng của actuator Ví dụ như positioners, supply pressure regulators, solenoids, lock up valve, booster và limit switches
Hình 2.2 Các thành phần cơ bản của một van điều khiển Một số loại Actuator của van điều khiển khí nén :
Bộ tác động kiểu màng vận hành bằng khí nén sử dụng nguồn khí từ bộ điều khiển positioner hay các nguồn khác như Booster …
Có nhiều kiểu tác động của Actuator như: o Direct-acting (khi tăng áp suất khí điều khiển lên màng van, áp lực tác động lên màng và đẩy màng van cùng với steam van đi xuống, lúc này lò xo sẽ bị nén lại (xem Hình 2.3); o Reverse-acting (khi tăng áp suất khí điều khiển lên màng van, áp lực tác động lên màng và đẩy màng van cùng với steam van đi lên, lò xo bị kéo căng ra (xem Hình 2.4); o Reversible (Actuators xem Hình 2.5 loại này có thể được lắp đặt được cho
Trang 14 một trong 2 loại tác động trên thông qua cơ cấu lắp đặt ban đầu) o Direct-acting unit for rotary valves (khi tăng khí sẽ đẩy màng xuống, tùy thuộc vào hướng của đòn lên trục của Actuator mà van có thể ở một trong những trạng thái đóng hoặc mở (Hình 2.6)
Hình 2.3 Tác động thuận Hình 2.4 Tác động nghịch
Hình 2.5 Actuator với nhiều lò xo Hình 2.6 Van quay
Các thuật ngữ cơ bản quan trọng của van điều khiển:
- Travel: Là khoảng di chuyển của ty van tính từ vị trí mở hoàn toàn đến vị trí đóng hoàn toàn
- Control Range: là dải hành trình van đi qua mà van điều khiển có thể duy trì độ khuếch đại van trong khoảng từ 0.5 đến 2 lần giá trị quy định
- Dead Band: là dải hành trình đi qua mà một tín hiệu ngõ vào có thể thay đổi, qua sự đổi hướng, mà không khởi tạo một sự thay đổi có thể quan sát được ở tín hiệu ngõ ra
Hình 2.7 Dead band của van điều khiển
- Dead time: là khoảng thời gian (Td) mà không có đáp ứng nào của hệ thống được phát hiện khi ngõ vào thay đổi rất nhỏ (thường khoảng 0.25 đến 5%) Nó được đo từ lúc ngõ vào (dạng bước: step) được khởi tạo đến khi đáp ứng của hệ thống có khả năng phát hiện đầu tiên khi được thử nghiệm
2.1.2 Mô tả hoạt động của bộ định vị (Positioner) DVC6000/6200
- DVC6000 (Hình 2.8) nhận một setpoint từ bộ điều khiển và sẽ xử lý để đưa van đến một vị trí tương ứng
- Tín hiệu ngõ vào cung cấp nguồn điện và giá trị setpoint cùng lúc Tín hiệu sẽ đi vào terminal box thông qua một cặp dây
- Tín hiệu vào sau đó được đưa đến board xử lý (printed wiring board) Nơi đây bộ vi xử lý sẽ chạy một thuật toán điều khiển số và xuất tín hiệu kết quả đến bộ chuyển đổi I/P
- Bộ chuyển đổi I/P được nối đến nguồn áp suất cung cấp và chuyển đổi tín hiệu điều khiển thành tín hiệu áp suất ngõ ra
- Tín hiệu áp của ngõ ra bộ I/P sau đó được chuyển đến bộ relay khí nén (pneumatic relay) gắn bên trong positionor Relay cũng được nối nguồn áp suất supply và khuếch đại tín hiệu khí nén nhỏ từ bộ I/P thành một tín hiệu khí nén output lớn hơn để cấp cho single-acting actuator Với double-acting actuator thì bộ relay nhận tín hiệu khí nén từ bộ I/P và xuất ra 2 tín hiệu khí nén output
- Sự thay đổi áp suất output của relay cấp đến actuator làm cho van di chuyển
- Vị trí của van được cảm nhận thông qua thông tin phản hồi bởi thiết bị cảm biến hành trình (travel sensor) Travel sensor là một thiết bị điện (biến trở) được kết nối đến chân cắm trên board đấu dây để cung cấp một tín hiệu vị trí phản hồi sử dụng trong thuật toán điều khiển
- Van tiếp tục di chuyển cho đến khi đúng vị trí mong muốn đạt được
Hình 2.8 Sơ đồ khối bộ định vị DVC 6200
TRÌNH BÀY LÝ THUYẾT VỀ NHẬN DẠNG HỆ THỐNG
Các bước chính trong nhận dạng hệ thống là
Lựa chọn cấu trúc mô hình
Thiết kế thí nghiệm thực tế
Ước tính tham số và nhận dạng mô hình
Nhiều mô hình quá trình có thể được tính gần đúng với hệ thống tuyến tính bậc một hoặc bậc hai với thời gian, là cơ sở để thực hiện về mô hình hóa và nhận dạng hệ thống Trong đó, dựa trên một mô hình thiết lập đã được xác định nhưng vẫn cần ước lượng tham số để sửa lỗi mô hình và sự thay đổi biến động của mô hình theo thời gian thực [26]
Việc lựa chọn ước lượng tham số là một yếu tố quyết định các loại mô hình được sử dụng Ngoài ra, dữ liệu thuộc tính phải là thuộc tính có thể được kích thích liên tục Nó có thể được xác định bởi một tín hiệu hàm nấc
2.2.1 Nhận dạng mô hình hệ thống
Nhận dạng hệ thống được định nghĩa là sử dụng dữ liệu quan sát (đầu vào và đầu ra) để xây dựng mô hình toán học của một đối tượng Vì nhận dạng hệ thống được thực hiện tự động trong hệ thống thích ứng, lựa chọn cấu trúc mô hình, tham số hóa và tính toán đệ quy là chìa khóa cần thiết để triển khai thành công hệ thống đó Một số định nghĩa hữu ích liên quan đến nhận dạng hệ thống sẽ được thảo luận trong phần sau
2.2.1.1 Mô hình hộp trắng Đây là mô hình dựa trên nguyên lý đầu tiên như định luật Newton và luôn dẫn đến các phương trình vi phân và suy ra được hàm truyền cho hệ thống cần mô tả một cách khá dễ dàng
Cấu trúc mô hình và tham số của nó hoàn toàn không được biết và chỉ có thể ước lượng dữ liệu đầu vào và đầu ra Đây còn được gọi là mô hình tham số và mô tả hệ thống trong điều kiện của một phương trình vi phân và các hàm truyền
Có thể xác định các loại hộp đen sau:
Mô hình hàm truyền vi phân
Các mô hình đa thức Các loại mô hình đa thức sau có thể được nhận dạng tự động hồi quy, mô hình AR: điều này được biểu thị bằng phương trình (2.1) trong đó thuật ngữ A(q) đại diện cho phần Tự động hồi quy
Tự động hồi quy, mô hình AR: điều này được biểu thị bằng phương trình (2.1) trong đó thuật ngữ A (q) đại diện cho phần Tự động hồi quy
Mô hình ARX toán tử tự hồi quy: điều này được thể hiện trong phương trình (2.2), trong đó thuật ngữ B(q) đại diện cho phần (đầu vào bổ sung)
Trung bình động tự động hồi quy tối đa, mô hình ARMA: mô hình này thể hiện sự di chuyển trung bình của tiếng ồn trắng và số hạng C (q) trong phương trình (2.3) là sai lệch phần trung bình
Trung bình trượt tự động hồi phục với biến, Mô hình ARMAX mới là như trong phương trình (2.4)
Mô hình lỗi đầu ra: phần tự động hồi quy và phần OE có cấu trúc giống nhau như thể hiện trong phương trình (2.5)
Mô hình Box-Jenkins (BJ): cấu trúc mô hình tách biệt đầu vào và các thành phần nhiễu liên quan như thể hiện trong phương trình (2.6)
Cấu trúc mô hình được xây dựng một phần dựa trên các nguyên tắc cơ bản đã biết, phần còn lại được tìm ra và tái hiện hoặc ước lượng lại thông qua dữ liệu.
