chuyên ngành: kỸ thuẬt ĐiỆn tỬ - · pdf file... xử lý...

30
BGIÁO DC VÀ ĐÀO TO BCÔNG THƯƠNG VIN NGHIÊN CU ĐIN T, TIN HC, TĐỘNG HÓA ⎯⎯⎯ ∗∗∗ ⎯⎯⎯ NguyÔn V¨n NghÜa øng dông m¹ng n¬ron trong chÈn ®o¸n t×nh tr¹ng kü thuËt ®éng c¬ ®iÖn kÐo cña ®Çu m¸y Chuyên ngành: KTHUT ĐIN TMã s: 62520203 luËn ¸n tiÕn sü kü thuËt Hà ni - 2012

Upload: ngocong

Post on 12-Feb-2018

216 views

Category:

Documents


1 download

TRANSCRIPT

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ CÔNG THƯƠNG VIỆN NGHIÊN CỨU ĐIỆN TỬ, TIN HỌC, TỰ ĐỘNG HÓA

⎯⎯⎯ ∗∗∗ ⎯⎯⎯

NguyÔn V¨n NghÜa

øng dông m¹ng n¬ron trong chÈn ®o¸n

t×nh tr¹ng kü thuËt ®éng c¬ ®iÖn kÐo cña ®Çu m¸y

Chuyên ngành: KỸ THUẬT ĐIỆN TỬ Mã số: 62520203

luËn n tiÕn sü kü thuËt

Hà nội - 2012

Công trình được hoàn thành tại:

VIỆN NGHIÊN CỨU ĐIỆN TỬ, TIN HỌC, TỰ ĐỘNG HÓA Người hướng dẫn khoa học: Tiến sỹ Nguyễn Thế Truyện Phản biện 1:

Phản biện 2:

Phản biện 3:

Luận án sẽ được bảo vệ tại Hội đồng chấm luận án cấp Viện họp tại: Vào hồi ........giờ......, ngày.......tháng.......năm.............. Có thể tìm hiểu luận án tại thư viện:

1

MỞ ĐẦU Tính cấp thiết của đề tài: Chẩn đoán kỹ thuật có vai trò quan trọng

trong việc duy trì trạng thái làm việc hiệu quả của mọi hệ thống (thiết bị). Việc giám sát, đo đạc, xử lý các tham số giúp đưa ra những quyết định kịp thời, chuẩn xác về tình trạng của đối tượng.

Đầu máy nói riêng hay các phương tiện GTVT nói chung luôn đòi hỏi tính liên tục và độ tin cậy hoạt động cao, đòi hỏi kiểm soát chặt chẽ tình trạng kỹ thuật trong tình trạng hoạt động. Động cơ điện kéo (ĐCĐK) được sử dụng phổ biến trong ngành Đường sắt Việt Nam, xét về tính tin cậy và khả năng vận dụng của thiết bị, ĐCĐK là khâu có độ tin cậy thấp. Do vậy, cần thiết phải đặt vấn đề nghiên cứu một cách toàn diện về chẩn đoán ĐCĐK và xây dựng phương pháp chẩn đoán cho phép khai thác hiệu quả các số liệu chẩn đoán đã có.

Việc nghiên cứu giải quyết những vấn đề mang tính thời sự nêu trên không chỉ là đáp ứng yêu cầu thực tiễn cấp thiết của ngành đường sắt hiện nay và thời gian tới mà còn có ý nghĩa khoa học khi đưa những công cụ mô phỏng và tính toán hiện đại vào lĩnh vực chẩn đoán kỹ thuật.

Đề tài luận án “Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo trên đầu máy” đi sâu nghiên cứu về lý thuyết chẩn đoán áp dụng cho đối tượng ĐCĐK nhằm các mục tiêu sau:

Xác định tập các thông số chẩn đoán phù hợp cho ĐCĐK. Ứng dụng mạng nơron trong chẩn đoán tình trạng kỹ thuật ĐCĐK. Đối tượng nghiên cứu của đề tài: Chẩn đoán kỹ thuật áp dụng cho

ĐCĐK trong tình trạng đang hoạt động. Nội dung nghiên cứu: - Nghiên cứu về lý thuyết chẩn đoán dựa trên mô hình - Xây dựng mô hình toán học của đối tượng chẩn đoán. - Sử dụng mạng nơron trong chẩn đoán. Áp dụng cho các bài toán

phát hiện lỗi sử dụng nhiệt độ và chẩn đoán tình trạng đánh lửa ĐCĐK. - Thực nghiệm trên mô hình và kiểm nghiệm kết quả trên đối tượng

thực. Phạm vi nghiên cứu: ứng dụng mạng nơron trong chẩn đoán dựa

trên mô hình ước lượng. Phương pháp nghiên cứu: Trên cơ sở nghiên cứu lý thuyết về chẩn

đoán, lựa chọn và xây dựng các mô hình chẩn đoán và phương pháp

2

chẩn đoán tình trạng kỹ thuật của đối tượng cần chẩn đoán. Thực hiện mô phỏng trên máy tính và trên mô hình thí nghiệm để đánh giá kết quả chẩn đoán. Áp dụng mô hình cho đối tượng thực để kiểm tra tính đúng của phương pháp.

Những đóng góp của luận án - Là nghiên cứu mới về chẩn đoán dựa trên mô hình và chẩn đoán

trong tình trạng hoạt động cho ĐCĐK ở điều kiện Việt nam. Đặt cơ sở ban đầu cho việc thiết lập và phân tích mô hình chẩn đoán thiết bị và hệ thống trong tình trạng hoạt động phù hợp với điều kiện ở nước ta.

- Xây dựng mô hình cấu trúc và xác định tập thông số chẩn đoán phù hợp cho bài toán chẩn đoán ĐCĐK trong trạng thái hoạt động.

- Bước đầu ứng dụng mạng nơron trong xây dựng mô hình ước lượng và đã đề xuất được 2 ước lượng thông số cho chẩn đoán phục vụ bài toán phát hiện lỗi và chẩn đoán lỗi.

Cấu trúc của luận án gồm mở đầu, 3 chương và phụ lục: Chương 1: Chẩn đoán kỹ thuật cho ĐCĐK. Chương 2: Mô hình hóa và xây dựng tập thông số chẩn đoán. Chương 3: Ứng dụng mạng nơron trong chẩn đoán ĐCĐK.

CHƯƠNG 1: CHẨN ĐOÁN TÌNH TRẠNG KỸ THUẬT CHO ĐỘNG CƠ ĐIỆN KÉO

1.1 Tình hình nghiên cứu về chẩn đoán và chẩn đoán ĐCĐK

1.1.1 Tình hình nghiên cứu trên thế giới Chẩn đoán kỹ thuật (CĐKT) trên thế giới đã được nghiên cứu rất sâu

về lý thuyết và đã chuyển sang giai đoạn ứng dụng. Nó có ý nghĩa trong mọi lĩnh vực của công nghiệp và giao thông vận tải. Nó làm thay đổi rõ rệt chất lượng của các hệ thống, không những cho phép đảm bảo khả năng vận hành, mà còn khả năng kiểm soát hệ thống trong cả trong trường hợp có sự cố. Trong mọi lĩnh vực của ngành giao thông vận tải (GTVT), như ôtô, hàng không, giao thông đường sắt, ứng dụng của chẩn đoán cho phép đảm bảo an toàn và độ tin cậy cho thiết bị. Do vậy, đối với ngành Đường sắt nói chung và thiết bị đầu máy nói riêng, việc nghiên cứu và ứng dụng chẩn đoán là rất cần thiết và cấp bách nhằm nâng cao chất lượng và độ an toàn của hệ thống.

Hiện nay, các nghiên cứu về chẩn đoán tập trung vào 2 hướng:

3

1. Sử dụng các phép phân tích tín hiệu để khai thác các thông số chẩn đoán, để nâng cao được khả năng phát hiện lỗi, nâng cao hiệu quả kinh tế, kỹ thuật của phép chẩn đoán.

2. Sử dụng trí tuệ nhân tạo (AI) trong chẩn đoán: Tập trung vào bài toán phân loại và kết luận lỗi: Sử dụng mạng nơron hoặc logic mờ. Về ứng dụng mạng nơron trong chẩn đoán

Trong lĩnh vực chẩn đoán kỹ thuật, việc ứng mạng nơron và tính toán mềm được nghiên cứu nhiều, chủ yếu theo hướng ứng dụng nơron và logic mờ trong kết luận chẩn đoán và sử dụng các dạng mạng lan truyền ngược trong học thông số của đối tượng chẩn đoán. Về chẩn đoán ĐCĐK

Đối với các loại động cơ thông dụng trong công nghiệp, các phương pháp chẩn đoán dựa trên phân tích dòng điện, từ trường, độ rung... được nghiên cứu và ứng dụng rộng rãi do tính đơn giản, dễ thực hiện của phép đo. Trong lĩnh vực chẩn đoán động cơ một chiều nói chung hay ĐCĐK nói riêng, do tính đặc thù, các cảm biến đã được tích hợp sẵn trong thiết bị cho phép thu thập các thông tin chẩn đoán hữu ích (CĐKT cho động cơ giàn khoan).

