Mô hình hóa dữ liệu khai thác động cơ diesel – bài toán xấp xỉ hàm
Mạng nơ ron nhân tạo nhiều lớp (Multilayer perceptron – MLP) có cấu tạo gồm nhiều lớp nơron xếp nối tiếp nhau theo mạch thẳng. Khả năng xấp xỉ các hàm phi tuyến với mọi độ phức tạp và khả năng nhận dạng các dữ liệu mới làm cho chúng trở thành một trong những dạng mạng nơron nhân tạo phổ biến nhất. Một mạng MLP bao giờ cũng bao gồm một lớp vào (input layer), một lớp ra (output layer) và một hay vài lớp trung gian. Các lớp trung gian này được gọi là lớp ẩn (hidden layers). Một mạng MLP gồm một lớp vào, một lớp ẩn và một lớp ra có thể xấp xỉ hàm phi tuyến bất kỳ. Tuy nhiên, sử dụng mạng MLP với hai hoặc ba lớp ẩn sẽ thuận lợi hơn khi xấp xỉ các hàm phức tạp.
MLP là dạng mạng nơron áp dụng phương pháp huấn luyện có điều khiển (supervised training). MLP có thể sử dụng để giải các phài toán xấp xỉ hàm, nhận dạng hệ thống, dự báo, phân loại, v.v. MLP, cũng như các dạng mạng có điều khiển khác, đòi hỏi trong dữ liệu huấn luyện cần có dữ liệu vào (inputs) và dữ liệu đích (targets) tương ứng.
Việc sử dụng mạng nơron nhân tạo để mô hình hóa động cơ diesel tàu thủy xuất phát từ ý tưởng rằng tồn tại một mối quan hệ nào đó giữa các thông số đầu vào của động cơ (tình trạng kỹ thuật, điều kiện khai thác) và các thông số đầu ra của nó (công suất, vòng quay và các chỉ tiêu khai thác khác). Và mạng MLP sẽ cho phép nhận dạng mối quan hệ đó. Để nhận dạng quan hệ giữa các thông số của động cơ diesel tàu thủy, có thể áp dụng mô hình mạng MLP (Hình 58).
Để mô hình hóa sử dụng mạng MLP cần thực hiện các bước sau:
- Đo đạc để thu thập dữ liệu về hoạt động của đối tượng;
- Xử lý dữ liệu để đảm bảo nhận được dữ liệu đặc trưng cho đối tượng;
- Lựa chọn cấu trúc ban đầu của mạng MLP;
- Huấn luyện mạng bằng dữ liệu đã có (training);
- Kiểm tra độ tin cậy của mạng đã được huấn luyện. Nếu chưa đảm bảo, cần chọn lại cấu trúc ban đầu và thực hiện huấn luyện lại;
Hình 58. Mô hình nhận dạng các thông số khai thác động cơ diesel
Để đảm bảo nhận được mạng có chất lượng tốt, cần chia dữ liệu thành ba bộ: bộ dữ liệu huấn luyện (training);<bộ dữ liệu kiểm tra chéo (cross-validation) và bộ dữ liệu kiểm tra (testing). Việc huấn luyện mạng thực chất là để thay đổi các hệ số trọng nối giữa các nơron để tìm mối quan hệ phù hợp giữa các thong số đầu vào và đầu ra (matching). Quá trình huấn luyện được thực hiện lặp lại (iteration). Ban đầu các hệ số trọng được gán ngẫu nhiên. Qua mỗi vòng lặp các dữ liệu đầu vào của bộ dữ liệu huấn luyện được đưa vào để tính toán các thông số đầu ra, sau đó bộ dữ liệu kiểm tra chéo được đưa vào để xác định lỗi huấn luyện. Lỗi này sẽ là tiêu chí để thay đổi các hệ số trọng cho việc tính toán ở lần lặp tiếp theo. Quá trình huấn luyện sẽ kết thúc khi đạt được yêu cầu về lỗi huấn luyện. Sau đó, độ tin cậy của mạng sẽ được kiểm tra bởi bộ dữ liệu kiểm tra.
