Luận văn thiết kế một ứng dụng nhằm điều khiển, giám sát, thu thập dữ liệu, ước lượng tham số hệ phi tuyến, giám sát và phát hiện các bất thường đang xảy ra với hệ phi tuyến, qua đó giúp
Tổng quan
Tổng quan
Trong giai đoạn từ cuối thế kỉ XX đến nay, nhu cầu về các quá trình công nghiệp có hiệu suất cao nổi lên một cách mạnh mẽ trong các hệ thống phức hợp và sản xuất Vì vậy, vấn đề giám sát hệ thống trở thành yếu tố then chốt để đạt được chất lượng sản phẩm tốt nhất Trong đó, hoạt động chẩn đoán hệ thống là một trong những nhiệm vụ chính của giám sát viên trong quá trình vận hành Vấn đề đầu tiên và cũng là vấn đề quan trọng nhất trong chẩn đoán hệ thống là việc phát hiện sự biến đổi về chức năng của hệ thống thông qua giám sát trạng thái của hệ thống cảm biến, cơ cấu chấp hành cũng như các biến động khác về cấu trúc hệ thống
Ngày nay, ngày càng có nhiều bộ công cụ được xây dựng trên nền tảng các thuật toán khác nhau nhằm phân tích dữ liệu hệ thống một cách hiệu quả nhất Trong đó có thể kể đến một số công cụ như PCA (Principal Component Analysis), KPCA (Kernel Principal Component Analysis), MD (Mahalabonics distances), SVM (support vector machine), OCSVM (one-class support vector machine), EE (elliptic envelop), LSTM – AE (Long Short Term Memory and dense auto-encoder),… Các phương pháp trên đều có ưu, nhược điểm và ứng dụng riêng biệt tùy theo đặc điểm hệ thống và hướng nghiêm cứu Trong đó học viên tạm chia các phương pháp này vào 3 nhóm dựa theo đặc điểm về thuật toán được sử dụng Nhóm 1 dựa trên phân tích số học (statistical analysis) bao gồm MD, EE, PCA và KPCA Nhóm 2 sử dụng kỹ thuật máy học (machine learning technique) bao gồm SVM và OCSVM Nhóm 3 áp dụng thuật toán học sâu (deep learning technique) gồm có AE, LSTM và AE-LSTM Tuy nhiên, các thuật toán dựa trên phân tích số học (phổ biến nhất là PCA và KPCA) và kỹ thuật máy học luôn được ứng dụng rộng rãi trong thực tế vì khả năng đáp ứng cho nhiều lĩnh vực đặc biệt là ứng dụng mạng ANN trong chẩn đoán và nhận dạng các quá trình công nghệ đang có sự phát triển mạnh trong những năm gần đây
Học viên: Huỳnh Duy An 2 MSHV:2070152
Hình 1.1 Các phương pháp biến đổi dữ liệu
Tình hình nghiên cứu trong và ngoài nước
PCA (hay principal component analysis) thuần túy là kỹ thuật tuyến tính hóa được sử dụng phổ biến trong giám sát quá trình và chẩn đoán lỗi hệ thống (Qin-2003) Mục tiêu của thuật toán là tìm ra các trục toạ độ sao cho tối đa phương sai của bộ dữ liệu, qua đó sự hiện diện của bất kì bất thường hay lỗi nào cũng dễ dàng được tìm ra dựa trên mô hình chuẩn cụ thể được đề xuất Năm 2010, Thamara Villegas Berbesi [17] và các cộng sự đã xây dựng mô hình phát hiện lỗi dùng công cụ PCA cơ bản và áp dụng thành công cho hệ thống bồn nước đôi trong thực tế Tiếp nối thành công trên, Harru [18] và nhóm nghiên cứu (2013) đã phát triển phương pháp mới dựa trên PCA cổ điển để cải thiện khả năng phát hiện lỗi khi không có mô hình của đối tượng Trong nghiên cứu này, dựa trên kỹ thuật PCA tổng quát, tác giả đã sử dụng kết quả kiểm tra GLR cho việc phát hiện lỗi và kiểm nghiệm dựa trên mô hình CSTR (hệ thống bồn khuấy nhiệt liên tục) Đến năm 2018, T.Ait [19] và các thành viên trong nhóm đã áp dụng mô hình PCA ngược (interval PCA ) trong giám sát quá trình mà cụ thể là phát hiện và cô lập lỗi cho hệ thống cảm biến phức tạp Gần đây nhất, mô hình PCA có mức ngưỡng thích nghi (ATPCA) được đề xuất bởi Tarek Ait-Izem [20] và công sự (2021) đã mở ra hướng nghiên cứu mới dựa trên mô hình PCA cổ điển
Học viên: Huỳnh Duy An 3 MSHV:2070152 cho hệ thống phi tuyến Trong nghiên cứu này, tác giả đã xây dựng và áp dụng thành công mô hình phát hiện và cô lặp lỗi cho hệ thống Tennessee Eastman
Tuy nhiên các hệ thống trong thực tế đều có tính phi tuyến cao Vì vậy, để khắc phục nhược điểm này, dựa trên thuật toán PCA thuần túy, mô hình KPCA (Kernel Principal Component) được sử dụng với ý tưởng là phép biến đổi phi tuyến nhằm sắp xếp dữ liệu trên không gian bậc cao nhiều chiều để sao cho kỹ thuật PCA có thể được áp dụng ở bước tiếp theo nhằm chẩn đoán lỗi hệ thống Viet Ha Nguyen [8] (2010) và cộng sự đã giải quyết vấn đề phát hiện lỗi trong hệ thống cơ khí dựa trên phương pháp KPCA Tương tự, Majdi Mansouri [7] và Mohamed Nounou (2016) đã đề xuất mô hình phát hiện lỗi trong qui trình hóa học thông qua đánh giá chỉ tiêu