1.1.2 Tình hình nghiên cứu ở Việt nam ĐCĐK của đầu máy sử dụng trong ngành Đường sắt Việt nam thuộc

nhóm động cơ một chiều kích từ nối tiếp, sử dụng cổ góp và chổi than tiếp điện, công suất trong khoảng 200-500kW. Tuy nhiên, đặc tính động cơ và điều kiện làm việc khắc nghiệt hơn nhiều so với các loại động cơ tương tự dùng trong công nghiệp nhưng điều kiện làm việc khắc nghiệt. Về kết cấu, các ĐCĐK thường được chế tạo theo thiết kế cổ điển, không có sẵn các thiết bị giám sát, đo lường tích hợp bên trong thiết bị. Mặt khác, vị trí đặt của động cơ gây khó khăn khi tiếp cận, đo đạc, do vậy, rất không thuận lợi cho bài toán chẩn đoán. Về khai thác, mặc dù quy trình bảo dưỡng, sửa chữa vẫn được tuân thủ nghiêm túc theo yêu cầu thiết kế, nhưng công tác theo dõi đánh giá chất lượng làm việc chưa được quan tâm nghiên cứu.

Ở Việt nam, trong lĩnh vực đảm bảo khả năng làm việc của thiết bị, chủ yếu quan tâm đến độ tin cậy và tuổi thọ. Lĩnh vực chẩn đoán nói chung và trong lĩnh vực chẩn đoán thiết bị điện, điện tử và máy điện nói riêng, còn ít được quan tâm nghiên cứu. Đã có một vài nghiên cứu về chẩn đoán ĐCĐK, tuy nhiên, các nghiên cứu này tập trung phân tích trạng thái kỹ thuật của thiết bị ở trạng thái bảo dưỡng, sửa chữa; khi

4

thiết bị không trong tình trạng hoạt động. Những nghiên cứu về chẩn đoán tình trạng kỹ thuật của thiết bị ĐCĐK trong trạng thái hoạt động chưa được đề cập. Vì vậy, trong nội dung nghiên cứu của đề tài tập trung nghiên cứu về chẩn đoán tình trạng kỹ thuật của ĐCĐK trong tình trạng hoạt động.

1.2 Về lý thuyết chẩn đoán CĐKT là khoa học về xác định trạng thái của một hệ thống ở một

thời điểm xác định đang hoặc sẽ diễn ra, dựa trên các triệu chứng bên ngoài. Nội dung của khoa học này xem xét các phương pháp thu thập và đánh giá các thông tin chẩn đoán, các mô hình chẩn đoán và thuật toán ra quyết định. Chẩn đoán cũng có thể sử dụng các phép kiểm tra, tức là các trạng thái đầu vào đặc biệt nhằm làm cho hệ thống bộc lộ các triệu chứng của trạng thái hiện tại. Mục đích của CĐKT là đánh giá trạng thái ở các thời điểm, phát hiện sớm các hư hỏng đang và sẽ phát sinh của hệ thống, từ đó đưa ra các biện pháp kỹ thuật chống hỏng hóc, bảo trì báo dưỡng nhằm cải thiện độ tin cậy, an toàn và tuổi thọ của hệ thống kỹ thuật.

Bản chất của CĐKT là sự phát triển và thực hiện các thuật toán ước tính các thông số kỹ thuật của đối tượng chẩn đoán mà không cần thay đổi điều kiện làm việc của các thông số kiểm soát.

1.2.1 Định nghĩa bài toán chẩn đoán kỹ thuật Mattias Nyberg đã định nghĩa bài toán chẩn đoán như sau: Coi đối

tượng chẩn đoán (ĐTCĐ) là một tập hợp gồm n chi tiết độc lập, mỗi chi tiết có các thông số trạng thái tương ứng xi. Khi một trong số các chi tiết này làm việc không bình thường, hệ sẽ gặp lỗi fi.

Có thể xảy ra 3 tình huống như sau: - Hệ không gặp lỗi nào cả: Trạng thái của hệ thống đặc trưng bởi tập

rỗng S0= - Hệ gặp một trong số các lỗi đã nêu Sm=fi - Hệ gặp đồng thời nhiều lỗi đồng thời Sn=fi, fj,.... Tại một thời điểm, hệ sẽ nằm ở một trong các trạng thái S∈S0, Sm,

Sn. Mục tiêu của bài toán chẩn đoán là xác định xem hệ đang nằm ở trạng thái nào trong số các trên. Có thể có các cấp độ sau:

- Bài toán phát hiện lỗi (Fault Detection): Phân biệt hệ đang làm việc bình thường (S0) hay có lỗi (các trạng thái còn lại)

5

- Bài toán phân biệt lỗi (Fault Isolation): Phân biệt rõ hệ ở trạng thái nào trong số các trạng thái lỗi Si hoặc bình thường S0

- Bài toán định vị lỗi (Fault Indentification): Xác định được nguyên nhân gây ra lỗi và sự phát triển của lỗi.

- Bài toán dung lỗi (Fault Tollerance): Xây dựng những hệ thống có thể làm việc được trong trường hợp có lỗi xảy ra bằng cách sử dụng các thông tin gián tiếp hoặc các bộ phận thay thế.

Hệ càng phức tạp và số lượng lỗi đồng thời xảy ra càng nhiều thì việc chẩn đoán càng khó khăn. Chẩn đoán thiết bị trong tình trạng hoạt động

Chẩn đoán thiết bị trong tình trạng hoạt động là một bài toán riêng của chẩn đoán kỹ thuật. Trong đó, đối tượng chẩn đoán vẫn đang hoạt động trong hệ thống tổng thể. Thiết bị vẫn được đặt ở vị trí làm việc, không được tháo rời hoặc can thiệp. Nó có các đặc điểm riêng biệt sau:

- Đối tượng chẩn đoán vẫn đang trong trạng thái làm việc, nhận tín hiệu từ các khâu trước nó và đầu ra vẫn đang mang tải hoặc điều khiển thiết bị sau nó. Do vậy, không được tạo ra bất kỳ sự can thiệp nào gây ảnh hưởng đến tín hiệu đầu vào và đầu ra.

- Do vậy, rất hiếm khi có thể tạo ra được các phép thử và tình huống chẩn đoán nhằm giúp hệ thống bộc lộ lỗi.

- Thường đòi hỏi phát hiện sớm nhằm nâng cao ý nghĩa chẩn đoán của bài toán.

- Những biểu hiện lỗi rất mờ nhạt, bị trùng lấp trong

1.2.2 Mô hình toán học ĐTCĐ và bài toán chẩn đoán Một hệ thống làm việc bình thường được mô tả bởi hàm quan hệ:

Y(t) = Ψ[U(t), X(t)] (1.1) U(t): Véc tơ thông số đầu vào của đối tượng chẩn đoán Y(t): Véc tơ thông số đầu ra của đối tượng chẩn đoán X(t): Véc tơ thông số cấu trúc của đối tượng chẩn đoán F(t): Lỗi tác động đến hệ thống.

Lỗi được quy về một nhóm tín hiệu vào làm thay đổi thuộc tính của đối tượng F(t) = [f1(t), f2(t)... fn(t)] (1.2)

F(t) có thể biến đổi liên tục tương ứng với sự hao mòn của thiết bị (thường thấy ở các chi tiết cơ khí) hoặc dưới dạng đột biến (thường gặp ở các linh kiện điện tử) khi hệ thống hư hỏng bất thường.

6

Xét cả tác động của lỗi và các đầu vào ngoại lai thì trạng thái của đối tượng được xác định bởi công thức:

[ ][ ]

.( ) ( ) ( ) ( ), ( ), ( ), ( )

( ) ( ) ( ) ( ), ( ), ( ), ( )

x t x t x t x t u t f t d t

y t y t y t x t u t f t d t

φ

ψ

= + ∆ =

= + ∆ =

(1.3)

Như vậy, trong trường hợp lỗi, hàm lỗi F(t) làm thay đổi giá trị thông số trạng thái của thiết bị từ X(t) thành X(t)+∆X(t) và thông qua ánh xạ Ψ, thông số đầu ra thay đổi một lượng ∆y(t) thành y(t)+∆y(t). Công thức 1.1 sẽ trở thành: Y(t)+∆Y = ψ [U(t), X(t)+∆X(t)] (1.4)

Đối với hệ tuyến tính, F(t) có thể là lỗi nhân hoặc lỗi cộng. Việc chẩn đoán lỗi nhân thường đòi hỏi phải biết giá trị đầu vào (ui(t,)i≠0).