Khi sử dụng mạng MLP để nhận dạng quan hệ vào/ra động cơ diesel tàu thủy, số lượng các nơron lớp vào và lớp ra sẽ tương ứng là số lượng các thông số đầu vào và ra của động cơ.
Ví dụ ứng dụng mạng MLP để nhận dạng mô hình động cơ diesel tàu thủy được mô tả bằng việc sử dụng dữ liệu khai thác của động cơ diesel chính tàu VINAFCO25. Dữ liệu sử dụng bao gồm 500 bộ với 5 thông số đầu vào và 5 thông số đầu ra (xem Bảng 4-3), trong đó 300 bộ dùng để huấn luyện, 100 để kiểm tra chéo, và 100 để kiểm tra. Kết quả mô hình hóa mạng MLP được thực hiện trên phần mềm NeuroSolutions Developer 5.02 – đây là phần mềm của hãng NeroDimensions, chuyên dùng để xây dựng các mô hình mạng nơron.
Bảng 4-3: Dữ liệu mô hình hóa sử dụng mạng MLP
Thông sốđầu vào Đơn vị Thông sốđầu ra Đơn vị
Vị trí thanh răng, h - Vòng quay động cơ, n v/ph
Nhiệt độ nước làm mát vào, tnv 0C Công suất có ích, Ne kW
Nhiệt độ dầu bôi trơn vào, tdv 0C Nhiệt độ khí xả, tkx 0C
Nhiệt độ không khí nạp, ts 0C Nhiệt độ nước làm mát ra, tnr 0C
By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY
=ế>< ?@ả< A@ấB< C@DệB<EạBF< >GHB< IJBh 59<KAL<>AấDM< NO@<PQQ< Cượ>M<CỗR<A@ấB<C@DệB<KAỉ<KSB< BAỏ<AơB<QTQQUT<VAWBF<>AườBF<EạBF<XYZ<đượK<KAL<C[<đ\BF<>RB<KậD<]AR<CỗR<A@ấB<C@DệB<BAỏ< hơn 0.01. L i hu n luy n S l t hu n luy n ng trên: L i hu n luy n ng d i: L i ki m tra o Hình 59&'()*'+, -'.,/ -'0 -1'2(3
Sa@<]AR<A@ B<C@D BM<K^<>A <N <_ BF<E BF< <BA B<_ BF<_%<CR @<E RT<=AR< O<`[L<aQQ<b < _%<CR @<]R E<>GOM<E BF<>cBA<>L\B<K\K<>AWBF<N < "@<GOT<= ><?@ <>cBA<>L\B<>AWBF<N <BAR >< <]Ac< d <eL@>f@>g<`[<FR\<>G <BAR >< <]Ac<d <>A K<> <e_hNRGh_g<K O<aQQ<b <_%<CR @<]R m<>GO< K<KA <GO< >GHB<IJBA<60T<= ><?@ <>cBA<>L\B<KAL<>A DM<NOR<N <FR%O<FR\<>G <>cBA<>L\B<b R<EW<AJBA<`[<FR\<>G < >A K<> <efGh_RK>RLB<hGGLGg<]AWBF<?@\<6%. Hình 60:'4 5'6, '57-+'589-'5:;-'0<'+=-+'2(3' >' ?'+, -'.,/ - 0 10 20 30 40 50 60 70 80 90 100 320 340 360 380 400 E x h . g a s t e m p . 0 10 20 30 40 50 60 70 80 90 100 -10 -5 0 5 10 % P ri d ic ti o n e rr o r desired output
= ><?@ <>GHB<KAL<>A D<G-BF<E BF<XYZ< i< K<djD<_ BF<`[<A@ B<C@D B<K^< < <>RB<K D< <EW<AJBA<A^O<?@OB<A <`[LkGO<K O< BF<K T<=AR< ^M<B @< O<E ><b <_%<CR @< "@<`[LM<E BF< N#<>cBA<>L\B<K\K<>AWBF<N < "@<GOT<= ><?@ <B[D<K^<>A < K<_lBF< <BFARHB<K @<>A@ K<>cBA<K O< R<> BFM<AOD<N <_ BF<]AR<FR R<b[R<>L\B<_ <b\L<>G BF<>A\R< R<> BFT<V@D<BARHBM<` B< <?@OB< >G BF<]AR<N <_ BF<E BF<B GLB<BAjB<> L< <EW<AJBA<A^O<`[<BA B<_ BF<K\K< R<> BF<] <>A@ >< C[<`R K<BA B< K<b <_%<CR @<fA B<\BA< "D< <K\K<>A@ K<>cBA<K O< R<> BFT< R<` R<`R K<EW< AJBA<A^O< R<> BF< BF<K <_RhNhC<>[@<>A DM<b <_%<CR @<N <_ BF<fA R<fA B<\BA< "D< <AL >< BF<K O< BF<K < <K\K<KA < <]AOR<>A\K<]A\K<BAO@T< < >< K< R @<B[DM<K"B<fA R<K^<BA%BF< BFARHB<K @< "D< <`[<N <fA R<A f<K O<K\K<bHB<CRHB<?@OB< B<AL >< BF<]AOR<>A\K<KLB<>[@. Phân cụm sử dụng bản đồ tự tổ chức
