Cơ sở dữ liệu cho máy học chẩn đoán kỹ thuật động cơ diesel tàu thủy bằng dao động xoắn

Bài viết trình bày phương pháp xây dựng cơ sở dữ liệu dao động xoắn cho chẩn đoán kỹ thuật tổng thể cháy / không cháy trong các xy lanh động cơ diesel máy chính tàu biển (MDE) sử dụng máy học (machine learning, ML) trên LabView.

TẠP CHÍ ISSN: 1859-316X KHOA HỌC CƠNG NGHỆ HÀNG HẢI KHOA HỌC - CÔNG NGHỆ JOURNAL OF MARINE SCIENCE AND TECHNOLOGY CƠ SỞ DỮ LIỆU CHO MÁY HỌC CHẨN ĐOÁN KỸ THUẬT ĐỘNG CƠ DIESEL TÀU THỦY BẰNG DAO ĐỘNG XOẮN DATABASE FOR CLASSIFICATION - MACHINE LEARNING MAIN DIESEL ENGINE USING TORSIONAL VIBRATION CAO ĐỨC HẠNH1, PHẠM VĂN NGỌC2, ĐỖ ĐỨC LƯU2* Khoa Công nghệ Thông tin, Trường Đại học Hàng hải Việt Nam Viện NCKH&CN Hàng hải, Trường Đại học Hàng hải Việt Nam *Email liên hệ: luudd@vimaru.edu.vn Tóm tắt Bài báo trình bày phương pháp xây dựng sở liệu dao động xoắn cho chẩn đốn kỹ thuật tổng thể cháy / khơng cháy xy lanh động diesel máy tàu biển (MDE) sử dụng máy học (machine learning, ML) LabView Tập trạng thái kỹ thuật gồm R lớp Dk tương ứng với: D0- tất xylanh làm việc tốt; D1…z - có xylanh khơng cháy, z - số xylanh MDE CSDL thiết kế cho chẩn đoán phù hợp để áp dụng LabView - AML toolkit Bộ sở liệu xây dựng sở kế hoạch thí nghiệm (DoE) gồm R thí nghiệm sở, thí nghiệm sở lặp N lần, đó: (i) m lần lặp nhiễu từ vịng quay chẩn đốn trung bình MDE, navr (v/phút) với mức n=±5%; (ii)Ns lần lặp nhiễu trạng thái cháy/không cháy xylanh với mức Cf(i)=±5% Cụ thể với Cf(i)=[0,95-1,05] xylanh thứ i hoạt động bình thường Cf=[0-0,05] - khơng cháy Dao động xoắn (TVs) tính phần mềm tự động tính TVs (SATVC) xây dựng Trường Đại học Hàng hải Việt Nam Bộ sở dư liệu kết kiểm thử cho phân lớp - máy học (CML) MDE 6S46MCC7 tàu MV.HR34000DWT: z=6; R=7; navr =73v/phút, dải vòng quay chọn nằm khoảng [69-77] (v/phút) thỏa mãn điều kiện: xa vùng vòng quay cộng hưởng nhiễu n=±5%; Kế hoạch thí nghiệm xây dưng gồm N=7.26 =4032 thí nghiệm Từ khóa: Dữ liệu phân lớp - học máy, phân lớp machine learning, Chẩn đoán động diesel tàu biển Abstract This paper proposed a method to build the database for diagnosing the common technical states by the torsional vibrations of the main diesel engine (MDE) using machine-learning toolkit of LabVIEW The set of technical states includes R classes Dk corresponding with: D0- All of cylinders are working normally; D1 z - One of SỐ 67 (8-2021) cylinders is misfiring The database was constructed to easily apply the analysis machine learning (AML) toolkit for classification and diagnosing The database was created based on the Design of Experiment (DoE) containing R fundamental experiments Each basic experiment was totally executed N times including: (i) m repeat times for the noises of