Ứng dụng mô hình RBFNN để chẩn đoán sự cố trong hệ thống điều hòa không khí ô tô

Bài viết này trình bày về khả năng xấp xỉ của mô hình RBFNN đạt được độ chính xác cao và phương pháp đề xuất trong nghiên cứu này rất thiết thực cho việc phát hiện và chẩn đoán lỗi trong các hệ thống điều hòa không khí ô tô. Mời các bạn cùng tham khảo!

Tạp chí Khoa học Cơng nghệ, Số 40, 2019 ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ TRẦN ĐÌNH ANH TUẤN , PHAN QUỐC MINH Khoa Cơng nghệ Nhiệt lạnh, Trường Đại học Công nghiệp Thành phố Hồ Chí Minh trandinhanhtuan@iuh.edu.vn Tóm tắt Một mơ hình xác đóng vai trị thiết yếu để nâng cao độ xác chiến lược phát chẩn đốn lỗi điều hịa khơng khí tơ Do đó, mơ hình RBFNN áp dụng nghiên cứu để phản ảnh tình trạng vận hành hệ thống điều hịa khơng khí tơ Trong đó, chiến lược nghiên cứu bao gồm mơ hình RBFNN, phương pháp EWMA quy tắc chẩn đoán kết hợp phát triển nghiên cứu Phương pháp phát chẩn đoán (FDD) cố hệ thống điều hịa khơng khí tơ phát triển đánh giá qua liệu thí nghiệm mơ Kết nghiên cứu cho thấy khả xấp xỉ mơ hình RBFNN đạt độ xác cao phương pháp đề xuất nghiên cứu thiết thực cho việc phát chẩn đoán lỗi hệ thống điều hịa khơng khí tơ Từ khóa Mơ hình RBFNN, Phát lỗi chẩn đốn, điều hịa khơng khí tơ, Trung bình động có trọng số lũy thừa AN APPLICATION OF RBFNN FOR AUTOMOTIVE AIR CONDITIONING FAULT DETECTION AND DIAGNOSIS STRATEGY Abstract An accurate reference model plays an essential role in enhancing the accuracy rate of the automotive air conditioning fault detection and diagnosis strategy Thus, RBFNN model is adopted in this study to capture operating characteristics of the automotive air conditioning system Therein, a strategy includes the RBFNN model, EWMA method and a diagnosis rule is combined in this study The automotive air conditioning FDD strategy is tested and validated using the simulated experimental data Results of this study show that the approximation ability of RBFNN model achieves high accuracy and this proposed method is robust for fault detection and diagnosis in the automotive air conditioning systems Keywords RBFNN model, Fault detection and diagnosis (FDD), the automotive air conditioning, Exponentially weighted moving average (EWMA) TỔNG QUAN Ngày nay, thấy ô tô trở thành phương tiện thiếu người sinh hoạt hàng ngày Nhu cầu ô tô ngày tăng đó, ngược lại nhiên liệu cung cấp cho tơ ngày khan Do đó, việc tiết kiệm lượng trở thành chủ đề cấp thiết nhiều nghiên cứu thập niên qua[1] [2] [3] Các nhà khoa học Viện Hàn lâm Khoa học Quốc gia Hoa Kỳ cho thấy rằng, ô tô đối tượng tiêu thụ lượng lượng khổng lồ, với lượng nhiên liệu tiêu thụ năm lên tới 58% tổng nhiên liệu cung cấp Để hoạt động tốt, tơ có nhiều thiết bị hệ thống cần cung cấp lượng lượng đáng kể Trong số này, ngồi động tơ, hệ thống điều hịa khơng khí, thành phần thiếu việc đem lại thoải mái nhiệt độ ô tô, đòi hỏi nhiều lượng phận khác Khi hoạt động điều kiện gần hồn hảo, hệ thống điều hịa khơng khí cần cung cấp tới 30% tổng mức tiêu thụ nhiên liệu ô tô [2][3] Tuy nhiên, q trình hoạt động thực tế, có nhiều yếu tố bất lợi ảnh hưởng trực tiếp đến hoạt động hệ thống điều