Cấu trúc của mô hình quá trình là một hàm truyền thời gian liên tục đơn giản mô tả động lực học của hệ thống tuyến tính theo một hoặc nhiều yếu tố sau:
Độ lợi hệ thống Kp
Một hoặc nhiều hằng số thời gian Tpk Đối với các cực phức tạp, hằng số thời gian được gọi là Tω - tương ứng với nghịch đảo của tần số riêng
- và hệ số tắt dần là ζ
Thời gian trễ có thể xảy ra Td trước khi đầu ra hệ thống phản hồi với đầu vào (deadtime)
Các mô hình quá trình phổ biến để mô tả động lực học của hệ thống trong nhiều ngành công nghiệp và áp dụng cho các môi trường sản xuất khác nhau Ưu điểm của các mô hình này là chúng đơn giản, có thể ước tính được độ trễ và các hệ số của mô hình, cũng như có cách biểu diễn dễ dàng dưới dạng cực và zero
Chúng ta có thể thể hiện, trình bày lại các cấu trúc mô hình khác nhau bằng cách thay đổi số lượng các cực, hoặc thêm/bớt các thành phần tích phân, thời gian trễ hoặc các zero
Trong đó, ta có thể chỉ định mô hình bậc nhất, bậc hai hoặc bậc ba, và các cực có thể là thực hoặc phức Một cấu trúc mô hình sau là mô hình quá trình theo thời gian liên tục bậc nhất, trong đó Kp là của hệ thống quá trình, Tp1 là hằng số thời gian và Td là độ trễ đầu vào - đầu ra:
Trang 20 Đối với hàm truyền của hệ thống được biến đổi theo miền thời gian
( ) y t và u t ( ) lần lượt là các giá trị ngõ ra và ngõ vào của hệ thống quá trình bậc nhất
K p: độ lợi của hệ thống quá trình
p: thời hằng của hệ thống
p : thời gian trễ của hệ thống
2.2.3 Giải thuật MRAC Điều khiển thích nghi là phương pháp điều khiển được sử dụng bởi một bộ điều khiển phải thích ứng với một hệ thống điều khiển với các thông số thay đổi, hoặc có điều kiện đầu không chắc chắn Ví dụ, trong điều khiển một chiếc máy bay, khối lượng của nó sẽ giảm từ từ do việc tiêu thụ nhiên liệu; cần một luật điều khiển để điều chỉnh bản thân nó ứng với các điều kiện thay đổi như vậy Điều khiển thích nghi khác với điều khiển bền vững ở chỗ nó không cần một thông tin tiên nghiệm về các giới hạn trên các thông số không chắc chắn hoặc thời gian biến đổi; điều khiển bền vững bảo đảm rằng nếu những thay đổi nằm trong giới hạn cho trước, sẽ không cần phải thay đổi luật điều khiển, trong khi điều khiển thích nghi lại liên quan tới việc thay đổi luật điều khiển của chính nó Ước lượng tham số:
Cơ sở của điều khiển thích nghi là ước lượng tham số Các phương pháp ước lượng phổ biến bao gồm đệ qui bình phương tối thiểu và gradient descent Cả hai phương pháp này cung cấp các luật cập nhật được sử dụng để thay đổi các ước lượng theo thời gian thực (cụ thể, trong quá trình hoạt động của hệ thống) Ổn định Lyapunov được sử dụng để tạo ra các luật cập nhật và tìm tiêu chuẩn hội tụ (thường
TRÌNH BÀY VỀ CÁC GIẢI THUẬT ĐỂ KIỂM TRA VAN BỊ LỖI CƠ KHÍ VÀ LỖI ĐIỀU KHIỂN
2.3.1 Các lỗi thường gặp trên van điều khiển
Các van điều khiển phục vụ cho quá trình công nghệ liên tục chịu ảnh hưởng nhiều bởi các yếu tố công nghệ như nhiệt độ, áp suất thay đổi liên tục và vấn đề ăn mòn dẫn đến van hay bị các lỗi như van bị kẹt khó di chuyển (Xem Hình 2.13), van bị rò rỉ khí, giá trị phản hồi vị trí bị sai lệch Trong đó lỗi van bị kẹt cơ khí hoặc do bị bó ti van rất hay gặp Việc phát hiện sớm van bị bó ti hoặc van bị kẹt có ý nghĩa rất qua trọng đối với quá trình vận hành nhằm có giải pháp khắc phục nhanh tránh ảnh hưởng đến hoạt động của Nhà máy
Hình 2.13 Lỗi van bị kẹt thực tế trên hệ thống
2.3.2 Dùng phương pháp so sánh giá trị chuẩn và giá trị hoạt động thực tế của van
Thực hiện nhận dạng các đường đặc tuyến của van điều khiển khí nén khi van hoạt động bình thường và được xem là trạng thái hoạt động tốt nhất Sau đó dựa vào các đường đặc tuyến chuẩn này để vẽ các đường biên, khi các thông số hoạt động của van nằm ngoài các đường biên thì sẽ xuất hiện các cảnh báo tương ứng
2.3.3 Phương pháp sử dụng Machine Learning sử dụng giải thuật cây quyết định
Tập hợp các quy tắc phân tách được sử dụng để phân đoạn không gian dự đoán có thể được tổng hợp tổng quát trong một sơ đồ nhánh cây cây, cùng với các loại phương pháp tiếp cận này được gọi là phương pháp cây quyết định Trong nội dung trình bày cũng mô tả các phương pháp dựa trên sơ đồ cây để hồi quy và phân loại Những điều này liên quan đến việc phân tầng hoặc phân đoạn không gian dự đoán thành một số vùng đơn giản Để đưa ra dự đoán cho một quan sát nhất định, ta thường có thể sử dụng giá trị kết quả trung bình hoặc chế độ cho huấn luyện giám sát Các phương pháp dựa trên phân loại nhánh cây thường khá đơn giản và hữu dụng cho việc giải quyết các bài toán dự đoán
Ngoài ra, thấy rằng việc kết hợp một số lượng lớn các cây thường có thể dẫn đến những cải thiện đáng kể về độ chính xác của dự đoán, với một số tổn thất trong việc giải thích
2.3.3.1 Khái niệm cơ bản về cây quyết định
Dựa trên dữ liệu cầu thủ bóng chày ở Hình 2.14, mô hình hồi quy được xây dựng để dự đoán mức lương của họ dựa trên thời gian chơi ở các giải đấu lớn và số lần đạt được trong năm trước Ở mỗi nút bên trong, nhãn sẽ chỉ ra nhánh bên trái (Xj < tk) và nhánh bên phải (Xj ≥ tk) Ví dụ, nút gốc chia dữ liệu thành hai nhóm: Năm < 4,5 (nhánh trái) và Năm > 4,5 (nhánh phải) Cây có 2 nút bên trong và 3 nút đầu cuối (lá) Giá trị trung bình của kết quả được hiển thị tại mỗi lá.
Cây quyết định có thể được áp dụng cho cả bài toán hồi quy và phân loại Đầu tiên chúng ta xem xét vấn đề hồi quy, và sau đó chuyển sang phân loại
Để hiểu rõ về cây hồi quy, ta có thể xem xét ví dụ đơn giản, đó là: "Dự đoán mức lương của người chơi bóng chày bằng cách sử dụng cây hồi quy".
Ta sử dụng tập dữ liệu Hitters như ở Hình 2.14, để dự đoán mức lương của một cầu thủ bóng chày dựa trên số năm kinh nghiệm (số năm anh ấy đã chơi ở các giải đấu lớn) và lượt đánh trúng đích (số lần đánh trúng đích mà anh ấy đã thực hiện trong năm trước) Đầu tiên, ta loại bỏ các quan sát bị thiếu về giá trị tiền lương và biến đổi nhật ký mức lương sao cho rằng sự phân bố của nó có nhiều dạng hình chuông điển hình hơn
Qua đó, Hình 2.14 cho thấy một cây hồi quy phù hợp với dữ liệu này Nó bao gồm một loạt các quy tắc tách, bắt đầu từ ngọn cây Phần tách trên cho thấy rõ các quan sát có Năm < 4,5 cho nhánh bên trái dự đoán cho những người chơi này được đưa ra bởi giá trị phản hồi trung bình cho những cầu thủ trong tập dữ liệu có Năm < 4,5 Đối với những cầu thủ như vậy, mức lương trung bình trên nhật ký là 5,107 và vì vậy ta có thể đưa ra dự đoán là e 5,107 nghìn đô la, tức là 165.174$, cho những người chơi này Người chơi có Số năm > = 4,5 được chỉ định vào nhánh bên phải, và sau đó nhóm đó được chia nhỏ hơn nữa theo số lần đánh trúng đích Nhìn chung, cây phân tầng hoặc phân đoạn người chơi thành ba khu vực của không gian dự đoán: người chơi đã chơi từ bốn năm trở xuống, người chơi đã chơi từ năm năm trở lên và người thực hiện ít hơn 118 lần đánh trúng đích vào năm ngoái và người chơi đã chơi trong
5 năm trở lên và là người đã tạo ra ít nhất 118 lần đánh trúng đích vào năm ngoái Ba vùng này có thể được viết là R1 = {X | Năm = 4,5, Lần đánh trúng đích = 4,5, Số lần trúng đích> = 117,5} Hình 2.14
Trang 27 minh họa các khu vực dưới dạng hàm của Năm và Số lần truy cập Mức lương dự đoán cho những ba nhóm lần lượt là 1.000 đô la × e 5.107 = 165.174 đô la, 1.000 đô la × e 5.999 = 402.834 đô la và 1.000 đô la × e 6.740 = 845.346 đô la
Hình 2.15 minh họa quá trình phân vùng bộ dữ liệu Hitters thành ba vùng từ cây hồi quy ở Hình 2.14 Các vùng R1, R2 và R3 đóng vai trò như các nút đầu cuối hoặc lá của cây Các cây quyết định thường được vẽ ngược, với các lá nằm ở dưới cùng Các điểm phân chia không gian dự đoán được gọi là các nút bên trong Trong Hình 2.14, có hai nút bên trong được biểu thị bằng "Số lần đánh trung bình < 4,5" và "Số lần đánh bóng trúng < 117,5" Các phân đoạn kết nối các nút được gọi là các nhánh.
Chúng ta có thể giải thích cây hồi quy được hiển thị trong Hình 2.14 như sau: Năm là yếu tố quan trọng nhất để xác định Mức lương, và những người chơi có ít kinh nghiệm hơn sẽ kiếm được mức lương thấp hơn những người chơi có kinh nghiệm hơn Với việc một cầu thủ ít kinh nghiệm hơn, số lần sút trúng đích của anh ta trong năm trước dường như không đóng vai trò quan trọng trong tiền lương của anh ta Nhưng trong số những cầu thủ đã tham gia các giải đấu lớn từ 5 năm trở lên, số lần sút trúng đích trong năm trước ảnh hưởng đến mức lương và những cầu thủ tạo được nhiều cú đánh hơn trong năm ngoái có xu hướng nhận lương cao hơn Cây hồi quy được hiển thị trong Chúng ta có thể giải thích cây hồi quy được hiển thị trong Hình 2.14 như sau: Năm là yếu tố quan trọng nhất trong việc xác định Mức lương và những người chơi có ít kinh nghiệm hơn sẽ kiếm được mức lương thấp hơn những người chơi có nhiều kinh nghiệm hơn Với việc một cầu thủ ít kinh nghiệm hơn, số lần sút
Trang 28 trúng đích của anh ta trong năm trước dường như không đóng vai trò quan trọng trong tiền lương của anh ta Nhưng trong số những cầu thủ đã tham gia các giải đấu lớn từ
5 năm trở lên, số lần sút trúng đích trong năm trước ảnh hưởng đến mức lương và những cầu thủ tạo được nhiều cú đánh hơn trong năm ngoái có xu hướng nhận lương cao hơn Cây hồi quy thể hiện trong Hình 2.15, có thể là một sự đơn giản hóa quá mức của mối quan hệ thực sự giữa
Dự đoán thông qua sự phân tầng của không gian đặc trưng
Bây giờ chúng ta thảo luận về quá trình xây dựng cây hồi quy Nói một cách đại khái, có hai bước như sau :
1 Ta chia không gian dự đoán - tức là tập hợp các giá trị có thể có cho X1, X2 , , Xp - thành J các vùng riêng biệt và không trùng lặp, R1, R2 , , RJ
TRÌNH BÀY VỀ HỆ THỐNG THU THẬP DỮ LIỆU CHUẨN ĐOÁN TRẠNG THÁI VALVE
2.4.1 Hệ quá trình điều khiển lưu lượng 16FV002
Trong phần nghiên cứu và đánh giá tiền khả thi này, hệ điều khiển vòng kín cho đối tượng lưu lượng được lựa chọn để thực hiện nhận dạng cho mô hình này Van điều khiển trên Kit thực nghiệm của Nhà máy (Tagname 16FV02) Dựa trên Kit thực nghiệm này tác giả tiến hành mô hình hóa các đặc tuyến của Van, bao gồm các đường đặc tuyến sau :
Hình 2.22 Đối tượng valve được sử dụng để thực hiện nghiên cứu chuẩn đoán trạng thái
1 Đường đặc tuyến áp suất điều khiển của van
2 Đường đặc tuyến phản hồi vị trí hoạt động của van
3 Đường đặc tuyến giá trị dòng điện điều khiển hoạt động của van
4 Đường đặc tuyến giá trị MV điều khiển van
2.4.2 Thu thập dữ liệu của van từ hệ thống DCS
Dữ liệu thu thập là các thông số hoạt động của van điều khiển được phần mềm Matlab lấy từ DCS Yokogawa qua hệ thống OPC :
Dư liệu được lấy là loại 0.5s tức là 0.5s sẽ lấy mẫu lưu một lần
Số mẫu được lấy cho mỗi thông số là 720 mẫu
Các loại thông số được lấy bao gồm : Giá trị MV (tín hiệu tác động lên cơ cấu chấp hành van điều khiển), giá trị ZI (giá trị phản hồi vị trí của van), giá trị áp suất điều khiển tới bộ tác động (PI – Pressure Input), giá trị dòng điện từ bộ điều khiển tới van điều khiển (I – Current Input)
Dữ liệu thu thập từ hệ thống DCS thông qua OPC để truyền về Matlab và có thể xuất ra các file định dạng Excel Trong đó, các thông số của van điều khiển được thu thập tương ứng bởi 4 giá trị lần lượt: tín hiệu tác động lên cơ cấu chấp hành van điều khiển MV (Manipulated Values), giá trị phản hồi vị trí của van (ZI), giá trị áp suất điều khiển tới bộ tác động (PI – Pressure Input), giá trị dòng điện từ bộ điều khiển tới van điều khiển (I – Current Input)
2.4.3 Khái quát về OPC và OPC DA
OPC là một tiêu chuẩn với khả năng tương tác để trao đổi dữ liệu an toàn và đáng tin cậy trong công nghiệp tự động hóa và trong các ngành công nghiệp khác Nó độc lập với nền tảng và đảm bảo luồng thông tin liền mạch giữa các thiết bị từ nhiều nhà cung cấp
Giao thức OPC (Open Platform Communications) là tiêu chuẩn do các nhà cung cấp trong ngành, người dùng và nhà phát triển phần mềm cùng xây dựng Tiêu chuẩn OPC định nghĩa giao diện giữa máy khách và máy chủ, cũng như giữa máy chủ và máy chủ, giúp truy cập dữ liệu thời gian thực, giám sát báo động và sự kiện.