T 2 và Q Năm 2018, Mania Navi và nhóm nghiên cứu đã vận dụng hình cơ sở thuật toán PCA để phát triển thành mô hình KPCA thích nghi trong việc cô lập và phát hiện lỗi cảm biến trong tua-bin khí công nghiệp Ngoài ra, Raphael Tari Samuel [2] và YiCao (2016) đã đưa ra phương pháp kết hợp nhận dạng và phát hiện bất thường trong hệ thống bằng mô hình KPCA-KDE (Kernel Principal Components Analysis – Kernel Density Estimation) Gần đây, F.Bencheikh [21]và các thành viên trong nhóm (2020) đã áp dụng thành công mô hình RKPCA (Reduced Kernel PCA ) để phát hiện và chẩn đoán lỗi cho lò nung xi-măng Trong nghiên cứu này, phương pháp tính mới được đề xuất nhằm giảm thiểu việc tính toán phức tạp và không gian lưu trữ lớn khi hệ thống có tính phi tuyến cao chứa nhiều biến trạng thái so với phương pháp KPCA thuần túy Tuy việc sử dụng các kernel trong tính toán giúp cải thiện khả năng xử lí số liệu có dạng phi tuyến tuy nhiên độ chính xác của kết quả phụ thuộc hoàn toàn vào độ chính xác của dữ liệu Hơn thế nữa đối với biến động của mô hình thực tế sẽ rất khó để có thể đưa một một bộ phân lớp lỗi cho một trường hợp cụ thể Để giải quyết vấn đề mô hình máy học với nhiều phương pháp xây dựng khác nhau đã được đề xuất P.jiang [22] (2016) đã giới thiệu mô hình “ Active neural network” để chẩn đoán quá trình hóa học dưa vào dữa liệu phản hồi từ cảm biến Tương tự H.Wu [23], (2018) phát triển mô hình mạng CNN (convolutional neural network) phát hiện lỗi cho qui trình công nghệ,… Tuy nhiên, các mô hình máy học đòi hỏi người xây dựng phải có hiểu biết đầy đủ về hệ thống nhằm đưa ra nhận dạng và cô lặp chính xác cho
Học viên: Huỳnh Duy An 4 MSHV:2070152 từng loại lỗi xảy ra Với một hệ thống mới được xây dựng thì gần như rất khó để chúng ta có thể xây dựng bộ phân lớp lỗi chính xác nhưng chúng ta hoàn toàn có thể phát hiện lỗi xảy ra dựa vào mô hình KPCA ở trên Qua đó cho thấy việc ứng dụng kết hợp phương pháp số và máy học để chẩn đoán các bất thường trong hệ thống là khả thi và có khả năng ứng dụng cao trong thực tế.
Mục tiêu đề tài
Trong phạm vi luận văn nghiên cứu này, học viên đề xuất mô hình KPCA kết hợp mạng ANN nhằm giám sát trạng thái hoạt động cho hệ thống công nghiệp Trong đó mô hình hệ bồn nước gia nhiệt sẽ được khảo sát vì đây là hệ thống có tính phi tuyến cao phù hợp để nghiên cứu, triển khai và kiểm chứng các thuật toán cho các mô hình khác trong thực tế Luận văn thiết kế một ứng dụng điều khiển, giám sát, thu thập dữ liệu, ước lượng tham số hệ phi tuyến, giám sát và phát hiện các bất thường đang xảy ra với hệ phi tuyến, qua đó giúp cho việc giám sát, bảo trì hệ thống dễ dàng, nhanh chống hơn Luận văn ứng dụng các kiến thức trong lập trình điều khiển cho PLC, lập trình HMI, mạng truyền thông công nghiệp OPC UA, lập trình Matlab, thiết kế ứng dụng trên Matlab AppDesigner sẽ nêu rõ hơn trong các phần nội dung sau của đề tài
Hình 1.2 Mô hình giám sát và chẩn đoán hệ thống thực tế
Cơ sở lí thuyết
Cơ sở toán học, phân biệt hai thuật toán PCA và KPCA , ứng dụng trong chẩn đoán và phát hiện lỗi hệ thống
2.1.1 Thuật toán PCA (Principal Component Analysis)
Học viên: Huỳnh Duy An 5 MSHV:2070152 a) Giới thiệu:
Thuật toán giảm chiều dữ liệu là một trong những công cụ được sử dụng rộng rãi trong các mô hình ứng dụng machine learning Các vector đặc trưng của các đối tượng trong thực tế có thể có chiều rất lớn đặc biệt ở các quá trình công nghệ trong công nghiệp do sự phát triển của công nghệ đo lường công nghiệp và điều khiển Do đó, điều rất quan trọng là giảm số lượng chiều của dữ liệu thông qua quá trình biểu diễn các tập dữ liệu này trong một hệ thống không gian mới mà vẫn giữ được hầu hết các đặc tính của dữ liệu Đây cũng được coi là một kỹ thuật nén dữ liệu
Giảm chiều dữ liệu chính là đi tìm một hàm số sao cho với điểm dữ liệu ban đầu x R D với D rất lớn, chúng ta có thể biểu diễn điểm này thành một điểm dữ liệu mới z R K có số chiều K