hịa khơng khí lỗi học, thói quen điều khiển từ người lái, thời tiết điều dẫn đến gia tăng mức tiêu thụ nhiên liệu hệ thống điều hịa khơng khí nói riêng hay tơ nói chung Do đó, © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh 132 ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ việc giám sát kiểm sốt việc tiêu thụ lượng hệ thống điều hịa khơng khí tơ trở thành chủ đề cấp thiết cho ngành công nghiệp ô tô Theo công trình nghiên cứu cơng bố [4][5], ước tính có khoảng 20-30% tiêu thụ lượng bị lãng phí cố thông số hoạt động khơng tối ưu hệ thống điều hịa khơng khí gây Sẽ tiết kiệm khoảng 10-30% lượng tiêu thụ cố hay tình trạng hoạt động hệ thống điều hịa khơng khí trạng thái tải thực phát chẩn đoán sớm[6] Do đó, để đạt mục đích này, việc phát triển phương pháp phát lỗi (FDD – Fault detection and diagnosis) có khả cảnh báo sớm cho người sử dụng cần thiết để giúp trì hệ thống điều hịa khơng khí ln ổn định tình trạng hoạt động bình thường, từ giúp nâng cao việc tiết kiệm chi phí vận hành Gần đây, có nhiều học giả thực nghiên cứu phát triển phương pháp phát cảnh báo sớm chẩn đoán cố hệ thống điều hịa khơng khí Nhìn chung, cách tương đối phân chia thành hai phương hướng nghiên cứu phát chẩn đoán lỗi (FDD) tiêu biểu là: phương pháp phát triển FDD dựa mô hình phương pháp phát triển FDD khơng có mơ hình Trong số đó, độ xác phương pháp FDD dựa mơ hình có phần vượt trội so với phương pháp FDD khơng dựa mơ hình Lý phương pháp FDD khơng dựa vào mơ hình, thường sử dụng cấu trúc đơn giản để thực chức giám sát, phản ánh tình trạng hoạt động hệ thống phi tuyến hệ thống điều hịa khơng khí (AC) Sự khơng phù hợp thường dẫn đến kết dự báo cung cấp thông tin thiếu độ xác Cịn phương pháp FDD dựa mơ hình đối tượng nhiều nghiên cứu nhiều năm qua, thường sử dụng mơ hình tốn học để phân tích mối quan hệ tác động qua lại biến đo lường dạng mô hình hồi quy (Regression model), phương pháp phân tích thành phần (Principal Component Analysis - PCA), phương pháp bình phương tối thiểu hồi quy véc tơ hỗ trợ (Least square Support Vector Regression-LSSVR), Kriging mạng nơ ron nhân tạo Chẳng hạn như, mơ hình hồi quy kết hợp phương pháp phân tích thống kê t-test nghiên cứu phát triển tác giả Fu cộng [7] để giám sát, dự đốn tình trạng “sức khỏe” hệ thống chiller Phương pháp PCA phát triển Fu cộng [8], Guo cộng [9] để phát chẩn đoán lỗi hệ thống VRF(Variable Refrigerant Flow) loại hệ thống điều hịa khơng khí sử dụng rộng rãi tòa nhà cao tầng Tương tự, việc thực phát chẩn đoán lỗi đề xuất loạt phương pháp bình phương tối thiểu hồi quy véc tơ hỗ trợ [10][5][11], phương pháp Kriging [12] Cùng với đó, phương pháp mạng nơ-ron nhân tạo (ANN) áp dụng rộng rãi lĩnh vực nghiên cứu khác năm gần [13][14][15] Kết đạt qua nhiều nghiên cứu liên quan đến ứng dụng ANN cho thấy rằng, phương pháp mạng nơ-ron nhân tạo có khả thực dự báo, phát chẩn đoán cố đạt độ xác cao, so với phương pháp thống kê truyền thống khác Do vậy, nghiên cứu này, tiến hành phát triển loại mơ hình trí tuệ nhân tạo mơ hình mạng nơ-ron xuyên tâm (RBFNN), loại trí tuệ nhân tạo nhằm nhận dạng đặc tính hoạt động đối tượng phi tuyến hệ thống điều hịa