Bản chất của chẩn đoán là dựa vào những dấu hiệu đầu ra ∆y, để xác định sự thay đổi của thông số trạng thái của đối tượng. Tức là, nếu xác định được ánh xạ ngược ψ-1 thì bài toán coi như được giải xong: X(t)+∆X = ψ -1[U(t), Y(t)+∆Y(t)] (1.5)

Tuy nhiên, có hai vấn đề cần giải quyết: Vấn đề 1: Cách xác định sự bất thường của đầu ra: Nếu không biết

giá trị chuẩn đầu ra trong trạng thái bình thường thì không thể xác định được giá trị sai lệch ∆y(t). Những sai lệch có thể phát hiện được mang ý nghĩa chẩn đoán được gọi là triệu chứng.

Vấn đề 2: Ánh xạ Ψ-1 thường là không biết và khó xác định. Từ cách giải quyết hai vấn đề trên, phân biệt được các phương pháp

chẩn đoán: - Phương pháp chẩn đoán truyền thống dựa trên lý thuyết thống kê

để phát hiện mối quan hệ ngược giữa những vi phạm tiêu chuẩn ở TSCĐ và lỗi gặp phải của hệ thống. Nhược điểm của phương pháp chẩn đoán truyền thống đòi hỏi phải có số liệu thống kê về đối tượng trong trạng thái làm việc bình thường và trạng thái hư hỏng, tức là phải có số lượng mẫu thử ở trạng thái hỏng đủ lớn, trong mọi dạng lỗi.

- Phương pháp chẩn đoán dựa trên mô hình giải quyết các vấn đề trên bằng cách xây dựng mô hình đối chứng là ước lượng toán học của đối tượng trong trạng thái làm việc bình thường. Từ đó so sánh sai lệch để phát hiện các triệu chứng và kết luận lỗi.

7

1.2.3 Phương pháp chẩn đoán dựa trên mô hình hóa Phương pháp chẩn đoán dựa trên mô hình, tập trung vào giám sát và

kiểm tra. Phương pháp này đã được nghiên cứu nhiều về lý thuyết và đang phát triển ứng dụng của nó trong các ngành kỹ thuật, đặc biệt trong đo lường chẩn đoán và trong GTVT.

Một mô hình so sánh với hàm truyền đạt là hàm truyền của đối tượng chẩn đoán trong trạng thái bình thường và được chạy song song với đối tượng: ( ) ( )

^( ) t , X tY t U= Ψ ⎡ ⎤⎣ ⎦ (1.6)

Hình 1.1: Phương pháp chẩn đoán dựa trên mô hình và cơ chế xác định lỗi Giải quyết vấn đề 1: Triệu chứng lỗi được xác định bởi sai lệch

giữa giá trị thực tế và giá trị tính toán: . ^( ) ( ) ( )R t Y t Y t= − (1.7)

r(t) được gọi là các “dư thừa” hay mã kiểm tra nhằm xác định sai lệch của hệ thống.

So sánh ri với ngưỡng chẩn đoán: Các sai lệch vượt quá ngưỡng tâp các triệu chứng lỗi S=si của đối tượng.

Giải quyết vấn đề 2: Từ mô hình toán học và phân tích lỗi của đối tượng, xác định tập mối quan hệ phù hợp để xây dựng được mối quan hệ ngược từ S→F (hình 1.1.c). Các mối quan hệ e trong mô hình chẩn đoán được lựa chọn từ mô hình toán tương ứng sao cho mỗi lỗi fi tác động vào hệ thống tương ứng với sự biến đổi của một hoặc một nhóm triệu chứng si. Ψ là một song ánh. Do vậy, hoàn toàn có thể kết luận sự tồn tại của fi nếu có sự xuất hiện của si.

Trên cơ sở lý thuyết chẩn đoán dựa trên mô hình, có thể xây dựng mô hình hệ chẩn đoán như trong hình 1.2

F- lỗi Y-đầu ra

ĐTCĐ U- đầu vào

Phát hiện sai lệch

Ước lượng sai lệch

R-Sai lệch

Mô hình hóa

Phân loại R → S

S-Triệu chứng

Phân biệt lỗi Liên hệ S→F

F-Lỗi

b. Ngưỡng chẩn đoán

Giá trị thực Ngưỡng ước lượng Giá trị ngưỡng cố định

t

A

a. Mô hình chẩn đoán c. Kết luận chẩn đoán

8

Hình 1.2: Hệ chẩn đoán theo phương pháp mô hình hóa Đặc điểm của phương pháp

- Độ nhạy cao (hình 1.1b) - Cho phép chẩn đoán sớm các lỗi mới xảy ra. - Cho phép phát hiện hư hỏng chỉ dựa trên các thông tin về cấu trúc

và số liệu về thiết bị trong trạng thái hoạt động tốt. (Không cần gây lỗi thiết bị để quan sát hiện tượng).

- Không cần dựa trên số liệu thống kê. - Nhược điểm: Chỉ phát hiện được các lỗi đã định nghĩa trong mô

hình. Với các lỗi không được định nghĩa trước, phương pháp sẽ cho kết quả chẩn đoán sai hoàn toàn, có thể dẫn đến các hậu quả nghiêm trọng cho hệ thống.

Nhận xét Nghiên cứu về chẩn đoán TTKT và chẩn đoán ĐCĐK trong điều

kiện hoạt động là nhu cầu cấp thiết mang tính khoa học và thực tiễn. Chẩn đoán dựa trên mô hình là phương pháp tiên tiến, phù hợp với

nhu cầu chẩn đoán trong tình trạng hoạt động của ĐCĐK nói riêng và các hệ thống kỹ thuật nói chung.

CHƯƠNG 2: MÔ HÌNH HÓA VÀ XÂY DỰNG TẬP THÔNG SỐ CHẨN ĐOÁN CHO ĐỘNG CƠ ĐIỆN KÉO

2.1 Mô hình hóa ĐCĐK bằng mô hình cấu trúc Mô hình cấu trúc là tập hợp các quan hệ E=ei. Trong đó, ei biểu

diễn mối quan hệ giữa các thông số đầu vào, đầu ra, trạng thái và lỗi của đối tượng.

ĐCĐK được gắn trực tiếp với trục bánh xe đầu máy và có gia tốc rất thấp. Do vậy, chỉ cần xét mô hình ở trạng thái xác lập của đối tượng.

Hệ chẩn đoán dựa trên mô hình hóa

Tạo hàm kiểm tra

Đánh giá sai lệch

Đối tượng

Mô hình so sánh

Sai lệch

Phân tích sai lệch

Logic chẩn đoán

Tín hiệu vào Tín hiệu ra

9

2.1.1 Trạng thái bình thường Trên cơ sở phân tích mối quan hệ giữa các thông số của đối tượng,

xác định được tập các quan hệ ei như sau: Các mối quan hệ về điện Điện áp động cơ (UF): e1: UF = UKT + UA (2.1) Trong đó: UKT: Điện áp kích từ

UA: Điện áp phần ứng Suất phản điện động của động cơ (EA):

e4: EA=KE.Φ.nF (2.2) Trong đó: nF: Tốc độ quay của ĐCĐK KE: Hằng số máy điện Φ: Từ thông phần cảm. Dòng điện phần ứng (IA):

e3: A A txA

A

U E UIr

− − ∆= (2.3)

Trong đó: ∆UTX: Sụt áp trên chổi than rA: Điện trở phần ứng

Dòng kích từ (IKT): e2: KTKT

CC

UIr

= (2.4)

Trong đó: rcc: Điện trở cực từ

Dòng điện đầu vào động cơ (IF): e5: IKT = IF=IA (2.5)

Từ thông phần cảm (Φ): e6: Φ=KΦ.IF.w (2.6)

Các mối quan hệ về công suất tiêu tán Công suất tiêu tán trên tiếp xúc của chổi than (Ptx):

e7:PTx=∆Utx.IA (2.7) Công suất tiêu tán tại cực từ (Pcc):

e8: Pcc=fcc(nF, Ikt, rcc) (2.8) Trong đó fi: Hàm biểu diễn quan hệ giữa các đại lượng Công suất tiêu tán tại phần ứng (PA):

e9: PA=fA(nF, IA, rA) (2.9)

10

Công suất tiêu tán trên vòng bi (Pc): e10: Pc=fc(nF, MF) (2.10)

Trong đó: MF: Momen cơ học trên trục động cơ Nhiệt độ

Nhiệt độ cực từ (tcc): e11: tcc = ftcc(Pcc, tcin,tc) (2.11)

Trong đó: tcin: Nhiệt độ gió làm mát đầu vào tc: Nhiệt độ thân máy. Nhiệt độ phần ứng (tA):

e12: tA = ftA(PA, tcin,tc) (2.12) Nhiệt độ cổ góp (ttx):

e13: ttx = ftx(Ptx, tcin,tc) (2.13) Nhiệt độ ổ bi (tct):

e14: tct = fct(Pct, tcin,tc) (2.14) Xét trên toàn bộ động cơ

Tổn hao tổng cộng của động cơ (Ptt): e15: Ptt=ΣPtt i (2.15)