Trang 42 vào dữ liệu lịch sử và các ứng dụng khác Khi tiêu chuẩn này lần đầu tiên được phát hành vào năm 1996, mục đích của OPC là tiêu chuẩn hóa các giao thức của PLC (như Modbus, Profibus, v.v.) lại thành một giao diện được chuẩn hóa, cho phép các hệ thống giám sát như HMI / SCADA giao tiếp với một hệ thống trung gian (bên thứ 3), dựa trên một giao thức chuyển đổi chung- OPC đọc / ghi cho các thiết bị đầu cuối
Do đó, các hệ thống điều khiển công nghiệp được cung cấp giải pháp, cho phép người dùng cuối triển khai các hệ thống sử dụng các sản phẩm kết hợp các hãng, mà trong đó tất cả đều tương tác liền mạch thông qua OPC Ban đầu, tiêu chuẩn OPC cũng còn hạn chế đối với hệ điều hành Windows Do vậy, từ viết tắt OPC được bắt nguồn từ OLE (liên kết và nhúng đối tượng) cho quá trình điều khiển
Các thông số kỹ thuật cơ bản, hiện được gọi là OPC Classic, đã được áp dụng rộng rãi trên nhiều ngành công nghiệp, bao gồm sản xuất, tự động hóa tòa nhà, dầu khí, năng lượng tái tạo, và một số ngành khác Sự ra đời của các kiến trúc hướng dịch vụ trong các hệ thống sản xuất đã phát sinh các vấn đề mới về bảo mật và mô hình hóa dữ liệu Do đó, OPC đã phát triển các thông số kỹ thuật OPC UA để giải quyết những nhu cầu này và đồng thời cung cấp một kiến trúc nền tảng mở công nghệ giàu tính năng, có thể mở rộng trong tương lai
Sơ lược về OPC DA [17]
OPC DA là viết tắt của OPC Data Access Đây là một thông số kỹ thuật của OPC xác định cách dữ liệu thời gian thực có thể được truyền giữa hệ thống cung cấp dữ liệu nguồn và một hệ thống khác để truy cập hoặc lưu dữ liệu (ví dụ: PLC và HMI) mà không cần phải biết giao thức gốc của nhau
OPC DA là một trong các giao thức khá phổ biến, bởi nó sở hữu một số ưu điểm khác hơn so với các giao thức trước Các đặc điểm kiến trúc client/server OPC DA là kiến trúc được OPC thiết kế đầu tiên
Trước khi OPC DA ra đời, các thiết bị tự động hóa (PLC, HMI, ) của các nhà sản xuất khác nhau đòi hỏi bất cứ một ứng dụng hay thiết bị nào muốn kết nối với chúng đều phải cài đặt driver của ứng dụng hoặc thiết bị đó.
Trang 43 chuyển đổi được biên dịch, và cho phép kết nối của bên thứ ba và sản phẩm được đề cập
Giao tiếp dựa trên trình điều khiển tùy chỉnh gây ra nhiều khó khăn, chẳng hạn như: chi phí cao, công nghệ độc quyền hạn chế sự lựa chọn nhà cung cấp, cấu hình hệ thống không linh hoạt, khó duy trì kết nối khi có thay đổi lập trình do từng hãng có cách hoạt động riêng, cập nhật phức tạp vì các thiết bị và ứng dụng mới liên tục ra mắt.
Ngược lại, OPC DA có thể kết nối với bất kỳ nguồn dữ liệu thời gian thực nào mà không cần trình kết nối tùy chỉnh được viết riêng cho cặp dữ liệu nguồn và thiết bị truy xuất dữ liệu để xử lý trung gian thứ ba Do đó, việc đọc và ghi có thể được thực hiện mà không cần quan tâm đến giao thức/cấu trúc dữ gốc
Trong một số đặc tính đáng chú ý của OPC DA, đã trải qua một số sửa đổi Những điểm nội dung quan trọng được trình bày ở Bảng 2.1, bên dưới:
Bảng 2.1 Những điểm nội dung quan trọng đáng chú ý các phiên bản OPC DA
1996 1.0 Đặc điểm kỹ thuật ban đầu
1997 DA 1.0a tên được thông qua để phân biệt nó với các thông số kỹ thuật khác đang được phát triển đồng thời
1998 DA 2.0 - DA 2.05a Nhiều giải thích và sửa đổi thông số kỹ thuật
2003 DA 3.0 Bổ sung và sửa đổi thêm
Chức năng tích hợp Exaopc của dữ liệu CENTUM và MES: Gói giao diện Exaopc của Yokogawa tuân thủ các tiêu chuẩn OPC Exaopc hoạt động cùng với
Trang 44 nhiều ứng dụng truy cập đến OPC như hệ thống quản lý thông tin nhà máy Exaquantum (PIMS), gói cải thiện hiệu quả hoạt động như Exapilot và các ứng dụng dựa trên giao thức OPC phục vụ các mục đích chung cho hệ thống nhà máy Bằng cách giao tiếp với các hệ thống kiểm soát sản xuất CENTUM VP, CENTUM CS 3000 và CENTUM CS của Yokogawa, Exaopc cung cấp các chức năng bổ sung để nâng cao năng suất
Hình 2.24 Sơ đồ kết nối Exa OPC với hệ thống DCS [18]
2 Các tính năng chính đã đề cập đối với giao thức Exaopc để cung cấp đến các hệ thống điều khiển sản xuất CENTUM VP, CENTUM CS 3000 và CENTUM CS (PCS) của Yokogawa
NỘI DUNG THỰC HIỆN
NGHIÊN CỨU VÀ XÂY DỰNG PHẦN CỨNG HỆ THỐNG LẤY MẪU TRÊN MÔ HÌNH VAN
3.1.1 Xây dựng mô hình thí nghiệm để giả lập các lỗi trên van
Quá trình thu thập dữ liệu của valve được bố trí tuần tự với 3 thí nghiệm đối với trạng thái của valve lần lượt như sau:
- Trạng thái valve : Bình thường
- Trạng thái valve : Fail Feedback (điều khiển)
- Trạng thái valve : Fail Friction (cơ khí bị ma sát) Để thu thập được dữ liệu lỗi trên van tác giả đã giả lập các lỗi trên van giống với các lỗi thực tế có thể xảy ra trong quá trình hoạt động của van
Hình 3.1 Bố trí các thiết bị để tạo các lỗi trên van
1 Tạo lỗi van bị kẹt do ma sát trên ty van: Dùng một Piston lắp vào ty van tạo ra lực ma sát không cho van di chuyển để mô phỏng quá trình van bị kẹt
2 Tạo lỗi van bị rò khí điều khiển tới Actuator: Dùng Solenoid ba ngả và van ba ngả lắp vào đường ống khí từ bộ định vị đến Actuator, nếu van Solenoid bị kích hoạt thì sẽ xả khí ra bên ngoài tương ứng với van bị lỗi rò khí
Hình 3.2 Van điều khiển trên Kit thực nghiệm có gắn các bộ phận tạo lỗi
3.1.2 Xây dựng hệ thống thu thập dữ liệu theo thực gian thực Để thu thập dữ liệu theo thời gian thực tác giả đã xây dựng hệ thống bao gồm các thành phần sau:
1 Hệ thống điều khiển DCS (Distributed Control System – Hệ thống điều khiển phân tán) Có chức năng điều khiển hoạt động của van để đáp ứng các yêu cầu công nghệ
2 Máy tính Engineering cài đặt phần mềm Systemview để lập trình cho hệ thống điều khiển DCS Có chức năng dùng để lập trình các bộ điều khiển cho van điều khiển
3 Máy tính cài đặt phần mềm ExaOpc để lấy dữ liệu từ hệ thống DCS về Matlab
4 Van điều khiển được lắp đặt trên Kít thực nghiệm để điều khiển lưu lượng nước vào bồn
Sơ đồ hệ thống điều khiển như Hình 3.3
Hình 3.3 Sơ đồ hệ thống điều khiển của Kít thực nghiệm
The Fisher control valve utilizes a DVC6200 positioner, which receives a 4-20mA control signal from the Yokogawa DCS analog output card.