diagnosing speed regimes of MDE navr(rpm) with n=±5%; (ii)Ns repeat times for the noises of firing/misfiring states with Cf(i)=±5% Specifically, Cf(i)=[0.95 1.05] when ith- cylinder is working normally, and Cf(i)=[0-0.05] when this cylinder is misfiring In the verified case study for MDE 6S46MCC7 installed on MV.HR34000DWT: at navr=73(rpm), the selected working speed range is [69-77] (rpm) These speed values satisfy the conditions: far from resonant speed regimes and n=±5% The made DoE had N=7.26.9=4032 experiments The Torsional Vibration signal (TVs) was calculated using Software for Automatic Torsional Vibration Calculation (SATVC), which was made in VietNam Maritime University The result database was used for illustrating Classification conditional states by Machine Learning (CML) method for this verified object Keywords: Database for classification and machine learning; Classification and machine learning, Diagnosing marine diesel engine Đặt vấn đề Thực tế khai thác MDE, hầu hết thời gian động làm việc trạng thái kỹ thuật bình thường tương ứng với tất xylanh làm việc tốt Hiện tượng xy lanh khơng cháy có xác suất nhỏ Khi xảy cố này, vòng quay khai thác động điều chỉnh giảm để đảm bảo an toàn cho động xy lanh trục trặc sửa chữa hư hỏng Do đó, thực tế trường hợp có nhiều xylanh khơng làm việc gần khơng thể xảy Tín hiệu dao động xoắn (TVs) mà cụ thể cực trị (giá trị cực đại giá trị cực tiểu) 39 TẠP CHÍ KHOA HỌC - CƠNG NGHỆ chứng minh mang nhiều thơng tin có ích trạng thái kỹ thuật tổng thể diesel máy tàu thủy [1], [2] Trong [2], [6] tính dao động xoắn, tính giá trị cực đại VA giá trị cực tiểu VB dựa phương pháp lập kế hoạch DoE 2n-k Dữ liệu sau sử dụng để xây dựng sở liệu từ xác định mơ hình hồi quy phục vụ chẩn đoán trạng thái đối tượng MDE Q trình tính TVs cơng trình sử dụng tham số đầu vào hệ số cháy x(i)=2.Cf(i) - 1, i=1…z, với z số xy lanh MDE Hệ số cháy cho xylanh thứ i: Cf(i) = [0, 1] Trong đó, giá trị x(i) = -1 xylanh không cháy Cf(i) =0 x(i)=+1 xylanh cháy bình thường Cf(i)=1 Vấn đề chưa quan tâm: q trình cháy thực tế xylanh diễn không tuyệt đối ổn định mức 1, nên nghiên cứu nghiên cứu đến đầu vào nhiễu trạng thái cháy cho xây dựng CSDL chẩn đốn ISSN: 1859-316X KHOA HỌC CƠNG NGHỆ HÀNG HẢI JOURNAL OF MARINE SCIENCE AND TECHNOLOGY hai tần số dao động riêng nhỏ Lý giải cho việc lựa chọn vùng vịng quay chẩn đốn [69, 77] trình bày [6] Phần mềm phát triển cho xây dựng sở liệu viết LabView với module máy học có cấu trúc phù hợp với yêu cầu đầu vào module Phương pháp nghiên cứu Để xây dựng sở liệu cho phân lớp - máy học (CML - Classification and Machine Learning) MDE với giả thuyết: R=z+1 lớp trạng thái kỹ thuật, z số xylanh động cơ; đặc tính chẩn đốn tương ứng với ma trận VA VB (gồm N hàng, z cột) đặc trưng cho tín hiệu dao động xoắn miền thời gian Sơ đồ thuật toán chung thể Hình Trong khai thác thực tế MDE, trường hợp có nhiều xylanh khơng cháy chiếm tỉ lệ nhỏ Các trường hợp từ xylanh không cháy trở lên, [6] dùng vào kế hoạch thí nghiệm (Design of Experiments, DoE) dạng 2n-k để xây dựng mơ hình chẩn đốn hồi quy Phương pháp mô phân lớp trạng thái kỹ thuật R lớp trình bày [1], [3] Cơng trình [3] xét đến nhiễu số liệu đo cuối (TVs) từ dùng m lần lặp (m=10) mô nhiễu trắng với biên độ 5% Công trình [5] đưa phương pháp biểu diễn trực quan lớp trạng thái kỹ thuật không gian hai chiều Đề-các (x,y) véctơ dấu hiệu chuẩn đoán NV(x,y) Tại đây, nhiễu vòng quay nghiên cứu, mơ 5% đưa vào để tính TVs Nhiễu trạng thái cháy chưa xét đến Trong nghiên cứu này, tác giả đưa kế hoạch thí nghiệm (DoE) cho thiết lập sở liệu chẩn đoán trạng thái tổng thể MDE đó: (a) thay đổi hệ số cháy xylanh với sai khác 5% mức độ cháy; (b) vịng quay chẩn đốn đoạn có giá trị trung bình navr độ lệch tương đối từ giá trị trung bình =5% Hình Sơ đồ thuật toán chung thu thập, xử lý liệu (VA,VB) cho phân lớp - máy học MDE TVs mơ dựa phương pháp tính phần mềm tự động tính dao động xoắn (SATVC) [4] PGS.TSKH Đỗ Đức Lưu cộng xây dựng Trường Đại học Hàng hải Việt Nam Để xác định vùng vịng quay chẩn đốn với nhiễu =5%: nD= [1-, 1+]navr, cần sử dụng kết tính tần số dao động tự do, cho D khơng chứa vịng quay tương ứng với Hình đưa quy trình tự động thu thập, xây dựng sở liệu cho chẩn đốn Khối lượng liệu tính lớn Ví dụ, MDE có z=6 xylanh, R=7, vịng quay chẩn đốn trung bình navg=73v/p, có lặp vận tốc m=9 lặp trạng thái Ns=26=64, cần tổ chức DoE gồm N=m.Ns.R =9.64.7=4032 lần tính dao động xoắn (TVC), chia theo lớp Mỗi lần TVC đưa véctơ VA VB 40 SỐ 67 (8-2021) TẠP CHÍ ISSN: 1859-316X KHOA HỌC CƠNG NGHỆ HÀNG HẢI KHOA HỌC - CÔNG NGHỆ JOURNAL OF MARINE SCIENCE AND TECHNOLOGY Như vậy, thuật tốn phần mềm cần tính, lưu lại 14 ma trận liệu: MVA, MVB (7 ma trận cho loại) tương ứng với lớp trạng thái kỹ thuật Tại lớp Dk, k=0…R-1, cần kiểm tra tính đồng tập liệu thu cho lớp Thuật tốn thực theo phương pháp thống kê, tiêu chuẩn Schi (2), hay t-student [3], [6] Trong không gian z chiều véc tơ dấu hiệu chẩn đoán: V= [V1,V2 … Vz], với V ký hiệu cho VA VB, khó biểu diễn thể phân tách cho R lớp trạng thái kỹ thuật ngồi tưởng tượng theo lơgic tốn học Thay vào đó, PGS.TSKH Đỗ Đức Lưu cộng chuyển đổi véctơ z-chiều véctơ hai chiều NV (New Vector, NV(x, y)) không gian hai chiều Đề-Các [5] Phép chuyển đổi dựa thông tin thứ tự cháy xy lanh, nhà chế tạo động đưa hồ sơ kỹ thuật động [4] Ví dụ, MDE 6S46MC-C7 hai kỳ, xylanh, lắp MV.HR34000DWT có thứ tự cháy 1-5-3-4-2-6 Tương ứng (VAi, VBi) từ xylanh thứ i lệch pha so với xylanh thứ i theo độ (degree) 1=0; 5=60o; 3=120o; 4=180o; 2=240o; 6=300o hay theo radian 1=0; 5=/3; 3=2/3; 4=; 2=4/3; 6=5/3 Góc lệch pha cháy xylanh biểu diễn mảng giá trị:  = [0, 2…, z], (radian) (1) Từ đó, véctơ dấu hiệu chẩn đốn viết dạng: z z i=1 i=1 VNx = V(i)cos((i)); VNy = V(i)sin((i)) (2) Trong đó: V= [V(1), V(2) … V(z)], V=VA V=VB Phần mềm nghiên cứu tác giả phát triển LabView hãng NI, có sử dụng SATVC [4] xây dựng bổ sung số module cho nhiệm vụ thu thập liệu (Hình 1) nhiệm vụ khác liên quan: tạo véctơ hai chiều NVA(x,y) NVB(x.y); kiểm tra tính đồng liệu lớp; biểu diễn lớp trạng thái kỹ thuật không gian hai chiều theo NV(x,y) thiết lập Mô kiểm chứng 3.1 Mô xây dựng sở liệu Xây dựng sở liệu cho CML MDE tàu MV.HR.34000 DWT: Để tự động thu thập liệu VA VB cho lớp Dk (k=0, 1…6) trạng SỐ 67 (8-2021) thái kỹ thuật xylanh, tác giả sử dụng SATVC với điều khiển tự động (Enum control) cho R=7 thí nghiệm sở, tương ứng với yêu cầu tính toán dao động xoắn với lớp trạng thái kỹ thuật Tại lớp D k, véctơ cháy CFk=[Cf(1)…Cf(6)] tiếp nhận giá trị ngưỡng sau:{0,95; 1,05} Cf(i)=1 {0,00; 0,05} Cf(i)=0 Tổ hợp Ns=64 trường hợp áp dụng cho R=7 lớp Mô lặp vận tốc quay MDE 5%, vòng quay navr =73v/p,  = 3,65v/p, vùng mơ tiếp nhận [69, 77] v/p 0, số lần lặp m=9 Trong lập trình code (Block Diagram) LabView cần điều chỉnh vòng lặp tương ứng với hai biến điều khiển nD=[69…77] ns=[1…64] Nội dung mô cần tính TVs, nghĩa khơng dùng đến ứng suất xoắn cho phép SATVC, song lại cần tính bổ sung VA VB Tiếp theo lưu lại hai ma trận MVA MVB tương ứng cho lớp trạng thái kỹ thuật, ma trận gồm 576 hàng, cột Xây dựng hai ma trận liệu dấu hiệu chẩn đoán MNVA(576,2) MNVB(576,2) với phần tử liệu sở tọa độ (x,y) tương ứng tính theo cơng thức (1) (2) bên cho lớp Mỗi lớp trạng thái kỹ thuật Dk đặc trưng tâm k=[kx, ky] ma trận hiệp phương sai K Ví dụ viết cho MNVA: 576 576 m   MNVA(i,1); m   MNVA(i,2) Ax Ay i 1 i 1 Trong LabVIEW: (3) mui  mean( MNVA); KA  cov( MNVA); Dữ liệu từ lớp trạng thái kỹ thuật đọc từ files lưu trữ gộp thành ma trận chung (cho VA VB độc lập), chung cho lớp, ma trận có Nc=N.R=4032 hàng hai cột (VAx, VAy) (VBx, VBy) tương ứng với liệu cực đại cực tiểu 3.2 Mơ LabView chẩn đốn máy học với CSDL xây dựng Bộ công cụ LabView - Analytics and Machine Learning (AML) phần mềm dạng add-on cung cấp mơ hình huấn luyện học tập máy học [7] Các mơ hình sử dụng để tìm mẫu khác biệt sở liệu lớn với thuật toán phân lớp, nhận dạng Có mơ hình huấn luyện với thuật tốn phân lớp liệu SVM (Support Vector Machine), Neural Logistic Regression Module AML dùng để phát triển ứng dụng liên 41 TẠP CHÍ KHOA HỌC - CÔNG NGHỆ quan đến theo dõi, nhận dạng chẩn đoán liệu Bộ sở liệu chia thành hai tập riêng biệt: Tập liệu huấn luyện (training) tập liệu kiểm tra (testing) Trong báo này, tác giả hướng đến việc sử dụng phương pháp phân lớp máy học có hướng dẫn supervised nên sở liệu traning testing ngồi hai trường thơng tin VAx, VAy (hoặc VBx, VBy) cần thêm vào trường thơng tin lớp trạng thái kỹ thuật tương ứng Dx Tập training testing gồm ma trận NVA(VAx, VAy, Dx) NVB(VBx, VBy, Dx) liệu chia với tỉ lệ 95/5 sở liệu ban đầu (dữ liệu traning chiếm 95%) ISSN: 1859-316X KHOA HỌC CÔNG NGHỆ HÀNG HẢI JOURNAL OF MARINE SCIENCE AND TECHNOLOGY Hình rõ lớp trạng thái kỹ thuật cặp tách rời Điều khẳng định NVB(x,y) xây dựng tương ứng với sở liệu tốt, đủ điều kiện để sử dụng làm sở liệu cho máy học - phân lớp (chẩn đoán) trạng thái kỹ thuật MDE nghiên cứu Trên hai Hình hiển thị miền biến thiên Dk tâm tương ứng Mk, k=0, 1…6 Kết bàn luận Các liệu lớn, nên đưa dạng bảng biểu Trên Hình đưa dạng đồ thị mô tả miền biến đổi lớp trạng thái kỹ thuật không gian chiều (x,y) theo véctơ trạng thái kỹ thuật quy đổi Hình biểu diễn lớp trạng thái kỹ thuật theo sở liệu mô không gian hai chiều NVA(x,y) Tâm lớp xác định theo giá trị trung bình k=[kx, ky], phân tán (không tập trung) đánh giá theo ma trận hiệp phương sai KA Tương tự Hình mơ tả phân lớp theo sở liệu mô lớp trạng thái kỹ thuật không gian hai chiều NVB(x,y) với tâm lớp - k =[kx, ky], ma trận hiệp phương sai KB Hình ra: hai lớp D0 D4 tách khơng tốt, có miền giao thoa tương đối lớn Điều dễ phân biệt trực quan phương pháp này, sử dụng véctơ dấu hiệu chẩn đốn khơng gian hai chiều Kết kiểm chứng giải tích lý thuyết phân lớp nhận dạng [1, 3] Hình Biểu diễn sở liệu NVB(x,y) cho lớp trạng thái kỹ thuật Dk, k=0…6 Chẩn đoán máy học Sau huấn luyện ghi lại mơ hình học tập theo ba thuật toán SVM, Neural network Logistic Regression với sở liệu giá trị cực đại, cực tiểu NVA, NVB Kết độ xác CML Bảng Bảng ra: Với sở liệu xây dựng phương pháp huấn luyện SVM cho độ xác cao hai phương pháp cịn lại Ngồi ra, hai sở liệu NVA NVB ta thấy NVB cho giá trị thông tin cao so với NVA Bảng Độ xác phân lớp liệu với phương pháp huấn luyện máy học TT Hình Biểu diễn sở liệu NVA(x,y) cho lớp trạng thái kỹ thuật Dk, k=0…6 42 CSDL VA VB Ph pháp huấn luyện Độ xác SVM 0,975198 Neural network 0,959821 Logistic Regression 0,931548 SVM 0,998016 Neural network 0,960813 Logistic Regression 0,982143 Kết tương đồng với kết luận thu qua nghiên cứu độ tin cậy dấu hiệu chẩn đốn VA VB số miền vịng quay khác với miền vòng quay xét nghiên cứu này, trạng thái cháy mô mức biên (5%) khác với điều kiện nghiên cứu cơng trình [6] SỐ 67 (8-2021) TẠP CHÍ ISSN: 1859-316X KHOA HỌC CƠNG NGHỆ HÀNG HẢI KHOA HỌC - CÔNG NGHỆ JOURNAL OF MARINE SCIENCE AND TECHNOLOGY Kết luận Bài báo đưa phương pháp xây dựng sở liệu dao động xoắn phù hợp cho phân lớp, chẩn đoán trạng thái kỹ thuật