Hiệu suất của động cơ (η): e16: η= 1 - Ptt/PF (2.16)

Mô men cơ học (Mc): e17: Mc = Pđ. η/(2*π*nF) (2.17)

Nhiệt độ không khí làm mát đầu ra (tcout):

e18: 2

0 0. .cout cin

Pt t

C V m= + ∑ (2.18)

2.1.2 Trạng thái lỗi Ký hiệu các lỗi từ là Fi. Các lỗi được định nghĩa trong bảng 2.2. Xem xét mối ảnh hưởng của lỗi đến các thông số:

- Các lỗi đứt mạch phần điện sẽ làm hở mạch và dòng điện trên đoạn mạch tương ứng bằng 0 và điện áp bằng điện áp của cả đoạn mạch. Áp dụng cho từng đoạn mạch:

Đối với lỗi đứt mạch phần cảm F2: e19: (IKT = 0) & (UKT = UF) (2.19)

Đối với lỗi đứt mạch phần ứng F6:

11

e20: (IA =0) & (UA=UF ) (2.20) - Các lỗi chập mạch một phần hoặc toàn bộ sẽ làm thay đổi trở

kháng của đoạn mạch. Sự thay đổi rất khó phát hiện và chỉ được phát hiện qua mô hình ước lượng thông số đã phân tích ở trên. Giải thích: :TSCĐ/thông số vào :Thông số cấu trúc : Lỗi

Hình 2.1: Grap quan hệ của ĐCĐK một chiều - Các lỗi về nhiệt được phát hiện thông qua nhiệt độ của chi tiết: Lỗi quá nhiệt độ cực từ F8:

e21: tcc > tccmax (2.21) Lỗi quá nhiệt độ phần ứng F9:

e22: tĐ ≤tđmax (2.22) Lỗi quá nhiệt độ ổ bi F10:

e23: tC ≤ tcmax (2.23)

2.2 Grap chẩn đoán của ĐCĐK Thể hiện mối quan hệ dưới dạng grap trong hình 2.1.

UF IF

UA UK

IA

IK

Φ

EA

n∆Ut

Ptx Pcc PA Pct

PF

Mc

ttx tcc tA tct

tc

ptt

η

tcout

f1

rA

KE

Ak

tcin

f2

rcc

w

f5

f3

f4

f6

f10f9f8

f7

f

12

2.3 Lựa chọn tập tham số phù hợp cho chẩn đoán

2.3.1 Phương pháp xây dựng tập TSCĐ phù hợp TSCĐ là các thông số cấu trúc hoặc thông số đầu ra có mang thông

tin về thiết bị và thỏa mãn các điều kiện sau: - Điều kiện đồng tính: Phù hợp với mục tiêu của chẩn đoán, mang

lượng thông tin chính xác và đủ lớn. - Các thông số phải đơn trị trong khoảng khảo sát. - Thuận lợi cho công tác đo đạc, xác định thông số. - Phản ứng tức thời với mọi biến đổi trong đối tượng chẩn đoán, có

độ nhạy, độ ổn định cao. Phương pháp lựa chọn tập TSCĐ là tối thiểu hóa mô hình cấu trúc

theo tập lỗi cần phát hiện. Tiêu chí để tối thiểu hóa là hàm chỉ tiêu lượng thông tin của TSCĐ Π thể hiện mức độ ý nghĩa của TSCĐ. Hàm gồm ba thành phần Sk biểu thị mức độ liên hệ của thông số, bzi thể hiện khả năng đo đạc và Iczi thể hiện mức độ ý nghĩa của thông số:

. .i k Zi CziS b I∏ = (2.25) Chỉ số Sk của các tham số được xác định từ grap tín hiệu của đối

tượng. Các chỉ số Iczi và bzi.được xác định trên cơ sở khảo sát thực tế.

2.3.2 Lựa chọn tập tham số cho bài toán phát hiện lỗi Chọn tập lỗi cần phân biệt là toàn bộ các lỗi F=f1, f2... fi. Tiến hành

loại bỏ các thông số theo tứ tự từ thông số có ý nghĩa thấp đến cao, đồng thời vẫn đảm bảo các mối quan hệ tới F. Sau khi tối giản, thu được mô hình cấu trúc cho bài toán phát hiện lỗi ĐCĐK như sau:

Tập TSCĐ Z0 = nF, UF, IF, tcin, tcout (2.26)

Tập hàm quan hệ: E0= e3, e4, e5, e6, e15. e16, e18. (2.27)

Trên cơ sở mô hình cấu trúc bài toán phát hiện lỗi đã có, cần tiến hành phân tích từng phần hoặc toàn bộ mô hình để phát hiện các dấu hiệu lỗi ri và triệu chứng lỗi si. Trên cơ sở những dấu hiệu lỗi đó, có thể kết luận về tình trạng làm việc của thiết bị.

13

2.3.3 Lựa chọn tập thông số cho bài toán chẩn đoán lỗi Chọn tập lỗi lần lượt là các lỗi từ f1 đến f10, tiến hành tối giản với

điều kiện duy trì các mối quan hệ tới Fi, thu được mô hình cấu trúc cho mỗi tình huống lỗi như sau:

Bảng 2.2: Lỗi và TSCĐ cho lỗi tương ứng Lỗi Mô tả lỗi TSCĐ

Zi

Mô hình cấu trúc Ei R

f1 Xuất hiện vành lửa trên cổ góp UA, IF, n, e3, e4, e6 r1f2 Đứt mạch phần cảm UKT, IF e19 r2f3 Chập mạch phần cảm UKT, IF e2 r3f4 Cháy hoàn toàn, hở mạch cổ góp UA, IF e20 r4f5 Chập mạch một phần hoặc toàn bộ

bối dây phần ứng UA, IF, n e3, e4, e6 r1

f6 Đứt mạch một hoặc nhiều bối dây phần ứng

UA, IF, n e3, e4, e6 r1

f7 Sát cốt phần ứng UF, IF, tcin, tcout, tc e15, e16 r5f8 Quá nhiệt cực từ tcc e21 r6f9 Quá nhiệt phần ứng tA e22 r7f10 Quá nhiệt ổ trục tct e23 r8 Tổng hợp mô hình UF,UKT, UA, IF, n,

tcin, tcout, tc, tcc, tA, tct

e2, e3, e4, e6, e15, e16, e19, e20, e21, e22, e23

Các dư thừa ri được xác định là mức độ sai khác giữa giá trị đo và giá trị ước lượng theo mô hình cấu trúc Ei. Từ ri, so sánh với giá trị ngưỡng, sẽ xác định được tập các triệu chứng si. Ma trận kết luận lỗi được xây dựng trên cơ sở ei như sau:

Bảng 2.3: Ma trận kết luận lỗi s1 s2 s3 s4 s5 s6 s7 s8

f1 1 0 0 0 0 0 0 0 f2 0 1 0 0 0 0 0 0 f3 0 0 1 0 0 0 0 0 f4 0 0 0 1 0 0 0 0 f5 1 0 0 0 0 0 0 0 f6 1 0 0 0 0 0 0 0 f7 0 0 0 0 1 0 0 0 f8 0 0 0 0 0 1 0 0 f9 0 0 0 0 0 0 1 0 f10 0 0 0 0 0 0 0 1

Qua bảng kết luận lỗi, có nhận xét: - Hệ có khả năng chẩn đoán được lỗi: Các lỗi đều được phát hiện bởi

các biểu hiện lỗi s1...s8

14

- Hệ có khả năng phân biệt lỗi tốt: 7/10 lỗi đã được phân biệt. - Lỗi f1, f5 và f6 phát hiện được nhưng không phân biệt được do có

chung biểu hiện lỗi s5. Để phân biệt lỗi này, có thể kiểm tra nguội trong quá trình sửa chữa tại xưởng.

- Các biểu thức si cần được xác định và tính toán chính xác giá trị ngưỡng phân biệt lỗi nhằm đảm bảo khả năng chẩn đoán cao nhất. Nhận xét

Trong chương này, luận án đã phân tích phân tích mô hình cấu trúc và grap tín hiệu của ĐCĐK, từ đó đề xuất tập thông số chẩn đoán tối ưu của động cơ điện kéo theo khả năng thu thập dữ liệu và mức độ ý nghĩa cho hai bài toán phát hiện lỗi và phân biệt lỗi.

Tập thông số trên là các thông số cơ bản phản ảnh tình trạng kỹ thuật của đối tượng cần chẩn đoán. Kết quả của chương 2 cho phép xây dựng các hệ thống thu thập và lưu trữ số liệu cho thiết bị. Mức độ ảnh hưởng của mỗi thông số đến một hiện tưởng hỏng hóc là khác nhau. Vì vậy, việc đánh giá tác động trực tiếp của từng tham số, cũng như mối quan hệ của một nhóm thông số đến tình trạng kỹ thuật của đối tượng chẩn đoán là cần thiết.