khơng khí tơ để phát chẩn đốn cố, tăng cường công tác tiết kiệm lượng PHƢƠNG PHÁP VÀ DỮ LIỆU THỰC NGHIỆM 2.1 Mơ hình tham chiếu RBFNN Trong nghiên cứu này, mơ hình miên RBF snh mien hàm sm xuyên tâm (sau gọi tắt RBFNN) đề xuất mơ hình tham chiếu lĩnh vực phát chẩn đoán cố Trong nhiều thập kỷ qua, RBFNN nghiên phát triển ứng dụng phổ biến lĩnh vực nghiên cứu quan trọng xấp xỉ hệ, phân loại, hồi quy, dự báo, xử lý tín hiệu khả thực RBFNN hiệu quả, xác Về cấu trúc bản, mơ hình RBFNN loại mạng có giải thuật thực thuộc dạng lan truyền thẳng với ba lớp gồm: lớp đầu vào, lớp ẩn lớp đầu (Hình 1) © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ Input layer Hidden layer 133 Output layer Input vectors X1 X2 Ŷ X3 n Hình Cấu trúc mạng RBFNN Đối với lớp đầu vào (input layer), chất lượng liệu đầu vào ảnh hưởng lớn đến tính xác trình huấn luyện, liệu vectơ đầu vào thường thực xử lý trước để loại bỏ liệu nhiễu trước đưa vào huấn luyện mạng RBFNN Số nơron lớp đầu vào tương ứng với số đặc trưng tập liệu Trong nghiên cứu này, lớp đầu vào tập hợp liệu gồm có 03 vectơ ba biến đầu độc lập (được trình bày mục sau) Lớp ẩn (lớp RBF – hidden layer) bao gồm hay nhiều lớp ẩn Mỗi nơ ron lớp ẩn có hàm sở xuyên tâm hàm phi tuyến đối xứng trung tâm dựa khoảng cách Euclide biểu thị ‖ ‖ Hàm sở đóng vai trị kích hoạt nhận loại hàm nội suy khác Multiquadric, Inverse multiquadric, Inverse quadratic, Gaussian Trong số đó, Gaussian RBF sử dụng phổ biến hàm sở xuyên tâm, hiển thị bên dưới: ‖ ( ) ‖ (1) ( ) (2) Trong đó, µi i ký hiệu tâm độ rộng trải nút thứ i Lớp đầu m đầu vectơ y = [y1, y2,…,ym] có nhờ kết hợp tuyến tính nút ẩn hay cịn gọi “khớp nơ-ron” Mỗi “khớp nơ-ron” gán trọng số (weight) Do đó, đầu RBFNN trình bày theo cơng thức sau: ( ) i trọng số khớp nơ-ron để mơ hình hóa mối liên hệ lớp đầu vào đầu xác định theo phương pháp bình phương nhỏ trình huấn luyện 2.2 Lựa chọn lỗi lỗi thử nghiệm mô Như trình bày phần trên, việc phát lỗi hệ thống điều hịa khơng khí (AC) tơ đóng vai trị quan trọng việc sớm nhận diện tình trạng làm việc hệ thống có tình trạng hoạt động tốt hay khơng, từ có cảnh báo sớm đưa biện pháp khắc phục kịp thời đồng nghĩa hỗ trợ công tác quản lý tiết kiệm lượng tiêu thụ Thông thường, hệ thống AC có nhiều lỗi xuất lúc mà khơng có báo trước Các loại lỗi phân loại theo nhiều dạng khác Tuy nhiên phạm vi nghiên cứu này, phân loại cách tương đối, loại lỗi tạm chia thành hai dạng là: loại lỗi xuất đột ngột loại lỗi xuất Trong thực tế, trường hợp cố đột ngột máy nén bị khóa, cuộn máy nén từ bị cháy, đường ống bị vỡ xử lý dễ dàng triệu chứng tín hiệu chúng rõ ràng, dễ nhận biết Và lý đó, dạng lỗi xuất đột ngột đối tượng nghiên cứu báo Ngược lại, lỗi diễn biến cách âm thầm thời gian dài, tín hiệu xuất để nhận biết khó khăn, chẳng hạn © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh 134 ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ việc rị rỉ mơi chất lạnh, xuất khí khơng ngưng tụ hệ thống, tắc nghẽn thiết bị bay hơi, tắc nghẽn thiết bị ngưng tụ thường diễn cách âm thầm khó phát thơng thường phát dạng lỗi mức độ thực nghiêm trọng Điều có nghĩa hệ thống AC phải đối mặt tình trạng