Bảng các thông số của van điều khiển trên Kit thực nghiệm
Bảng 3.1 các thông số của van điều khiển trên Kit thực nghiệm
STT Thành phần Thông số
6 Plug, Stem, Body, Seat SST
Hỗ trợ truyền thông Hart
Bộ định vị có hỗ trợ truyền thông HART nên trên DCS sẽ khai báo để lấy các giá trị như: tín hiệu phản hồi vị trí, giá trị dòng điện và giá trị áp suất Những dữ liệu này sau đó sẽ được truyền về Matlab thông qua ExaOPC.
Hình 3.4 Các thiết bị điều khiển trên Kít thực nghiệm
Máy tính OPC được cài đặt phần mềm OPC chuyên dụng của hãng Yokogawa để có thể thu thập dữ liệu từ hệ thống DCS Hệ thống OPC có hỗ trợ các chuẩn OPC
Hình 3.5 Tủ điều khiển hệ thống DCS
Bộ điều khiển FCS – Field control station được thiết kế và lắp đặt trong các tủ điều khiển (Cabinet)
Như vậy thông qua Hình 3.3, Hình 3.3 và Hình 3.5 ta có thể thấy để thu thập được các dữ liệu/tín hiệu hoạt động của van điều khiển theo thời gian thực Cụ thể, thông qua truyền thông HART hiện trường để positioner của van giao tiếp với DCS, đồng thời DCS giao tiếp với Matlab thông qua giao thức OPC-DA Điều này được đánh giá là điều kiện thuận lợi giúp cho hệ thống dễ dàng để triển khai cho việc nghiên cứu bao gồm: lưu trữ dữ liệu lại để sử dụng cho các bước nghiên cứu thí nghiệm trên matlab và chạy thử mô phỏng, và hơn hết là một hệ thống được thiết lập triển khai áp dụng chạy thực tế để kiểm chứng các thuật toán về sau
3.2 NGHIÊN CỨU VÀ XÂY DỰNG PHƯƠNG PHÁP DỰ ĐOÁN DỰA TRÊN ĐƯỜNG ĐẶC TUYẾN VAN
Dùng thiết bị Hart thực hiện cân chỉnh lại van, để van có đường đặc tính chuẩn nhất Tiếp theo xuất các tín hiệu điều khiển từ 4-20mA để van mở từ 0 đến 100% để ghi nhận giá trị áp suất và giá trị phản hồi vị trí tương ứng của van, xem Hình 3.6
Tiếp theo, đóng van bằng cách giảm tín hiệu từ 20mA xuống 4mA, đồng thời ghi lại các giá trị áp suất và vị trí van tương ứng Quá trình này được minh họa trong Hình 3.8.
Hình 3.7 Sử dụng công cụ Curve Fitting Tool để tìm hàm tuyến tính cho đường đặc tuyến (đường giảm, đóng van)
Từ đó có được kết quả đường đặc tuyến tương ứng của van thể hiện mối quan hệ giữa giá trị áp suất và giá trị vị trí, xem hình Hình 3.8 và Hình 3.9 Kết quả đường đặc tuyến cơ sở của valve (trục tung: Traval Feedback % độ mở valve, trục hoành: áp suất
Dựa trên mối quan hệ giữa giá trị áp suất và giá trị vị trí tương ứng có thể đánh giá được tình trạng hoạt động của van điều khiển
Khi giá trị áp suất lớn hơn giá trị chuẩn nhưng vị trí của van không đạt được vị trí chuẩn (trong khoảng độ lệch cho phép 5%) thì có thể đánh giá được van đang gặp lỗi
Hình 3.8 Biểu đồ quá trình thu thập dữ liệu để tìm đặc tuyến valve
NGHIÊN CỨU VÀ XÂY DỰNG GIẢI THUẬT PHÁT HIỆN LỖI VAN DỰA TRÊN MÔ HÌNH THAM CHIẾU CHUẨN
Để thực hiện việc xây dựng giải thuật phát hiện lỗi van dựa trên mô hình tham chiếu chuẩn trong nghiên cứu này, tác giả đề xuất và trình bày một quy trình tương đối cơ bản bao gồm 3 bước được trình bày chi tiết như ở Hình 3.11 bên dưới
Hình 3.11 Mô tả tổng quan quy trình nghiên cứu và xây dựng giải thuật phát hiện lỗi van dựa trên mô hình tham chiếu chuẩn
Công thức tính độ phù hợp cho các mô hình được nhận dạng trong nghiên cứu sử dụng phương pháp MSE (Mean Squared Error - Bình phương trung bình sai số), được trình bày như sau:
: giá trị ngõ ra ước lượng của mô hình được nhận dạng
: giá trị ngõ ra thực tế đo được
: là tổng số mẫu được sử dụng để nhận dạng/đánh giá
3.3.1 Nhận dạng mô hình và kiểm tra độ phù hợp của mô hình
Một mô hình hệ thống van được mô tả bởi các hàm truyền đặc trưng, được mô tả như Hình 3.12 bên dưới Trong đó, ta có thể thấy hệ mô hình van được khái quát hóa bao gồm 4 hàm truyền lần lượt từ G1(s) đến G4(s), cụ thể như sau :
1 Nhận dạng mô hình chuẩn
• Xác định các biến dữ liệu và xây dựng kiểu dữ liệu ngõ vào để thu đáp ứng ngõ ra
• Nhận dạng Hàm truyền van với 4 hàm truyền thành phần
2 Kiểm tra độ phù hợp/chính xác của mô hình
3 Áp dụng giải thuật để phát hiện lỗi
• Thí nghiệm sai lệch giữa áp suất thực tế và áp suất ước lượng trên mô hình chuẩn
• Thí nghiệm sai lệch giữa độ mở thực tế và độ mởước lượng trên mô hình chuẩn
Hình 3.12 Hàm truyền mô tả đặc trưng van Gv(s) điều khiển
G1(s) : hàm truyền chuyển đổi từ giá trị đặt cho van được thiết lập từ hệ thống điều khiển chuyển sang tín hiệu hiện trường (DAC - 4-20 mA) o Ngõ vào : giá trị đặt MV xuất ra van (0-100%) o Ngõ ra : giá trị tín hiệu dòng 4 – 20mA
G2(s) : hàm truyền của bộ chuyển đổi tín hiệu ADC từ tín hiệu hiện trường để thực hiện giá trị tính toán cho bộ điều khiển trên van (positionner) o Ngõ vào : giá trị tín hiệu dòng 4 – 20mA o Ngõ ra : giá trị setpoint cho bộ điều khiển trên van (Độ mở van)
G3(s) : hàm truyền của bộ điều khiển smart positioner trên van o Ngõ vào : giá trị setpoint từ bộ I/P converter o Ngõ ra : độ mở Relay van để điều chỉnh áp suất từ 0-30 Psi tác động vào bộ actuator của van
G4(s) : bộ actuator của van chịu tác động bởi áp suất để thay đổi độ mở trên body thực tế của van o Ngõ vào : áp suất nhận được từ 0-30 Psi tác động o Ngõ ra : độ mở trên body thực tế của van (0-100%, được đo bởi một cảm biến là một biến trở xoay để xác định hành trình đóng/mở van)
Hình 3.13 Chương trình thực thi được thiết kế trên Simulink để lấy mẫu dữ liệu trạng thái chuẩn của van theo thời gian thực
Từ các phân tích trên, ta có thể thấy để nhận dạng mô hình ước lượng trạng thái van thông qua các hàm truyền được nhận dạng khi van đang hoạt động ở một trạng thái thông thường Ta có hàm truyền xấp xỉ này khi đưa vào thực tế sẽ có thể ước lượng được một trạng thái đặc trưng của van chuẩn, cụ thể tương ứng với ngõ vào là một giá trị MV đặt cho van nhất định, ta có thể ước lượng được các thông số quan trọng trên van như : áp suất ngõ ra từ Positioner điều chỉnh để tác động van, hành trình van thực tế giá trị đầu/cuối,… Nếu các giá trị thực tế này, lệch chuẩn nhiều, điều này cần được cảnh báo với một số vấn đề lỗi không mong muốn Và cụ thể trong thí nghiệm này, hai lỗi được giả lập đã được trình bày ở mục 3.1 trước đó