Trong phần sau, luận án sẽ nghiên cứu sử dụng các phương pháp xử lý số liệu phù hợp, cho phép khai thác được những thông tin về đối tượng chẩn đoán.

CHƯƠNG 3: ỨNG DỤNG MẠNG NƠRON TRONG CHẨN ĐOÁN TÌNH TRẠNG KỸ THUẬT

CHO ĐỘNG CƠ ĐIỆN KÉO

3.1 Ước lượng thông số sử dụng mạng nơron RBF ứng dụng trong bài toán chẩn đoán Độ nhạy và độ chính xác của phép chẩn đoán phụ thuộc vào độ

chính xác của mô hình đối chứng. Phương pháp mô tả bằng mô hình toán học gặp phải các sai số sau:

- Sai số ước lượng khi mô tả những đối tượng phi tuyến bằng phương pháp tuyến tính hóa với độ chính xác không đảm bảo.

- Sự phân tán của thông số cấu trúc X: Thông số cấu trúc X của đối tượng khác nhau có sai khác nhau một lượng nhỏ. Xét về khía cạnh làm việc của đối tượng, sự sai khác của thông số với mức độ thấp luôn luôn tồn tại và là chấp nhận được. Tuy nhiên, trong bài toán chẩn đoán, sai

15

số về thông số X có thể gây ra sai số đối với Yt. Khi sai số này đủ lớn sẽ làm tăng ngưỡng và làm mất ý nghĩa của phép chẩn đoán.

Để khắc phục các vấn đề trên, đề xuất áp dụng mạng nơron RBF trong mô hình chẩn đoán dựa trên hai đặc điểm:

1. Khả năng nội suy thông số với độ chính xác cao, kể cả các hàm phi tuyến.

2. Cho phép “học” thông số của đối tượng cụ thể, nhờ đó khắc phục được vấn đề thông số tản của đối tượng.

Nhờ các khả năng trên, độ chính xác và tính chẩn đoán được của đối tượng được nâng cao. Các khả năng trên được làm rõ ở phần sau và được áp dụng vào đối tượng chẩn đoán là ĐCĐK đã chứng minh tính đúng của phương pháp.

Nội dung của bài toán là sử dụng mạng nơron RBF như một công cụ nội suy và ước lượng thông số.

3.1.1 Cấu trúc mạng nơron RBF Mạng RBF thường được xây dựng dưới dạng các nút phân bố theo 3

lớp: Lớp vào nhận tín hiệu và phân biệt bởi hàm ước lượng. Thường sử

dụng dạng hàm Gauss như sau:

⎟⎟⎟

⎜⎜⎜

⎛ −−= 2

2

exp)(k

k

k

xx

σ

νϕ Error!

Reference source not found.(3.1) Trong đó: ||x-vk || là ký hiệu khoảng cách ơclit giữa x và vk, được tính

bằng: ∑=

−=−C

i

kk xx1

2)( νν (3.2)

Trong đó: ϕk hàm cơ sở bán kính; kv là tâm của kϕ

kσ là bán kính hay còn gọi là tham số độ rộng của kϕ

C: Số lượng hàm cơ sở trong mạng.

16

Hình 3.1: Cấu trúc mạng nơron RBF

Lớp ẩn được kích hoạt tương ứng với véc tơ trọng số wq = [w1q, w2q, w3q, ...,wnq].

Lớp ra lấy tổng của các véc tơ giá trị đầu ra zq và véc tơ trọng số wq.

∑=

=l

qqiqi zwy

1

. (3.3)

Mạng RBF có thể được huấn luyện theo phương pháp bình phương tối thiểu hoặc phương pháp lan truyền ngược.

Hàm cơ sở Gauss với bán kính σ=5

Đầu ra của mạng với 3 tâm nội suy C1: v1=4, σ=15, w=0.7 C2: v2=-5, σ=7, w=0.2 C2: v2=-1, σ=4, w=0.3

Hình 3.2: Khả năng học và ước lượng thông số của mạng nơron RBF Công thức (3.1) và (3.3) cũng chính là công thức mô tả hàm nội suy

RBF, do vậy, mặc nhiên, mạng RBF có khả năng nội suy hàm nhiều biến và có thể sử dụng như khâu nội suy trong phương pháp chẩn đoán bằng mô hình so sánh.

INPU

T

OU

TPUT

HIDDEN

zq xi wi w0

w0 Y X

17

Xét về góc độ hàm truyền đạt: Mạng RBF là một hệ MISO, tạo ra đáp ứng đầu ra hoàn toàn tuân theo bộ số liệu học mà nó được biết. Kết quả đó đạt được nhờ xếp chồng các hàm cơ bản trong không gian ơclit n chiều ứng với n biến đầu vào.

Hình 3.2 mô tả một mạng RBF 1 đầu vào, 1 đầu ra, nội suy hàm số bằng cách xếp chồng 3 hàm cơ bản Gauss với tâm và bán kính khác nhau để ước lượng một hàm bậc nhất. Ví dụ trên thể hiện khả năng ước lượng của mạng: Sai số nhỏ trong khoảng [-8, 4], và lớn trong khoảng còn lại.

3.1.2 Cấu trúc hệ chẩn đoán sử dụng mạng RBF

Sử dụng mô hình ước lượng thông số bằng mô hình RBF, thu được cấu trúc hệ chẩn đoán như ở hình 3.3.

- Giai đoạn 1: Thu thập số liệu và luyện mạng (hình 3.3a): Số liệu đầu vào và đầu ra của đối tượng được thu thập và tổng hợp làm mẫu học cho mạng. Các trọng số wk được xác lập.

- Giai đoạn 2: Chẩn đoán (hình 3.3b): Mạng nội suy giá trị ra theo số liệu vào từ hệ thống thực. Kết quả nội suy được so sánh để đánh giá tình trạng của đối tượng.

3.2 Đề xuất phương pháp phát hiện lỗi dựa trên ước lượng nhiệt độ gió làm mát sử dụng mạng nơron RBF ĐCĐK thuộc loại thiết bị biến đổi công suất. Quạt gió được dùng để

làm mát cưỡng bức cho thiết bị. Từ phân tích ở chương 2 cho thấy, nhiệt độ gió làm mát đầu ra có quan hệ với rất nhiều lỗi. Vì vậy, có thể sử dụng nhiệt độ như TSCĐ của bài toán phát hiện lỗi nếu phân tích được triệu chứng lỗi từ TSCĐ này. Tuy nhiên, thông số này không được sử dụng trong xác định lỗi và xác định lỗi sớm vì bài toán truyền nhiệt là bài toán thông số tản và phụ thuộc rất nhiều yếu tố bên ngoài như nhiệt độ môi trường, cách gá lắp, điều kiện tản nhiệt, chế độ tải, và quán

đối tượng chẩn đoán

Mạng RBF

Số liệu học

Tín hiệu vào Tín hiệu ra Đối tượng chẩn đoán

Mạng RBF

Tín hiệu vào

Kết luận

Tín hiệu ra

Giá trị ước lượng

Hình 3.3. Mô hình chẩn đoán sử dụng mạng RBFa, Pha học b, Pha làm việc

18

tính nhiệt của thiết bị… Việc tính toán ước lượng nhiệt độ theo chế độ làm việc cũng gặp nhiều khó khăn.

Người ta thường quan tâm đến nhiệt độ ổn định và nhiệt độ tới hạn của thiết bị làm ngưỡng để cảnh báo và bảo vệ thiết bị. Trong luận án trình bày phương pháp sử dụng chẩn đoán dựa trên mô hình để phân tích và phát hiện triệu chứng sớm hơn từ TSCĐ nhiệt độ gió làm mát.

3.3 Xây dựng mô hình phát hiện lỗi thông qua ước lượng nhiệt độ dựa trên mạng nơron RBF

3.3.1 Phương pháp phát hiện lỗi Từ phân tích mô hình cấu trúc ở chương II, xác định được tập TSCĐ

liên quan là: Đầu vào của mạng: nF, IF, to

cin. Đầu ra của mạng: to

out. Trong đó, nF liên quan đến tốc độ đoàn tàu, IF liên quan đến sức kéo,

tcinvà tcout biểu thị mức độ tản nhiệt. Mạng phải có khả năng mô phỏng chính xác nhiệt độ đầu ra của thiết

bị trong trạng thái làm việc bình thường. Ở trạng thái chẩn đoán, mạng vẫn nhận bộ thông số đầu vào trên và

cho ra nhiệt độ thiết bị trong trạng thái bình thường tocoutN. Nếu nhiệt độ

thực tocout sai khác với nhiệt độ chẩn đoán thì quá trình năng lượng trong

thiết bị có vấn đề và kết luận là thiết bị có lỗi. Nhiệt độ được đánh giá sau thời gian xác lập khi động cơ đã ổn định về nhiệt. Tốc độ quạt làm mát được coi là ổn định đối với mỗi thiết bị.