hoạt động khác mức bình thường, hiệu gây nên tình trạng lãng phí lượng cung cấp cho hệ thống Do nghiên cứu tiến hành nghiên cứu phát triển phương pháp phát loại lỗi “dần dần” Trong số loại lỗi này, có loại lỗi rị rỉ mơi chất lạnh tắc nghẽn thiết bị ngưng tụ hệ thống điều hịa khơng khí ô tô chọn đối tượng khảo sát nghiên cứu báo với lý tần suất xuất thường xuyên điều kiện Việt Nam 2.3 Dữ liệu phƣơng pháp thí nghiệm Để có liệu cung cấp cho phương pháp nghiên cứu phát chẩn đoán lỗi đề xuất dựa RBFNN, nghiên cứu tiến hành thực xây dựng hệ thống mô với quy mô mức độ phịng thí nghiệm Hệ thống mơ thí nghiệm hệ thống điều hịa khơng khí tơ bao gồm thiết bị máy nén lạnh tô truyền động qua dây đai, thiết bị ngưng tụ làm mát khơng khí, thiết bị bay trao đổi nhiệt kiểu khơng khí, van tiết lưu nhiệt lắp đặt để mô thu thập liệu lỗi cho việc phát triển đánh giá phát chẩn đoán lỗi theo phương pháp đề xuất Các dạng lỗi rị rỉ mơi chất lạnh, thiết bị ngưng tụ bị tắc nghẽn bám bụi bẩn mô lỗi với điều kiện lỗi đưa Bảng Loại lỗi Không lỗi Rị rỉ mơi chất lạnh 0% Thiết bị ngưng tụ tắc 0% Bảng Phương pháp mô lỗi Mức độ lỗi xảy Mức Mức Mức Mức Phƣơng pháp mô lỗi % giảm lượng môi chất lạnh vào hệ -5% -10% -20% -30% thống Sử dụng VCD điều tiết lưu lượng -10% -20% -30% -40% khơng khí Dữ liệu khơng có lỗi có lỗi bao gồm hệ thống hoạt động trạng thái chưa ổn định trạng thái ổn định thiết bị PNTECH CONTROLS DDC-C46 thu thập chuyển tiếp đến máy tính thơng qua đường truyền dẫn Modbus RTU 485 với khoảng thời gian truy xuất mẫu giây lần Để tăng cường tính xác khả dự báo mơ hình tham chiếu, chất lượng liệu đóng vai trị quan trọng q trình huấn luyện mơ hình tham chiếu RBFNN Do đó, theo nguyên lý thống kê, liệu thô cần phải xử lý lọc “bộ xử lý liệu” “cửa sổ trượt” (moving window ) thiết lập giá trị ba lần độ lệch chuẩn với 10 mẫu liền kề để kiểm tra loại bỏ liệu lộn xộn (là điểm liệu nằm cửa sổ lọc) Dữ liệu sau trình lọc (dữ liệu tinh) chia thành tập liệu khác gồm tập liệu huấn luyện, tập liệu đánh giá tập liệu kiểm tra nghiên cứu Theo lý thuyết thống kê, liệu tốt loại liệu phù hợp với phương pháp đề ra, nghĩa liệu nghiên cứu gần với tính chất phân phối chuẩn góp phần nâng cao lực dự đoán chiến lược FDD Tuy nhiên, số cách tiếp cận nghiên cứu công bố [5][16], thực phát triển phương pháp phát chẩn đoán cố dừng giả định liệu phục vụ nghiên cứu kiểu liệu thuộc phân phối chuẩn mà khơng có tiến hành thực chứng minh Điều dẫn đến kết đạt thuyết phục Do đó, phạm vi nghiên cứu này, liệu thu thập tiến hành phân tích kiểu phân phối liệu có thỏa phân phối chuẩn hay không Công cụ thực đánh giá loại liệu thường sử dụng phổ biến biểu đồ mật độ xác suất thể hình Theo hình 2, liệu sử dụng cho trình huấn luyện mạng RBFNN sử dụng q trình tiến hành phân tích kiểu phân phối liệu Từ biểu đồ nhận thấy biểu đồ tần số histogram tương ứng với dạng đường cong hình chng, chứng tỏ liệu huấn luyện thu thập gần với phân phối chuẩn © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ 135 Residuals Histogram Mean 3000 2500 2000 1500 1000 0.4813 0.4304 0.3796 0.3287 0.227 0.2778 0.1761 0.1253 0.0744 0.02354 -0.02733 -0.129 -0.07819 -0.1799 -0.2308 -0.2816 -0.3325 -0.3834 -0.4342 -0.4851 500 Residuals Hình Đồ thị phân phối CẤU TRÚC CƠ BẢN CỦA CHIẾN LƢỢC FDD Truy xuất liệu từ hệ thống Dữ liệu huấn luyện (không lỗi) Bộ xử lý số liệu + Bộ xử lý số liệu Giá trị tham số đặc tính từ mơ hình RBFN Tính đo tham số đặc tính Phát cố HUẤN LUYỆN RBFNN Xác định tham số đặc tính Mơ hình RBFNN huấn luyện - Xử lý số liệu Xử lý số liệu PHÁT HIỆN CHẨN ĐOÁN Phát triển mơ hình Giá trị dư tham số đặc tính Vùng giới hạn kiểm sốt lỗi Vượt ngưỡng? Xác định vùng giới hạn kiểm soát lỗi sai Chẩn đoán Đúng Bộ quy luật lỗi Kết FDD Hình Cấu trúc thực chẩn đốn phương pháp đề xuất Cấu trúc chiến lược phát chẩn đoán (FDD) đề xuất nghiên cứa mơ tả vắn tắt hình Qua hình dễ nhận thấy có hai thành phần q trình thực hiện, tức q trình huấn luyện mơ hình RBFNN q trình kiểm tra đánh giá FDD Việc huấn luyện mơ hình tham chiếu bao gồm bốn bước: xử lý liệu, xác định tham số đặc tính (FP), phát triển mơ hình tham chiếu xác định ngưỡng lỗi Việc lựa chọn tham số đặc tính liên quan đến lỗi có vai trị định độ tin cậy độ nhạy chiến lược FDD hệ thống AC Chúng phải © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh 136 ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐOÁN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ có ý nghĩa vật lý nhạy cảm với lỗi liên quan để phản ánh xác thơng tin trạng thái “sức khỏe” hệ thống AC Do đó, tham số đặc tính, T cd (nhiệt độ ngưng tụ) Tsc (nhiệt độ lạnh) chọn đầu mơ hình mạng RBFNN có khả nhạy cảm với tắc nghẽn ngưng tụ rò rỉ mơi chất lạnh nghiên cứu Mơ hình mạng RBFNN hai tham số đặc tính có dạng Yi(Tcd ; Tsc )= f (Qev, Tce, T co) có ba biến độc lập, tức tải lạnh Qev, nhiệt độ khơng khí vào thiết bị ngưng tụ Tce nhiệt độ khơng khí thiết bị ngưng tụ Tco Trong trình kiểm tra đánh giá phần mơ hình RBFNN huấn luyện, bước xử lý liệu thực tương tự phần huấn luyện mơ hình mạng RBFNN Trong đó, giá trị phần dư chênh lệch giá trị xuất từ mơ hình mạng giá trị thu thập (hoặc tính tốn) thực nghiệm, đầu vào mơ hình trung bình động có trọng số lũy thừa (EWMA) để xác định ngưỡng lỗi Trong thống kê, EWMA công cụ hữu ích thường sử dụng để phát thay đổi dù nhỏ quy trình kiểm sốt chất lượng thống kê Trong số nghiên cứu trước [5] [11], EWMA áp dụng ưu điểm Việc xác định ngưỡng lỗi bao gồm giới hạn kiểm soát xác định theo công thức (3&4): ( ( (3) ) (4) ) L chiều rộng giới hạn kiểm soát với mức độ tin cậy thống kê Việc lựa chọn giá trị độ rộng cho giới hạn kiểm sốt khía cạnh quan trọng chiến lược FDD Vì thỏa hiệp độ nhạy chiến lược FDD khả cảnh báo sai Tăng độ rộng ngưỡng làm giảm cảnh báo sai tác động giảm độ nhạy phương pháp FDD ngược lại Trong nghiên cứu này, độ rộng giới hạn kiểm soát L đặt (tức mức độ tin cậy theo thống kê 99,73%) độ lệch chuẩn giá trị phần dư 0 giá trị trung bình phần dư Nếu giá trị phần dư nằm vùng biểu đồ giới hạn kiểm sốt, nghĩa hệ thống hoạt động hồn tồn bình thường khơng có lỗi xuất Trái lại, giá trị phần dư nằm bên vùng ngưỡng, nghĩa lỗi phát hiện, loại lỗi xác định, thông qua quy luật lỗi bảng Bộ quy luật bảng xây dựng dựa tác động lỗi tham số đặc tính Chẳng hạn, lỗi tắc nghẽn bẩn ngưng tụ thuộc loại lỗi