Hình 3.14 Bảng dữ liệu thu thập các biến giá trị của van, thu được từ đáp ứng hàm nấc bước 10-25% và hàm Ramp
Tiếp theo, để có được một hàm truyền van Gv(s) chuẩn được mô tả bởi 4 hàm truyền con G1(s), G2(s), G3(s) và G4(s), ta lần lượt nhận dạng các hàm truyền này thông qua một mô hình lấy mẫu như Hình… bên dưới với tín hiệu ngõ vào thiết đặt cho van lần lượt là hàm nấc với bước nhảy 10%, hàm nấc với bước nhảy 25% và hàm Ramp
Hình 3.15 Các thiết lập trên Simulink để lấy mẫu dữ liệu (Items) của van được thu thập từ hệ thống DCS thông qua OPC (a): Cấu hình OPC, (b): Thiết lập các biến đọc về từ van, (c): Thiết lập các biến ghi đến hệ thống điều khiển van
Trong chương trình thực thi lấy mẫu dữ liệu được thiết kế hoạt động theo thời gian thực và lấy 750 mẫu Cùng với đó, các thiết lập/cấu hình hệ thống thu thập thông qua OPC trên Simulink cũng được trình bày chi tiết trong Hình 3.16 bên trên
Trong đó, để thực hiện các bước xử lý tiếp theo để nhận dạng mô hình hệ thống, việc xử lý các dữ liệu là cần thiết Nó bao gồm các công đoạn hay quá trình cắt bỏ các phần dữ liệu/tín hiệu nhiễu hoặc không phù hợp với mô hình hoạt động trong thực tế, quá trình này thường được gọi là tiền xử lý dữ liệu
Trong nghiên cứu này, các đoạn dữ liệu nhiễu gần như không có hoặc rất ít vì thế, ta có thể bỏ qua Tuy nhiên, các dữ liệu không phù hợp với để tái hiện mô hình thực tế thông qua nhận dạng (có nền màu xanh dương trong Hình 3.16) được xử lý loại bỏ bằng cách cách cụ thể là mapping các giá trị tối đa của Setpoint trong bộ Positioner và tối thiểu theo giá trị của MV từ DCS
Hình 3.16 Dữ liệu trạng thái của van
Hình 3.16 trình bày chi tiết cho các kết quả dữ liệu trạng thái van thu thập được được Từ hệ thống lấy mẫu thông qua các dạng dữ liệu ngõ vào đa dạng và đầy đủ bao gồm các hàm nấc đầu vào với bước 10% và 25%, hàm ramp với mỗi bước 1% Theo đó, ta bắt đầu tiến hành nhận dạng thông qua System Identification Tools như Hình 3.17 bên dưới, các hàm truyền G1(s), G2(s), G3(s) và G4(s) lần lượt được trình bày cụ thể lần lượt trong mục 3.3.1.1, 3.3.1.2, 3.3.1.3 và 3.3.1.4
Hình 3.17 Nhận dạng hệ thống sử dụng System Identification Tools (a): Công cụ System Identification, (b): Thiết lập các đầu vào cho cộng cụ nhận dạng 3.3.1.1 Nhận dạng hàm truyền G1(s) - hệ thống OPC-DCS
Bước 1 : Thực hiện nhập dữ liệu với ngõ vào là MV và ngõ ra là current cho bộ công cụ nhận dạng System Indentification (xem Hình 3.18)
Bước 2 : Tiến hành tiền xử lý dữ liệu chuẩn hóa các giá trị (xem Hình 3.18)
Hình 3.18 Nhận dạng hàm truyền MV - Current trên Simulink
Bước 3 : Tiến hành nhận dạng hàm truyền sử dụng Process model bậc 1 và thu được kết quả như ở Hình 3.19 bên dưới với hàm truyền 1 ( ) 0.16 1.5
với độ phù hợp là 90,5%
Hình 3.19 Hàm truyền của hệ thống sau khi nhận dạng
Bước 4 : Kiểm tra kết quả
NGHIÊN CỨU VÀ XÂY DỰNG GIẢI THUẬT PHÁT HIỆN LỖI VAN DỰA TRÊN MÔ HÌNH MACHINE LEARNING
Một quy trình thí nghiệm tương đối cơ bản trong thí nghiệm được tác giả đề xuất bao gồm 4 bước để thực hiện việc nghiên cứu và xây dựng giải thuật phát hiện lỗi van dựa trên mô hình machine learning, các nội dung chi tiết cũng được trình bày như ở Hình 3.33 bên dưới Phạm vi các lỗi trên van trong nghiên cứu này, được đề cập đến bao gồm
Lỗi van bị kẹt ma sát (Fail Friction – FF, chi tiết cơ cấu giả lập lỗi cũng đã được đề cập ở mục 3.3.1);
Lỗi van bị rò khí (Fail Air – FA, chi tiết cơ cấu giả lập lỗi cũng đã được đề cập ở mục 3.3.1);
Hình 3.33 Quy trình thí nghiệm được đề xuất để xây dựng cho giải thuật phát hiện lỗi van dựa trên mô hình machine learning 3.4.1 Thiết kế kịch bản thí nghiệm bố trí các trạng thái lỗi trên van
Trong một quá trình thiết kế dữ liệu đầu vào cung cấp cho máy học (Machine Learning), thì việc thiết kế một kịch bản để bố trí các trạng thái cho đối tượng cần nghiên cứu về các đặc tính khác nhau để phân loại, là việc hết sức cần thiết Do vậy, trong nghiên cứu này, tác giả cũng đã xây dựng một quá trình kịch bản để thực hiện việc lấy mẫu
Trong đó, van được điều khiển ở chế độ Auto trong vòng điều khiển 16FIC02, dùng cho điều khiển lưu lượng (bao gồm 1 bơm, 1 van điều khiển – là đối tượng trong nghiên cứu và một cảm biến lưu lượng) chi tiết được thể hiện thông qua giao diện vận hành điều khiển, như ở Hình 3.34 Giá trị đặt cho lưu lượng trong khoảng vận hành thông thường là từ 950 Kg/h đến 1050 Kg/h
1 Thiết lập các kịch bản thí nghiệm trạng thái lỗi trên van
• Trạng thái van bình thường
• Trạng thái van bị lỗi do rò khí
• Trạng thái van bị lỗi do kẹt/ma sát cơ khí
2 Xử lý các tập dữ liệu
• Đánh dấu các vị trí thời gian tương ứng các trạng thái lỗi
• Ghép mẫu dữ liệu lại thành một tập dữ liệu và chuyểnđổi kiểu phù hợp
• Huấn luyện trên công cụ Classification
• Kiểm tra đánh giá kết quả
4 Áp dụng thực nghiệm và kiểm tra
Hình 3.34 Loop điều khiển 16FIC02 điều khiển lưu lượng thông qua van
Một kịch bản với sự thay đổi các giá trị lưu lượng đặt lên bộ điều khiển vòng kín PID của loop điều khiển 16FIC02 được thiết kế với 3 lần lấy mẫu (trial) như ở Hình 3.35 đến Hình 3.37
Hình 3.35 Tập dữ liệu kịch bản để lấy mẫu (trial_1) phục vụ cho quá trình training cho mô hình Machine Learning
Khoảng thời gian trạng thái van Fail Air
Khoảng thời gian trạng thái van Fail Friction
Khoảng thời gian trạng thái van bình thường
Trong đó, ta có thể thấy sự ngắt quãng của các trạng thái van từ Fail Air đến Fail Friction đến bình thường và ngược lại hoặc xen kẽ, kiểu lấy mẫu này được đưa vào để thu thập dữ liệu mẫu cho sự thay đổi này, điều này nhằm thể hiện rõ hơn các đặc trưng trên van, giúp cho việc huấn luyện được tốt hơn