3.3.2 Cấu trúc mạng cho bài toán ước lượng nhiệt độ Trong mô hình đã nêu, tồn tại hai quá trình nối tiếp nhau: - Quá trình tỏa nhiệt, sinh ra do tổn hao công suất trong thiết bị. - Quá trình tản nhiệt, không khí làm mát lấy nhiệt từ thiết bị, nhiệt

độ đầu ra tăng lên, đồng thời, thiết bị cũng gia tăng nhiệt độ theo công suất.

Mức độ tiêu hao công suất là giá trị tức thời, hoàn toàn chỉ phụ thuộc vào điều kiện làm việc của thiết bị, trong khi quá trình gia nhiệt của thiết bị phụ thuộc vào cả công suất tỏa nhiệt và quá trình gia tăng nhiệt độ theo thời gian. Do vậy, muốn ước lượng được nhiệt độ, cần phải ước lượng cả quá trình gia nhiệt theo thời gian.

Chia bài toán ước lượng t0cout thành 2 bước:

19

Bước 1: Ước lượng công suất tiêu tán (nhiệt độ dài hạn) Tham số vào: Tốc độ quay n, dòng điện IF: Tham số ra: mức độ tổn hao Rdh được đánh giá qua nhiệt độ dài hạn

Hình 3.4: mô hình ước lượng mức độ tiêu tán công suất

Hình 3.5: Mô hình ước lượng nhiệt độ máy điện kéo theo công suất tiêu tán

Bước 2: Ước lượng nhiệt độ theo công suất tiêu tán Ước lượng nhiệt độ ra theo thời gian. Sử dụng mô hình nhiều đầu

vào để lấy giá trị công suất theo thời gian.

3.3.3 Xây dựng mô hình thực nghiệm và đánh giá kết quả thông qua mô phỏng

Để kiểm tra khả năng ước lượng thông số trong bài toán chẩn đoán và kiểm tra độ chính xác của phép ước lượng sử dụng mạng nơron, tiến hành xây dựng mô hình thử nghiệm động cơ trong phòng thí nghiệm. Nguyên tắc để xây dựng mô hình là đồng dạng giữa thiết bị thực và mô hình thực nghiệm. Mô hình thực nghiệm có quy mô khác so với thiết bị thực theo một tỷ lệ quy đổi.

Hình 3.6: Mô hình thực nghiệm bài toán ước lượng UFN và ước lượng nhiệt độ

Mô hình thực nghiệm sử dụng động cơ một chiều kích từ nối tiếp Pdm=2kW, Umax=200V, Imax=20A, ndm=1500vg/ph, nguồn một chiều điều chỉnh được U=0-250V, Imax=20A. Tải của động cơ là máy phát điện 3 pha kích từ bằng máy phát kích P=2,2kVA, U=220V, I=5A. Tải đầu ra của máy phát là 3 điện trở tải 140 Ω, 1kW điều chỉnh được.

Tc.in Rdh1

. Rdh n

.

mạng RBF

Tc.outN

Nguồn một chiều 0-200V

30A

Động cơ điện một

chiều

Máy phát điện xoay

chiều

Tải xoay chiều

U, I, tcin

Điều chỉnh kích từ

n, tcout

n I

mạng RBF

Rdh

20

3.3.4 Phân tích số liệu Tiến hành phân tích số liệu đã thu được bằng chương trình Matlab.

Chương trình mô phỏng và luyện mạng được liệt kê chi tiết trong phụ lục 4 của đề tài.

Mô phỏng bước 1 mạng nơron dùng cho ước lượng nhiệt độ dài hạn thực hiện với 301 mẫu số liệu mô phỏng.

Kết quả đạt được: sai số lớn nhất không quá 1% tại các biên.

0

0.5

1 0 0.2 0.4 0.6 0.8 1

-10

0

10

20

30

40

50

I (*1000 A)U (*1000 V)

Nhiet

do

sau

15 p

hut

0

0.51 0 0.2 0.4 0.6 0.8 1

-0.6

-0.4

-0.2

0

0.2

0.4

I (*1000A)U (*1000V)

Del

ta t

Hình 3.7: Đồ thị kết quả ước lượng nhiệt độ dài hạn

Hình 3.8: Sai số ước lượng

Mô phỏng bước 2 thực hiện với 125 mẫu học. Hàm đầu ra sử dụng hàm Gauss. Bài toán ước lượng nhiệt độ dài hạn, sai số lớn nhất 1.13%.

0 10 20 30 40 50 60 70 80 90 1000

50

100

150

200

250

300

Thoi gian

Nhi

et d

o - c

ong

suat

Nhiet do uoc luongNhiet do mo phongCong suat

0 10 20 30 40 50 60 70 80 90 1000

0.2

0.4

0.6

0.8

1

1.2

1.4

Thoi gian

Sai

so

Hình 3.9: Ước lượng sự thay đổi nhiệt độ theo công suất tiêu tán

Hình 3.10: Sai số của phép ước lượng

Mô hình bài toán ước lượng nhiệt độ và thuật toán được đề xuất cho thấy có khả năng xác định nhiệt độ đầu ra theo tập thông số đầu vào với độ chính xác cao. Sai số giữa nhiệt độ dự đoán và nhiệt độ đầu ra cho phép đánh giá và dự báo tình trạng của hệ thống (thiết bị) cũng như đưa ra kết luận về hư hỏng.

So sánh với phương pháp chẩn đoán nhiệt độ thiết bị đang áp dụng: Hiện thời, các thiết bị ĐCĐK chỉ được cảnh báo ở ngưỡng nhiệt độ tối đa (ngưỡng cố định), như vậy, phương pháp chẩn đoán này cho phép ước lượng và cảnh báo sớm hơn rất nhiều so với phương pháp hiện có.

21

Bài toán cân bằng công suất và ổn định nhiệt là bài toán chung của tất cả các thiết bị biến đổi năng lượng. Do vậy, mô hình chẩn đoán được đề xuất có thể áp dụng hiệu quả cho các bài toán tương tự.

3.4 Đề xuất phương pháp chẩn đoán mức độ đánh lửa cổ góp thông qua ước lượng thông số ∆Utx ĐCĐK là loại động cơ một chiều có cổ góp. Với dòng điện làm việc

trên 200A, thì điện áp tiếp xúc (∆UTX) cỡ 10V có thể gây ra sự cố rất nghiêm trọng cho ĐCĐK.

Phần này đề xuất một phương pháp phát hiện tình trạng đánh lửa cổ góp dựa trên phân tích mối quan hệ giữa dòng điện, điện áp và tốc độ quay.

3.4.1 Phân tích quan hệ giữa các thông số của thiết bị Từ các mối quan hệ đã được phân tích ở chương 2, điện áp tiếp xúc

cổ góp có thể được xác định thông qua mối quan hệ với các thông số UF, IF và nF. Mối quan hệ giữa điện áp tiếp xúc với các thông số như sau: .( . . . )tx F F E FU U I R K K w nΣ Φ∆ = − + (3.4)

Không thể tính gián tiếp ∆Utx qua các đại lượng UF, IF, RΣ, KE, KΦ, nF bằng biểu thức (3.18) vì sai số gây ra bởi các nguyên nhân sau là quá lớn, vượt quá giá trị chấp nhận được của phép chẩn đoán:

- Giá trị RΣ của các động cơ khác nhau có sai khác nhau một lượng nhỏ bởi dây quấn.

- KE và KΦ không phải là hằng số tuyệt đối: Nó sai khác nhau giữa các thiết bị và phi tuyến theo I và n. Nghĩa là giữa các thiết bị khác nhau, với các mức dòng điện khác nhau, giá trị KE và KΦ sẽ thay đổi.

3.4.2 Phương pháp ước lượng ∆Utx Đặt [ ]. . ( ). .FN F E F FU I R K K I w nΣ Φ= + (3.5)

Thay vào (3.4) tx F FNU U U∆ = − (3.6)

Các đại lượng RΣ, KE, KΦ mặc dù phi tuyến nhưng đối với một thiết bị cụ thể chúng ổn định và không thay đổi. Do vậy với một thiết bị cụ thể, UFN là hàm xác định, phi tuyến của IF, nF: UFN=f(IF, nF)

Thay vì xác định biểu thức quan hệ chính xác của UFN và các tham số của biểu thức đó cho từng thiết bị cụ thể, luận án đề xuất sử dụng mô hình ước lượng thông số dựa trên mạng nơron RBF làm khâu ước lượng trong phương pháp này. Các thông số mạng:

22

Số nút đầu vào: 2: IF, nF

Số nút đầu ra: 1: UFN. Hệ thống hoạt động trong 2 pha: Pha học: Lấy mẫu giá trị UF, IF, nF trong khoảng giá trị có ý nghĩa

của thiết bị. Dùng bộ giá trị nhận được làm mẫu học cho mạng. Pha làm việc: Ước lượng UFN=UFN(IF, nF) và tính ∆Utx theo công

thức 3.6

3.4.3 Thực nghiệm trên mô hình mô phỏng Sử dụng mô hình thực nghiệm như mô tả trong 3.3.3. Đối tượng cần

quan tâm trong mô hình thực nghiệm là khả năng ước lượng chính xác hàm quan hệ UFN=f(IF, nF).