tổng thể động diesel máy tàu biển sử dụng công cụ machine learning Phương pháp đề xuất có tính đến mức độ khơng ổn định q trình cháy xylanh mức nhiễu vịng quay chẩn đoán với ngưỡng ±5% Kiểm thử cho MDE 6S46MCC7, MV.HR.34000 DWT, với dải vòng quay: [69, 77] (v/phút) xa vùng cộng hưởng đảm bảo thông số nhiễu vịng quay khai thác ±5% Phần mềm mơ CML LabView cho thấy phương pháp huấn luyện máy học SVM đạt độ xác cao véc tơ giá trị cực tiểu VB cho độ tin cậy chẩn đoán cao mà véc tơ giá trị cực đại VA cung cấp Lời cảm ơn Nghiên cứu tài trợ Trường Đại học Hàng hải Việt Nam đề tài mã số: DT20-21.58 TÀI LIỆU THAM KHẢO [1] Đỗ Đức Lưu, Động lực học chẩn đoán diesel tàu thủy dao động, Chương - Các mơ hình tốn học cho chẩn đốn, tr.100-128, NXB Giao thông vận tải, 2009 [2] D Luu, at el, Regressive Models For Condition Diagnosing MDE By Torsional Vibrations On Propulsion Shaft-Line, In IJMPB, Vol.34, Issue 22n24 pages, 2020 www.worldscientific.com/doi/abs/10.1142/S0217 979220401268 [3] D Luu, at el, Smart Diagnostics for Marine Diesel Engines using Torsional Vibrations Signals on the Ship Propulsion Shaft-Line, 2021 https://www.ingentaconnect.com/ contentone/asne/ nej /2021/00000133/00000001/ art00026 NEJ ISSN: 0028-1425 Vol.133, No1, pp.143-153 2021 [4] Luu D D, Hanh C.D, Automatic calculation of torsional vibrations on marine propulsion plant using marine two–stroke diesel engine: Algorithms and Software In IEIC (India) Vol.102, Issue pp.51-58 2020 https://doi.org/10.1007/s40032-020- 00626-y [5] D Luu, at el, New Method for Building Vector of Diagnostic Signs to Classify Technical States of Marine Diesel Engine by Torsional Vibrations on Shaft-Line Sustainable Marine Structures Vol.2 №2 pp.35-28 2021 dx.doi.org/10.36956/sms.v2i2.330 [6] Ph V Ngọc, C Đ Hạnh*, Đ Đ Lưu, Cơ sở liệu cho xây dựng mơ hình hồi quy chẩn đốn kỹ thuật động diesel tàu thủy dao động xoắn Tạp chí Giao thông vận tải số T6/2021 [7] Website https://www.ni.com/en-gb/shop/soft_ ware/products/labview-analytics-and-machine-le arning-toolkit.html, 2021 Ngày nhận bài: Ngày nhận sửa: Ngày duyệt đăng: SỐ 67 (8-2021) 14/5/2021 03/6/2021 08/6/2021 43 ... hải Việt Nam đề tài mã số: DT20-21.58 TÀI LIỆU THAM KHẢO [1] Đỗ Đức Lưu, Động lực học chẩn đoán diesel tàu thủy dao động, Chương - Các mơ hình tốn học cho chẩn đốn, tr.100-128, NXB Giao thông vận... kiểm chứng 3.1 Mô xây dựng sở liệu Xây dựng sở liệu cho CML MDE tàu MV.HR.34000 DWT: Để tự động thu thập liệu VA VB cho lớp Dk (k=0, 1…6) trạng SỐ 67 (8-2021) thái kỹ thuật xylanh, tác giả sử dụng... Điều khẳng định NVB(x,y) xây dựng tương ứng với sở liệu tốt, đủ điều kiện để sử dụng làm sở liệu cho máy học - phân lớp (chẩn đoán) trạng thái kỹ thuật MDE nghiên cứu Trên hai Hình hiển thị miền