Hình 3.36 Tập dữ liệu lấy mẫu (trial_2) phục vụ cho quá trình training cho mô hình
Hình 3.37 Tập dữ liệu lấy mẫu (trial_3) phục vụ cho quá trình training cho mô hình
Khoảng thời gian trạng thái van Fail Air Khoảng thời gian trạng thái van Fail Friction Khoảng thời gian trạng thái van bình thường
Khoảng thời gian trạng thái van Fail Air
Khoảng thời gian trạng thái van Fail Friction
Khoảng thời gian trạng thái van bình thường
Một thiết kế chương trình trên SIMULINK để thu thập các dữ liệu trong kịch bản được thiết lập để lấy mẫu bao gồm đầu vào là các giá trị thông số của van bao gồm độ mở van thực tế (travel hay biến position) trong Hình 3.38
Hình 3.38 Chương trình thu thập mẫu dữ liệu từ kịch bản để huấn luyện
Qua chương trình kịch bản trên, chúng ta thu được 7380 mẫu dữ liệu trong 3 lần thử nghiệm (mỗi lần thử nghiệm gồm 2460 mẫu), với tổng số 18 chu kỳ chuyển đổi trạng thái thành lỗi, còn lại là các trạng thái bình thường của van.
3.4.2 Xử lý dữ liệu cho việc huấn luyện mô hình
Sau khi có được các trial tập mẫu dữ liệu, việc xử lý dữ liệu lúc này đơn giản là ghép lại theo thứ tự và xem xét các thứ tự của đặc trưng các biến dữ liệu, ghi nhận lại các phân lớp trạng thái của van Cụ thể đánh số phân loại được biểu diễn :
1 : Trạng thái van bình thường
2 : Trạng thái van Fail Air
3 : Trạng thái van Fail Friction
Hình 3.39 Dữ liệu được xử lý gộp lại và chuyển đổi sang dạng table để chuẩn bị cho việc huấn luyện mô hình Machine Learning
3.4.3 Huấn luyện mô hình dự đoán Để huấn luyện cho mô hình dự đoán, một công cụ điển hình được cung cấp bởi Matlab kể từ phiên bản Matlab 2015 Đây là một công cự hết sức tiện ích và khả dụng để thực hiện các nghiên cứu/ứng dụng đối với các giải thuật Machine Learning, hỗ trợ cho người dùng các bước tối ưu hơn trong việc thêm dữ liệu, huấn luyện và đánh giá các mô hình, từ đó có thể dễ dàng xuất các mô hình ra ngoài công cụ workspace để lưu trữ lại hoặc xử lý các bước tiếp theo để ứng dụng trong môi trường Matlab hoặc kể cả ngoài Matlab
Hình 3.40 Công cụ trình học phân loại (Classification Learner) trên Matlab
Hình 3.41 Thêm dữ liệu trainData dạng Table cần huấn luyện vào công cụ
Hình 3.42 Biểu đồ Scatter thể hiện sự phân bố khác biệt giữa các trạng thái van dựa trên đặc trưng Áp suất – Travel, (Trạng thái valve, 1: Bình thường, 2: Fail Air,
Từ Hình 3.42 ở trên ta thấy được sự khác biệt giữa các trạng thái của van dựa trên đặc trưng điển hình giữa Áp suất điều khiển tương ứng với độ mở van (hay còn gọi là travel, position) Qua đó, kết quả huấn luyện cho mô hình Machine sử dụng giải thuật huấn luyện cây quyết định (Decision Tree Ensembles), sử dụng phương pháp Bagged Trees cho thấy kết quả huấn luyện là cao nhất với 99.0%
Hình 3.43 Kết quả huấn luyện mô hình Machine Learning với giải thuật Ensembles
- Bagged Trees, cho kết quả phân loại chính xác nhất
Hình 3.44 Kết quả ma trận đánh giá sự nhầm lẫn Validation Confusion Matrix, trong dự đoán của mô hình Machine Learning
Tương tự như kết quả vừa tìm được thì Hình 3.44 là một dang thể hiện cho việc đánh giá sự sự nhầm lẫn trong các phân loại trạng thái mà mô hình Machine Learning dự đoán được thông qua ma trận Validation Confusion Matrix
Kết quả nghiên cứu đạt độ chính xác cao, cho thấy tiềm năng ứng dụng mô hình vào thực nghiệm chạy thử thời gian thực Các bước tiếp theo sẽ hướng dẫn cách truy xuất và vận dụng mô hình vào thử nghiệm thực tế.
3.4.4 Áp dụng mô hình huấn luyện vào thực nghiệm realtime
Hình 3.45 Xuất mô hình ra workspace để sử dụng cho việc áp dụng thực tế
Tiếp theo đó, để có thể sử dụng mô hình vừa huấn luyện trong ứng dụng của SIMULINK, thì một thao tác truy cập trực tiếp đến giải thuật đã huấn luyện thông qua kiểu dữ liệu cấu trúc của mô hình, và save giải thuật mô hình lại từ workspace là cần thiết (chi tiết đoạn chương trình thực thi như hình Hình 3.46)
Hình 3.46 Chương trình để truy xuất giải thuật và lưu lại mô hình đã được huấn luyện từ Classification Learner để áp dụng thực tế
KẾT QUẢ THỰC NGHIỆM
KẾT QUẢ THỰC NGHIỆM PHÁT HIỆN LỖI TRÊN VAN DỰA TRÊN PHƯƠNG PHÁP XÂY DỰNG ĐƯỜNG ĐẶC TUYẾN
Mục 4.2 : Trình bày kết quả thực nghiệm phát hiện lỗi trên van dựa trên giải thuật mô hình tham chiếu chuẩn
Mục 4.3 : Trình bày kết quả thực nghiệm phát hiện lỗi trên van dựa trên giải thuật Machine Learning
Mục 4.4 : Trình bày tổng kết, phân tích và đánh giá các kết quả thực nghiệm
4.1 KẾT QUẢ THỰC NGHIỆM PHÁT HIỆN LỖI TRÊN VAN DỰA TRÊN PHƯƠNG PHÁP XÂY DỰNG ĐƯỜNG ĐẶC TUYẾN
Mô tả chương trình áp dụng phương pháp phát hiện lỗi trên van dựa trên đường đặc tuyến
Hình 4.1 Chương trình xây dựng trên SIMULINK để áp dụng phương pháp phát hiện lỗi trên van dựa trên đường đặc tuyến theo thời gian thực
Hình 4.2 Chương trình tính toán bên trong khối (a): dectionFailByCharLine, (b)
Một chương trình được xây dựng trên SIMULINK để áp dụng phương pháp phát hiện lỗi trên van dựa trên đường đặc tuyến theo thời gian thực được xây dựng như ở Hình 4.1 Trong đó, đoạn chương trình để mô tả cho đặc tuyến để tính toán áp suất chuẩn đầu ra dựa trên trên đầu vào là vị trí của van và hàm đặc tuyến (hàm tuyến tính bậc nhất tìm được đã trình bày ở mục 3.2 trong nghiên cứu
Hình 4.3 Lưu đồ giải thuật phát hiện lỗi trên van dựa trên đường đặt tuyến
Kết quả chương trình áp dụng phương pháp phát hiện lỗi trên van dựa trên đường đặc tuyến
Hình 4.4 Kết quả thực nghiệm nghiệm phát hiện lỗi trên van dựa trên phương pháp dựa trên đường đặc tuyến (chạy lần 1)
Thiết lập chương trình kiểm tra lỗi van tự động thời gian thực liên tục, với lần chạy thử 1 và 2 cho kết quả như Hình 4.4 và Hình 4.5 Thí nghiệm ban đầu cho thấy thuật toán dựa trên đường đặc tính van giúp phát hiện trạng thái van chính xác theo thời gian thực Cụ thể, độ chính xác đạt 74,6% ở lần chạy thứ nhất và 76,3% ở lần thứ hai.