Nh ã bi t, m ng n ron nhân t o có kh năng t h c từ d% li u quá kh . Kinh nghi m h c c sau ó c s d ng d oán hi n t i và t ng lai. Trong tr ờng h p d% li u có các giá tr "u ra cho các bi n "u vào t ng ng, thu t h c c g i là h c có th"y (supervised learning). Lúc này m ng tìm ki m m i quan h gi%a "u vào và giá tr "u ra t ng ng (bài toán x p x hàm và phân lo i). Trong tr ờng h p không tồn t i giá tr "u ra m ng ph i "t tổ ch c" vi c tìm ki m trong s các d% li u "u vào tìm ra các thu c tính t ng t và phân chia d% li u thành các nhóm. ây là tr ờng h p h c không có th"y (unsupervised learning).
B n ồ t tổ ch c (Self-Organizing Maps - SOM) là m t d ng m ng n ron nhân t p áp d ng thu t toán h c không có th"y. Thu t toán SOM c dùng ánh x không gian d% li u a chi u xu ng môi tr ờng m t, hai hoặc ba chi u (th ờng áp d ng hai chi u). Nhờ v y vi c ánh giá và x lý m i quan h gi%a các bi n trong không gian hai chi u tr lên dễ dàng h n. Gi s tr ng thái k thu t c a i t ng c ặc tr ng b i tổ h p n thông s chẩn oán
1 2 [ , ,..., ]n
x= x x x , nghĩa là véct tr ng thái trong không gian n chi u. Khi áp d ng SOM các véct tr ng thái s# t sắp x p lên mặt phẳng theo m t tiêu chuẩn t ng t nào ó, th ờng c s d ng là kho ng cách Euclidean, có nghĩa là mỗi véct tr ng thái s# t ng ng v i m t i m to mi =[m mi1, i2,...,min] trên b n ồ tr ng thái (Hình 61), mi c g i là véctơ
By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY
Việc huấn luyện SOM được thực hiện bằng cách truyền các véctơ trạng thái tới lớp vào của mạng. Thuật toán SOM sẽ hiệu chỉnh vị trí của các nơron sao cho khoảng cách từ chúng đến các véctơ trạng thái là nhỏ nhất. SOM sử dụng thuật toán huấn luyện lặp như sau:
- Hình thành ngẫu nghiên các véctơ mô hình mi(toạ độ của các nơron trên bản đồ);
- Xác định nơron mc có khoảng cách nhỏ nhất đến véctơ trạng thái (gọi là nơron chiến thắng − neuron-winner), mà chỉ số của nó thoả mãn điều kiện:
{ }
( ) c( ) min ( ) i( )
x t −m t = x t −m t ,
thường áp dụng khoảng cách Euclidean 2
1 ( ) n k k x m x m = − = − ;
- Hiệu chỉnh vị trí của nơron chiến thắng và các nơron lân cận trong giới hạn của hàm quan hệ hci(t) sao cho chúng càng gần với véctơ trạng thái hơn:
( 1) ( ) ( ) ( )[ ( ) ( )]
i i ci i
m t+ =m t +α t h t x t −m t ,
trong đó α(t) − tốc độ huấn luyện (0<α(t)<1), giảm dần theo sự tăng của số lần lặp t; hci(t) − hàm quan hệ, cũng giảm dần khi t tăng;
- Kiểm tra điều kiện dừng, nếu chưa thoả mãn thì quay về bước 2.