vật lý Trong đó, tốc độ truyền nhiệt tỷ lệ thuận với diện tích bề mặt có liên quan thiết bị ngưng tụ Khi xảy tượng tắc nghẽn ngưng tụ, diện tích bề mặt truyền nhiệt cho q trình ngưng tụ giảm Do đó, lỗi xuất tác động trực tiếp đến Tcd làm tăng lên Đối với rò rỉ môi chất lạnh, việc thiếu chất làm lạnh hệ thống AC tạo nên áp suất ngưng tụ nhiệt độ ngưng tụ thấp hơn, dẫn đến Tsc nhỏ Bảng Bộ quy luật lỗi Fault types Condenser fouling Refrigerant leakage Symptom of feature parameters Tcd Tsc   Trong ký hiệu “” or “” để biểu thị khuynh hướng tăng hay giảm tham số đặc tính cố xảy Cịn ký hiệu, “-“, biểu thị tham số đặc tính khơng bị tác động bị tác động không rõ ràng cố PHƢƠNG PHÁP ĐÁNH GIÁ MƠ HÌNH Việc đánh giá mơ hình tham chiếu nhiệm vụ cần thiết chiến lược FDD để xác định thành cơng mơ hình Vì lý này, hai cơng cụ đo độ xác mơ hình sử dụng phổ biến nhiều nghiên cứu hệ số tương quan R2 sai số tuyệt đối trung bình (MAE) sử dụng nghiên cứu xác định theo công thức (5) (6), sau: © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ ∑ ∑ | ( | ) ⁄∑ ( ) 137 (5) (6) yi giá trị tính/đo dự đốn tham số tính ith,  độ lệch chuẩn n số điểm mẫu Giá trị hệ số tương quan R2 lớn giá trị MAE nhỏ chứng tỏ mơ hình thực với độ xác cao KẾT QUẢ THỰC HIỆN VÀ THẢO LUẬN 5.1 Đánh giá mơ hình tham chiếu Sau thực lọc liệu đề cập phần trước, tập liệu sử dụng cho trình huấn luyện mơ hình RBFNN cịn lại có khoảng 400 điểm liệu sử dụng để đánh giá độ xác mơ hình tham chiếu Dựa công thức (5) (6), giá trị hệ số tương quan R2 MAE tham số Tcd 0.99308 0.000054, tham số Tsc 0.99964 0.000565 Dễ thấy giá trị hệ số tương quan R2 hai tham số Tcd Tsc cao, giá trị MAE nhỏ thực RBFNN, điều có nghĩa mơ hình RBFNN thực tốt Năng lực xấp xỉ mơ hình RBFNN thể Hình so sánh giá trị liệu thu thập từ thí nghiệm kết giá trị đạt thực dự báo mơ hình RBFNN Qua dễ nhận thấy sai lệch giá trị thí nghiệm thu giá trị dự báo mơ hình RBFNN 10.20 Giá trị nhiệt độ Tsc [0C] 10.10 10.00 9.90 9.80 9.70 9.60 9.50 9.40 9.30 Giá trị đo 9.20 51 101 151 201 Mẫu 251 301 Giá trị dự báo 351 401 Hình Đồ thị so sánh giá trị dự báo mơ hình với giá trị đo thực 5.2 Kết thực FDD Như nói trên, kết phát chẩn đoán chúng thỏa mãn quy tắc chẩn đốn lỗi trình bày bảng Tức là, trường hợp hệ thống hoạt động với tình trạng khơng có lỗi, điểm mẫu phải nằm bên vùng giới hạn Đối với lỗi thiết bị ngưng tụ bị tắc nghẽn, tín hiệu điểm mẫu Tcd phải vùng cao đường giới hạn kiểm soát Tương tự, hệ thống xảy cố lỗi rị rỉ mơi chất, tín hiệu điểm mẫu Tsc thấp đường giới hạn kiểm soát Các kết việc thực FDD dựa mơ hình RBFNN trường hợp hệ thống hoạt động trạng thái không lỗi xuất lỗi minh họa Hình Trong hình này, đường màu đỏ kết giới hạn kiểm soát xác định theo công thức (3) (4) mức độ tin cậy 99,73% Trục x tương ứng với mẫu liệu thông thường thứ tự tăng dần mức độ nghiêm trọng lỗi theo hướng từ trái sang phải Trục y tương ứng với phần dư tham số đặc tính thu từ mơ hình RBFNN Phần dư hai tham số tính năng, tức Tcd T sc, mô tả màu xanh đen Mặc dù số liệu sử dụng cho nghiên cứu xử lý Tuy nhiên đặc điểm hệ thống điều hịa khơng khí © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ 138 tơ khơng có tính ổn định cao có sai số cảm biến nhiệt độ trình thực thu thập liệu Điều có nghĩa liệu nhiễu ln có khơng phản ánh tình trạng hệ thống Do nghiên cứu thực kết hợp phương pháp trung bình động đơn giản (simple moving average) nhằm xác định xu hướng liệu Màu vàng đường trung bình động đơn giản nghiên cứu 0.8 0.7 Giá trị dƣ Tcd [oC] 0.6 0.5 0.4 0.3 0.2 0.1 -0.1 -0.2 50 Ngưỡng Ngưỡng 100 150 Giá trị dư Tcd 200 Trung bình động đơn giản 250 Mẫu (a) 0.04 Giá trị dƣ Tsc [ oC] 0.02 -0.02 -0.04 -0.06 -0.08 -0.1 50 100 Ngưỡng 150 Ngưỡng 200 250 Giá trị dư Tsc 300 350 400 Trung bình động đơn giản Mẫu (b) Hình Các kết thực phát chẩn đốn: (a) Tín hiệu Tcd thiết bị ngưng tụ hệ thống bị tắc bẩn (b) Tín hiệu Tsc thống bị rị rỉ mơi chất Từ hình 5, dễ dàng tìm thấy tất phần dư T cd gần phần dư Tsc nằm bên vùng giới hạn kiểm tra hệ thống hoạt động trạng bình thường Chỉ có số dư Tsc © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ 139 vượt q giới hạn kiểm tra Do đó, tỷ lệ chẩn đốn xác 100% cho Tcd, 98% cho Tsc Đối với trình đánh giá phát chẩn đoán lỗi thiết bị ngưng tụ bị tắc bẩn hệ thống bị rò rỉ môi chất, rõ ràng tất giá trị phần dư Tcd Tsc nằm vùng giới hạn kiểm tra Cụ thể, tất giá trị phần dư Tcd cao đường giới hạn kiểm soát tất giá trị phần dư T sc thấp đường giới hạn kiểm soát Những kết cho thấy hiệu suất thực phát chẩn đoán phương pháp đề xuất đạt 100% tỷ lệ chẩn đốn xác triệu chứng chúng hồn tồn phù hợp với quy tắc chẩn đoán nêu Do đó, phát biểu ràng phương pháp đề xuất có đầy đủ khả phát chẩn đoán lỗi đề xuất hệ thống điều hịa khơng khí tơ KẾT LUẬN Trong báo này, phương pháp sử dụng mô hình RBFNN phát triển thực phát chẩn đốn cố (FDD) hệ thống điều hịa khơng khí tơ cách xác hiệu Trong đó, biểu đồ kiểm sốt theo phương pháp EWMA sử dụng để thiết lập vùng giới hạn kiểm tra phát lỗi mức 99.73% độ tin cậy theo nguyên lý thống kê Hai số đo lường độ xác mơ hình hệ số tương quan R2 sai số tuyệt đối trung bình (MAE) sử dụng để đánh giá độ xác mơ hình tham chiếu Qua giá trị hai số đo lường này, cho thấy độ xác mơ hình RBFNN cao, chứng tỏ RBFNN có khả dự đốn tốt chiến lược FDD Nghiên cứu tiến hành thực nghiệm thu thập liệu hai loại lỗi điển hình hệ thống điều hịa khơng khí tơ Kết thể khả phát chẩn đoán hai cố tiêu biểu với độ xác cao Cụ thể, đạt độ xác 98% chẩn đốn hệ thống hoạt động bình thường, 100% độ xác cho thiết bị ngưng tụ tắc bẩn thiếu môi chất lạnh Tuy nhiên, nghiên cứu việc thực thu thập liệu để phát triển giải pháp chẩn đoán cố mức độ giới hạn phịng thí nghiệm Vì đề xuất cần tiếp tục cải thiện nghiên cứu sau đối tượng hệ thống hoạt động điều kiện thực tiễn Việt Nam TÀI LIỆU THAM KHẢO [1] B Mebarki, B Draoui, B Allaou, L Rahmani, E Benachour, Impact of the air-conditioning system on the power consumption of an electric vehicle powered by lithium-ion battery, Model Simul Eng 2013 (2013) [2] K Shete, Influence of Automotive Air Conditioning load on Fuel Economy of IC Engine Vehicles, Int J Sci Eng Res (2015) 1367–1372 [3] A Subiantoro, K.T Ooi, U Stimming, Energy Saving Measures for Automotive Air Conditioning ( AC ) System in the Tropics, 15th Int Refrig Air Cond