Căn cứ theo đặc tính bão hòa từ của lõi thép theo tải, đặc tính biến thiên KΦ=fΦ(I), là đồng dạng giữa kết cấu động cơ thử nghiệm và động cơ thực, có thể khẳng định mô hình thử nghiệm là phù hợp đối với tình huống thử nghiệm này. Thông số cần đánh giá là độ chính xác tương đối của phép ước lượng.

Tiến hành thay đổi các thông số UF, IF và tải, đo các tham số liên quan và thu thập số liệu. Tổng hợp được 156 số liệu ở các chế độ dòng điện, điện áp, tốc độ quay và tải khác nhau.

3.4.4 Xử lý số liệu thử nghiệm và tìm kiếm thông số mạng tối ưu Chia ngẫu nhiên bộ số liệu thành 2 tập: Tập số liệu học gồm 117 số

liệu dùng để luyện mạng, tập số liệu kiểm tra gồm 39 số liệu còn lại dùng để đánh giá độ chính xác của mạng bằng cách cho mạng ước lượng theo các giá trị đầu vào và so sánh giá trị đầu ra. Lưu ý rằng đây là sai số giữa số liệu đo và giá trị ước lượng. Do vậy, sai số này bao gồm cả sai số do đo lường trên mẫu thử.

Lập trình xử lý số liệu trên Matlab thực hiện luyện mạng theo cấu trúc đã đề xuất. Tiến hành thay đổi các giá trị số lượng tâm hàm cơ sở C và với bán kính hàm cơ sở σk cố định để tìm giá trị tối ưu. Kiểm tra 3 phương pháp định tâm hàm cơ sở, Với mỗi số lượng tâm C, thực hiện nhiều lần và đánh giá sai số trung bình, sai số lớn nhất:

- Lấy tâm hàm cơ sở trùng với số liệu vào: Các tâm được lấy trùng với giá trị số liệu đầu vào. Với các số liệu trùng lặp vị trí tâm thì vẫn giữ nguyên mẫu đó tập số liệu học, nhưng chỉ giữ lại 1 tâm duy nhất.

23

- Lấy tâm hàm cơ sở một cách ngẫu nhiên: Đặt các tâm ước lượng ở vị trí ngẫu nhiên trong cả dải có nghĩa của các đại lượng đầu vào.

- Phân bố tâm hàm cơ sở cách đều: Các tâm được phân bố cách đều nhau khắp trong miền giá trị của các tham số.

Hình 3.11. Sai số ước lượng theo số lượng

tâm hàm cơ sở, lấy tâm ngẫu nhiênHình 3.12. Sai số ước lượng theo số

lượng tâm hàm cơ sở, lấy tâm cách đều

Từ mô hình và phân tích số liệu, có được kết luận về cấu trúc mạng RBF và kết quả ước lượng như sau:

- Mô hình ước lượng ∆Utx sử dụng mạng nơron RBF đáp ứng được yêu cầu chẩn đoán và có thể áp dụng được cho hệ thống thực.

- Phương pháp lấy tâm cách đều cho kết quả ổn định hơn, là hướng ưu tiên nghiên cứu tiếp tục. Cần nghiên cứu ứng dụng trong bài toán.

- Với kết quả trên, chọn tâm ước lượng bố trí cách đều, số lượng tâm 42=16, đạt sai số ước lượng trung bình <1%, sai số ước lượng lớn nhất 2,7%.

3.4.5 Kiểm nghiệm trên thiết bị thực: 3.4.5.1 Thu thập và xử lý số liệu

Khảo sát đầu máy D14Er số hiệu 2014 hiện đang sử dụng tại Xí nghiệp đầu máy Yên Viên. ĐCĐK loại JQDR - 410 có các thông số cơ bản như sau: PĐM = 410kW, UĐM: 550V, IĐM: 800A, tỷ số truyền động 17/75, đường kính bánh xe 1013mm. Sau thời gian khảo sát 24 ngày (khoảng 200 giờ máy), đã thu được 257000 mẫu số liệu với các giá trị tốc độ, dòng điện và điện áp khác nhau. Thu thập các TSCĐ:

Tốc độ động cơ nF: sử dụng loại cảm biến phát xung quang điện (Encoder - ECD). Tần số được xác định bằng phương pháp đếm xung. Thông số của cảm biến: Số xung/vòng = 400, Un=15VDC, dạng tín hiệu đầu ra: Open collector, lắp trực tiếp với trục bánh xe chủ động của đầu máy (tương đương 91 xung/vòng động cơ).

24

- Tín hiệu về dòng điện và điện áp: Sử dụng các loại cảm biến có cách ly để đảm bảo an toàn. Cảm biến dòng điện loại từ thông, mắc trên mạch động lực của ĐCĐK, dải làm việc 0-2500A, đầu ra 4-20mA. Cảm biến điện áp 2500V, đầu ra 4-20mA cách ly. Điện áp đo được lấy trên 2 cực nguồn cho động cơ, mắc song song với các thiết bị đo trên đầu máy.

Lưu trữ số liệu bằng thẻ nhớ SDCard ghép nối với vi xử lý qua giao tiếp SDA. Lấy mẫu với chu kỳ <=1sec và khoảng cách giữa các điểm ghi <=25m. Xây dựng hệ thu thập số liệu trên cơ sở Vi xử lý họ PSoC Cypress 29466. Chương trình được viết bằng ngôn ngữ lập trình C. Các thiết bị ngoại vi phụ trợ: LCD, cổng COM, có bố trí nút bấm điều khiển nhằm thuận lợi cho sử dụng thiết bị. 3.4.5.2 Phân tích số liệu

Lập chương trình đọc và xử lý số liệu sơ bộ trên máy tính sử dụng ngôn ngữ lập trình Delphi. Phân tích số liệu trên MathLab 7.0

Hình 3.13: Mẫu đồ thị biểu diễn sự biến thiên của UF, IF, nF theo quãng

đường hoạt động.

Hình 3.14: Ước lượng UNF(nF,IF)

Nhận xét: Từ đồ thị của U,I,n (hình 3.13), nhận thấy: Trong khoảng thời gian khởi động, khi bắt đầu đóng cấp nguồn,

động cơ hoạt động ở điện áp rất thấp (10-40V), dòng điện đạt 250A, sau đó giảm dần, tốc độ quay của động cơ tăng dần từ 0 và đạt tốc độ ổn định sau thời gian khoảng 100-200 giây.

Khi động cơ chạy không tải, dòng điện xấp xỉ bằng 0, điện áp trên động cơ rất nhỏ cỡ 10-20V.

Trong đa số thời gian, tốc độ của động cơ (và cả đoàn tàu) biến đổi với gia tốc thấp.

Như vậy, ngoại trừ thời điểm đóng nguồn, trong toàn bộ khoảng thời gian còn lại, ĐCĐK luôn làm việc ở chế độ ổn định, xác lập, ảnh hưởng

25

của các hiện tượng quá độ về điện và từ tới mối quan hệ UF(n, IF) là rất nhỏ.

Ước lượng UFN: Tổng hợp các mẫu số liệu trùng nhau, thu được 118 000 mẫu số liệu UF(n,I). Tiến hành xây dựng mô hình ước lượng UFN với khâu ước lượng là mạng nơron RBF theo mô hình đã đề xuất. Kết quả ước lượng UFN thể hiện trên đồ thị trong hình 3.14. Mặt phẳng UFN thể hiện kết quả ước lượng trên toàn vùng có nghĩa của số liệu.

- Với các giá trị thấp của tốc độ quay (dưới 20% giá trị định mức) và dòng điện (I<=50A), các giá trị UF có độ tản mạn cao. Vùng này ứng với trạng thái khởi động của động cơ và trạng thái chạy không tải. Vùng còn lại ứng với trạng thái làm việc bình thường, số liệu rất tập trung.

- Kết quả ước lượng UFN(n, I) tạo thành một mặt cong trơn, đồng biến theo n, I trong vùng có số liệu thực nghiệm.