Điều kiện dừng được coi là thoả mãn nếu lượng hiệu chỉnh (thành phần thứ hai trong công thức trên) cho các nơron nhỏ đến mức quy định. Khi này các véctơ trạng thái sẽ rơi vào cùng một vị trí trên bản đồ khi chuyển từ vòng lặp này sang vòng lặp tiếp theo.
Kết thúc quá trình huấn luyện, bản đồ đã huấn luyện là hình ảnh của các véctơ trạng thái
n chiều trên mặt phẳng. Tiếp theo, các nơron có thể được nhóm lại thành từng nhóm, sử dụng một trong số các phương pháp phân cụm (xem Chương 3). Như vậy theo đặc tính giống nhau của các véctơ trạng thái, chúng được chia ra thành các phân vùng trên bản đồ, tương ứng với từng nhóm trạng thái kỹ thuật của đối tượng.
Ưu điểm của thuật toán SOM là tính phi tham số và không yêu cầu bất kỳ một tiên nghiệm nào về sự phân bố của dữ liệu. SOM có thể phát hiện trong các dữ liệu các đặc điểm cấu trúc không rõ một cách trực quan mà không cần giá trị đích cho trước (unsupervised learning).
Một ví dụ về việc nhận dạng trạng thái của một trạm máy bơm ly tâm sau đây sẽ được sử dụng để mô tả thuật toán SOM. Dữ liệu huấn luyện được sử dụng là tín hiệu rung động máy bơm ly tâm được đo bằng 07 cảm biến. Các dữ liệu thu được trong dự án nghiên cứu tại Đại học Công nghệ ở Delft, Hà Lan. Dữ liệu huấn luyện bao gồm 32.768 mẫu với 7 biến giá trị. Trong đó một nửa được đo khi máy bơm ở chế độ làm việc tốt và một nửa - trên máy bơm trục trặc trên một ổ đỡ. Dữ liệu được tổ chức ở dạng bảng với các hàng là mẫu dữ liệu và cột là các giá trị tương ứng của 07 biến rung động nhận được từ các cảm biển.
Thuật toán SOM được xây dựng trên phần mềm Viscovery SOMine. Đây là công cụ sử phân nhóm dữ liệu hiệu quả nhất nhờ giao diện người dùng thân thiện, tính trực quan khi phân tích dữ liệu đa chiều và nhiều tính năng bổ sung giúp người dùng hình dung cấu trúc dữ
liệu. Kết quả của bản đồ tự tổ chức đồng thời cung cấp các tính chất thống kê của các nhóm dữ liệu và các mối quan hệ tiềm ẩn giữa các biến.
Hình 62. Thuật toán SOM cho bài toán phân cụm
Bản đồ SOM (Hình 62) cho thấy không gian đầu vào được chia thành 5 nhóm. Bảng 4-4 cho thấy số liệu thống kê của các nhóm, bao gồm cả giá trị trung bình của tất cả các biến thành phần và số lượng các mẫu (vector đầu vào) của mỗi nhóm.