Qua thử nghiệm thực nghiệm, phương pháp phát hiện lỗi van dựa trên đường đặc tuyến đạt độ chính xác trung bình 75,45% Tuy nhiên, hạn chế của phương pháp là chỉ xác định được lỗi chung của van chứ không phân loại được cụ thể loại lỗi nào.
Kết quả thực nghiệm phát hiện
Hình 4.5 Kết quả thực nghiệm nghiệm phát hiện lỗi trên van dựa trên phương pháp dựa trên đường đặc tuyến (chạy lần 2)
KẾT QUẢ THỰC NGHIỆM PHÁT HIỆN LỖI TRÊN VAN DỰA TRÊN GIẢI THUẬT MÔ HÌNH THAM CHIẾU CHUẨN
Hình 4.6 Chương trình được xây dựng trên SIMULINK để áp dụng giải thuật mô hình tham chiếu chuẩn để pháp hiện lỗi trên van theo thời gian thực
Hình 4.7 Lưu đồ giải thuật phát hiện lỗi trên van dựa trên mô hình tham chiếu chuẩn
Dựa trên các mô hình tham chiếu chuẩn đã xây dựng, thiết lập chương trình để chạy phát hiện lỗi trên van theo thời gian thực trên Simulink như ở Hình 4.6 Thực hiện chạy kiểm tra kết quả phát hiện lỗi, ở lần chạy thử nghiệm 1 và 2 cho ra các kết quả tương ứng lần lượt như ở Hình 4.8 và Hình 4.9
Kết quả thực nghiệm ban đầu cho thấy, giải thuật dựa trên mô hình tham chiếu chuẩn của van được áp dụng thực thi để phát hiện trạng thái van trong thời gian thực với độ chính xác đạt yêu cầu đầu bài đã đề ra, mà cụ thể là ở lần 1 có kết quả là 72.7% và ở lần 2 là 74,7%
Như vậy, sau hai lần chạy thử trong nghiên cứu thực nghiệm ở phương pháp phát hiện lỗi trên van dựa trên mô hình tham chiếu chuẩn có độ chính xác trung bình là 73,7%, nhược điểm của giải thuật này vẫn là không cho kết quả phân loại van đang bị lỗi gì mà chỉ biết van có bị lỗi hay không
Hình 4.8 Kết quả thực nghiệm nghiệm phát hiện lỗi trên van dựa trên phương pháp mô hình chuẩn (chạy lần 1)
Hình 4.9 Kết quả thực nghiệm nghiệm phát hiện lỗi trên van dựa trên phương pháp mô hình chuẩn (chạy lần 2)
Kết quả trung bình của 2 lần chạy: 73.7%
KẾT QUẢ THỰC NGHIỆM PHÁT HIỆN LỖI TRÊN VAN DỰA TRÊN GIẢI THUẬT MACHINE LEARNING
Mô tả chương trình áp dụng phương pháp phát hiện lỗi trên van dựa trên giải thuật Machine Learning
Hình 4.10 Chương trình được xây dựng trên SIMULINK để áp dụng giải thuật
Machine Learning để pháp hiện lỗi trên van theo thời gian thực
Hình 4.11 Lưu đồ giải thuật phát hiện lỗi trên van sử dụng Machine Learning
Chương trình để áp dụng giải thuật Machine Learning để pháp hiện lỗi trên van theo thời gian thực được xây dựng trên SIMULINK được thiết kế như ở Hình 4.10, với phần lõi nằm ở khối Matlab Function có tên “predictValveStatus” (nội dung chương trình được thể hiện như Hình 4.12, nó cho phép load mô hình Machine Learning – Ensemble Bagged Tree đã được huấn luyện và lưu lại được đề cập ở mục 3.4.4 Trong đó, ngõ và là một vector 4x1 đặc trưng tương ứng với travel feedback, áp suất điều khiển van, dòng điện, setpoint của bộ postioner
Hình 4.12 Chương trình bên trong khối “predictVavleStatus”, dung cho tải mô hình
Hình 4.13 Bên trong khối tính toán quy đổi trạng thái valve tương ứng
Ngoài ra, cần sử dụng khối tính toán đơn giản, nhanh chóng để chuyển đổi giá trị trạng thái phản hồi hỏng hóc của van tương ứng với các trạng thái sau:- 1: Van ở trạng thái bình thường- 2: Van ở trạng thái Fail Air- 3: Van ở trạng thái Fail Friction
Hình 4.14 Kết quả thực nghiệm nghiệm phát hiện lỗi trên van dựa trên giải thuật
Sau hai lần chạy thử nghiệm, thuật toán Machine Learning ứng dụng trong quá trình phát hiện trạng thái van đạt độ chính xác tương đối cao Kết quả lần chạy thứ nhất có độ chính xác là 72,6%, trong khi lần chạy thứ hai đạt 75,8%.
Như vậy, sau hai lần chạy thử trong nghiên cứu thực nghiệm ở phương pháp phát hiện lỗi trên van sử dụng giải thuật Machine Learning này có độ chính xác trung bình là 74,2%
Hình 4.15 Kết quả thực nghiệm nghiệm phát hiện lỗi trên van dựa trên giải thuật
TỔNG KẾT, PHÂN TÍCH VÀ ĐÁNH GIÁ CÁC KẾT QUẢ THỰC NGHIỆM
Kết quả các phương pháp phát hiện lỗi trên van đã thực nghiệm được trình bày ở Bảng 4.1 Kết quả thực nghiệm của các phương pháp phát hiện lỗi trên van Trong đó Machine Learning có ưu điểm nhất do phân loại được lỗi trên van điều khiển thuộc loại lỗi nào và độ chính xác cũng gần tương đương so với các phương pháp khác Machine learning có khả năng phân loại lỗi chưa cao một phần do khi tạo ra lỗi chủ động thì bộ định vị của van đã có sự điều chỉnh van về trạng thái hoạt động bình thường dẫn đến khả năng phân loại lỗi bị giảm
Bảng 4.1 Kết quả thực nghiệm của các phương pháp phát hiện lỗi trên van
Phương pháp phát hiện lỗi Độ chính xác (%) (*)
Khả năng phân loại lỗi Đánh giá Ưu điểm Nhược điểm Đặc tuyến
75,4 Không Giải thuật đơn giản, dễ áp dụng
Không phân biệt được lỗi thuộc loại nào
MRAC 73.7 Không Khả năng phát hiện được lỗi tốt
Không phân biệt được lỗi thuộc loại nào
74.2 Có Phân loại được lỗi trên van
Khả năng phát hiện lỗi chưa cao, dễ bị nhiễu dẫn đến phán đoán sai lỗi