Conf (2014) 1–8 [4] Z Ma, S Wang, Building energy research in Hong Kong: A review, Renew Sustain Energy Rev 13 (2009) 1870–1883 doi:http://dx.doi.org/10.1016/j.rser.2009.01.006 [5] Y Zhao, S Wang, F Xiao, A statistical fault detection and diagnosis method for centrifugal chillers based on exponentially-weighted moving average control charts and support vector regression, Appl Therm Eng 51 (2013) 560–572 [6] H Wang, Y Chen, C.W.H Chan, J Qin, An online fault diagnosis tool of VAV terminals for building management and control systems, Autom Constr 22 (2012) 203–211 [7] F Xiao, C Zheng, S Wang, A fault detection and diagnosis strategy with enhanced sensitivity for centrifugal chillers, Appl Therm Eng 31 (2011) 3963–3970 doi:10.1016/J.APPLTHERMALENG.2011.07.047 [8] F Xiao, S Wang, X Xu, G Ge, An isolation enhanced PCA method with expert-based multivariate decoupling for sensor FDD in air-conditioning systems, Appl Therm Eng 29 (2009) 712–722 © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh 140 ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ [9] Y Guo, G Li, H Chen, Y Hu, H Li, J Liu, M Hu, W Hu, Modularized PCA method combined with expertbased multivariate decoupling for FDD in VRF systems including indoor unit faults, Appl Therm Eng 115 (2017) 744–755 [10] J Liang, R Du, Model-based Fault Detection and Diagnosis of HVAC systems using Support Vector Machine method, Int J Refrig Int J Refrig.30 (2007) 1104–1114 [11] Y Chen, D Anh, T Tran, L Ao, N Thi, C Huong, An enhanced chiller FDD strategy based on the combination of the LSSVR-DE model and EWMA control charts, Int J Refrig Int J Refrig (2016) [12] Y.-M Chen, C.-L Jiang, D.A.T Tran, A fault detection and diagnosis method based on kriging model for chillers, Hunan Daxue Xuebao/Journal Hunan Univ Nat Sci (2016) [13] W Wang, Z Xu, J Weizhen Lu, Three improved neural network models for air quality forecasting, Eng Comput 20 (2003) 192–210 [14] M Awad, H Pomares, I Rojas, O Salameh, M Hamdon, Prediction of Time Series Using RBF Neural Networks : A New Approach of Clustering, The International Arab Journal of Information Technology, (2009) 138–144 [15] C Lee, C Tsai and Y Chiang, Federal Funds Rate Prediction : A Comparison Between the Robust RBF Neural Network and Economic Models, Journal of Information Science and Engineering, 25 (2009) 763–778 [16] J Cui, S Wang, A model-based online fault detection and diagnosis strategy for centrifugal chiller systems, Int J Therm Sci 44 (2005) 986–999 Ngày nhận bài: 31/10/2019 Ngày chấp nhận đăng: 03/01/2020 © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh ...132 ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ việc giám sát kiểm soát việc tiêu thụ lượng hệ thống điều hịa khơng khí tơ trở thành chủ đề... đề xuất hệ thống điều hịa khơng khí tơ KẾT LUẬN Trong báo này, phương pháp sử dụng mơ hình RBFNN phát triển thực phát chẩn đoán cố (FDD) hệ thống điều hịa khơng khí tơ cách xác hiệu Trong đó,... nhạy chiến lược FDD hệ thống AC Chúng phải © 2019 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh 136 ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ có ý nghĩa