Kết quả cho thấy, nhóm 1 đặc trưng cho chế độ bình thường của máy bơm, khi mà tất cả các giá trị của tín hiệu rung động đều nhỏ. Các nhóm còn lại cho thấy có giá trị rung động lớn của một số tín hiệu. Bảng 4-4. Thống kê các nhóm dữ liệu Cảm biến Nhóm 1 Nhóm 2 Nhóm 3 Nhóm 4 Nhóm 5 s1 0.722 -0.268 0.312 0.610 -0.778 s2 0.624 -2.210 0.266 -1.165 2.406 s3 -0.634 1.933 -1.269 1.433 -1.908 s4 -0.109 -0.228 -1.965 1.289 0.193 s5 -0.890 0.364 0.310 -0.580 0.514 s6 0.474 0.545 -1.522 1.404 -0.731 s7 -0.388 0.452 -1.608 1.396 -0.428 Số mẫu dữ liệu 4837 7064 5221 7285 8361
By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY
Nhận dạng hư hỏng – bài toán phân loại (classification)
Mạng nơ ron nhân tạo có thể sử dụng để giải bài toán phân loại một cách hiệu quả. Mạng mạch thẳng nhiều lớp (Multi-layer percetron - MLP) là dạng phổ biến nhất do khả năng xấp xỉ các hoàn phi tuyến bất kỳ. Cấu trúc MLP bào gồm nhiều lớp kết nối với nhau theo mạch thẳng. Các nơron trong mạng được phân biệt với nhau thông qua vị trí của nó trong mạng. Nhóm nơron đầu vào (input layer): là những nơron nhận thông tin từ môi trường bên ngoài vào trong mạng. Chúng có vị trí ngoài cùng “bên trái” và được nối với các nơron khác trong mạng từ “rễ” đầu ra; Nhóm nơron được các nơron khác trong mạng kết nối tới thông qua đầu vào được gọi là nơron đầu ra (output layer). Những nơron đầu ra có vị trí ở ngoài cùng “bên phải” và có nhiệm vụ đưa tín hiệu của mạng ra bên ngoài; Những nơron còn lại không thuộc hai nhóm trên được gọi là nơron bên trong (hidden layer).
Cũng như khi áp dụng cho bài toán xấp xỉ hàm, đối với bài toán phân loại (mô hình Hình 63), số lượng nơ ron ở lớp vào chính bằng số biến của dữ liệu (số chiều trong không gian trạng thái đa chiều). Số nơ ron ở lớp ra chính bằng số lớp trạng thái cần được phân loại. Ví dụ, nếu nhiệm vụ là phân loại các trạng thái tốt/trung bình/xấu, thì có ba nơ ron ở lớp ra. Phần dưới mô tả một ví dụ về bài toán phân loại (nhận dạng hư hỏng) sử dụng mạng nơ ron phân loại.
Trong quá trình khai thác động cơ diesel tàu thủy, chẩn đoán trạng thái kỹ thuật, xác định hư hỏng các cụm chi tiết của động cơ là công việc vô cùng quan trọng đối với người khai thác. Trên cơ sở phân tích các thông số đo được của động cơ cho phép người khai thác đánh giá tình trạng hiện tại của động cơ. Để làm được điều này, cần đo các thông số công tác của động cơ như áp suất nén pc, áp suất cháy cực đại pz, góc phun sớm nhiên liệu ϕs, lượng tiêu hao nhiên liệu của động cơ, đồ thị công chỉ thị p-V, v.v.
Hình 63. Sơđồ cấu trúc của mạng nơron nhân tạo phân loại
Chẩn đoán trạng thái kỹ thuật của động cơ diesel thông qua phân tích đồ thị công là công việc truyền thống và vẫn thường được ứng dụng trọng thực tế khai thác động cơ diesel tàu thủy. Từ đồ thị công chỉ thị đo được, các sỹ quan thuyền viên có thể đánh giá chất lượng quá trình cháy bên trong xilanh. Qua đó đánh giá chất lượng làm việc của động cơ và trạng thái kỹ thuật của các nhóm chi tiết. Tuy nhiên, chất lượng đánh giá trạng thái kỹ thuật sử dụng phương pháp này phụ thuộc nhiều vào trình độ, kinh nghiệm của người đánh giá và thường gặp nhiều khó khăn khi người khai thác thường không phải là các chuyên gia có kinh nghiệm.
Lớp vào Lớp ẩn Lớp ra tín hiệu
vào C1
C2
Việc xây dựng một mô hình máy học trong đó đã tích hợp đầy đủ kiến thức chuyên gia và cho phép tự động nhận dạng trạng thái kỹ thuật dựa trên logic giống tư duy con người sẽ giúp cho công việc chẩn đoán được thuận lợi và chính xác hơn.
Việc xây dựng mô hình chẩn đoán kỹ thuật thông qua nhận dạng đồ thị công chỉ thị dựa trên suy luận rằng các hư hỏng làm cho chất lượng công tác của động cơ giảm sút và làm