- Mặt phẳng UFN(n,I) bám sát số liệu thực nghiệm. Đánh giá sai số ước lượng trung bình trong các điều kiện hoạt động

khác nhau bằng cách sử dụng các mẫu đo không có trong số liệu học. So sánh trung bình mẫu để khử sai số ngẫu nhiên. Kết quả sai số ước lượng được tổng kết trong bảng sau:

Bảng 3.4: Sai số ước lượng điện áp STT n (ECD) v (vòng/ph) I (A) δ (%)

1 0-1000 0-150 0-50 2.17 2 1000-3000 150-450 50-150 1.13 3 3000 450-750 150-250 0.79 4 >5000 >750 250-350 0.82 - Sai số ước lượng là tương đối nhỏ (từ 0,8 đến 2,17%). - Sai số ước lượng trong vùng dòng điện thấp là tương đối cao. Vùng

có giá trị dòng điện xấp xỉ bằng không tương ứng với chế độ không tải (thả trôi dốc) của đầu máy. Vùng giá trị này không có giá trị chẩn đoán do điều kiện làm việc đặc biệt và sai số ước lượng quá cao.

- Các vùng còn lại có sai số ước lượng tương đối nhỏ, δ<1% ứng với sai số ước lượng ∆Utx= ±5V.

Trong toàn bộ thời gian lấy mẫu số liệu (24 ngày), thấy ∆Utx không biến đổi nhiều, chứng tỏ động cơ đang làm việc trong trạng thái tốt, nên giá trị ước lượng ∆Utx không có sự biến thiên mạnh. Chứng tỏ phép đo có độ ổn định cao và thiết bị đang trong trạng thái hoạt động tốt. Do điều kiện thực tế, không thu thập được các số liệu với tình trạng hư hỏng của thiết bị để so sánh.

26

Mô hình bài toán ước lượng mức độ đánh lửa cổ góp thông qua thông số và thuật toán được đề xuất cho thấy có khả năng xác định giá trị sụt áp do tiếp xúc chổi than đầu ra theo tập thông số đầu vào với độ chính xác cho phép đánh giá và dự báo tình trạng đánh lửa của hệ thống cổ góp cũng như đưa ra kết luận về hư hỏng.

Phương pháp ước lượng UFN và chẩn đoán ∆Utx đã khắc phục được vấn đề thông số không đồng đều của giữa các thiết bị và tính phi tuyến của tham số bằng cách sử dụng ước lượng bằng mô hình RBF. Nhờ đó, cho phép ước lượng được ∆Utx , góp phần nâng cao hiệu quả chẩn đoán.

Nhận xét Trong chương 3 đã nghiên cứu giải quyết bài toán chẩn đoán dựa

trên mô hình ước lượng thông số bằng mạng nơron RBF. Đề xuất 2 mô hình chẩn đoán động cơ điện kéo dựa trên 2 thông số

nhiệt độ và sụt áp do tiếp xúc chổi than (∆Utx) sử dụng mạng RBF như khâu ước lượng thông số. Đã tiến hành xây dựng và lấy số liệu từ mô hình mô phỏng, xác định cấu trúc mạng và kiểm tra sai số trên cơ sở bộ số liệu mô phỏng. Tiến hành thực nghiệm trên đối tượng thực đạt kết quả tốt. Kết quả thu đươc đạt yêu cầu về khả năng chẩn đoán và sai số, chứng tỏ việc sử dụng mạng nơron trong bài toán chẩn đoán là phù hợp và có thể áp dụng.

KẾT LUẬN Trên cơ sở nghiên cứu những vấn đề chẩn đoán kỹ thuật cho ĐCĐK

và ứng dụng mạng nơron, luận án đã đi sâu giải quyết bài toán chẩn đoán dựa trên mô hình ước lượng thông số bằng mạng nơron RBF và thực hiện được mục tiêu của luận án đã đề ra.

Những kết quả chính thu được trong luận án: 1. Đã xây dựng mô hình cấu trúc và phân tích mô hình grap ĐCĐK

trong trạng thái hoạt động; Từ đó đề xuất tập thông số chẩn đoán (TSCĐ) phù hợp cho bài toán phát hiện lỗi và phân biệt lỗi ĐCĐK theo khả năng thu thập dữ liệu, mức độ giá trị và ý nghĩa thông tin của các thông số đó đối với trạng thái hoạt động của ĐCĐK, tạo khả năng cho phép xây dựng các hệ thống thu thập và lưu trữ số liệu cho thiết bị,

2. Đã xây dựng mô hình và giải quyết bài toán chẩn đoán kỹ thuật dựa trên mô hình ước lượng thông số bằng mạng nơron RBF,

3. Ứng dụng mô hình đã xây dựng cho ĐCĐK, cho cụ thể là:

27

+ Đề xuất phát hiện lỗi ĐCĐK dựa trên thông số nhiệt độ, có khả năng xác định nhiệt độ đầu ra theo tập thông số đầu vào với độ chính xác cao. Sai số giữa nhiệt độ dự đoán và nhiệt độ đầu ra cho phép đánh giá và dự báo tình trạng của đối tượng và đưa ra kết luận về hư hỏng.

+ Đề xuất mô hình chẩn đoán ước lượng mức độ đánh lửa cổ góp của ĐCĐK dựa trên thông số sụt áp do tiếp xúc chổi than (∆Utx), có khả năng xác định giá trị sụt áp do tiếp xúc chổi than đầu ra theo tập thông số đầu vào với độ chính xác cho phép đánh giá và dự báo tình trạng đánh lửa của hệ thống cổ góp cũng như đưa ra kết luận về hư hỏng. Kết quả được chứng minh bằng mô hình đối chứng và kết quả kiểm tra trên đối tượng thực nghiệm.

Những kết quả trên cho thấy, phương pháp ước lượng sử dụng mạng nơron có thể sử dụng như một phương pháp ước lượng tham số cho mô hình chẩn đoán. Nó hiệu quả hơn so với các phương pháp mô hình hóa toán học với các bài toán có hàm truyền đạt chưa rõ hoặc khó thiết lập, đặc biệt là có thể sử dụng trong quá trình tích lũy và thu thập số liệu (số liệu thống kê ít và đang cập nhật). Phương pháp được đề xuất sử dụng tập số liệu kích thích đầu vào và đáp ứng đầu ra của đối tượng trong trường hợp bình thường và lỗi với sai số cho phép.

Luận án mới là những bước đi ban đầu trong việc giải quyết bài toán chẩn đoán kỹ thuật cho ĐCĐK bằng mạng nơron - một công cụ xử lý thông minh, hiện đại để thu được các kết quả chính xác, linh hoạt hơn, khai thác được các giá trị thông tin của các thông số cũng như gia tăng giá trị thống kê của chúng thông qua việc xử lý và học của mạng.

Hướng phát triển của đề tài: - Tiếp tục khai thác phương pháp đã đề xuất để khảo sát các thông số

khác của ĐCĐK tiến tới việc tìm quy luật thay đổi của từng thông số cũng như mối quan hệ giữa các thông số của ĐCĐK giúp cho việc chẩn đoán kỹ thuật của ĐCĐK hiệu quả hơn.

- Áp dụng kết quả của đề tài trong thu thập và xử lý số liệu cho Ngành Đường sắt Việt nam, tiến tới xây dựng các trung tâm xử lý số liệu tập trung và các thiết bị chẩn đoán online để đảm bảo khả năng vận hành của đầu máy cũng an toàn chạy tàu cho cả đoàn tàu.

28

DANH SÁCH CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ 1. Nguyễn Văn Nghĩa, “Đề xuất phương pháp xây dựng mô hình toán

và thuật toán chẩn đoán tình trạng kỹ thuật cho các thiết bị điện trên

đầu máy diezel truyền động điện” Tạp chí khoa học trường đại học

Giao thông Vận tải số 32 - 2010.

2. Nguyễn Văn Nghĩa “Đề xuất phương pháp phát hiện lỗi của máy điện

kéo thông qua kiểm soát nhiệt độ gió làm mát” Tạp chí Khoa học

trường đại học Giao thông Vận tải số 36 - 2011.

3. Nguyễn Thế Truyện, Nguyễn Văn Nghĩa “Đề xuất phương pháp xác

định mức độ đánh lửa cổ góp động cơ điện kéo bằng phương pháp

ước lượng thông số”, Tạp chí Khoa học trường đại học Giao thông

Vận tải số 36 - 2011.

4. Nguyễn Thế Truyện, Nguyễn Văn Nghĩa “Ứng dụng mạng nơron

RBF trong ước lượng thông số cho chẩn đoán động cơ điện kéo” Hội

thảo toàn quốc về Điện tử và An toàn Thông tin ATC/REV - 2012.

5. Nguyễn Thế Truyện, Nguyễn Văn Nghĩa “Thu thập và xử lý số liệu

cho chẩn đoán tình trạng đánh lửa cổ góp động cơ điện kéo đầu máy

D14E” Tạp chí Khoa học trường đại học Giao thông Vận tải số 38 -

2012.

6. Nguyễn Thế Truyện, Nguyễn Văn Nghĩa "Xây dựng mô hình toán

học cho bài toán chẩn đoán online động cơ điện kéo dựa trên phương

pháp chẩn đoán bằng mô hình đối chứng" Hội nghị toàn quốc lần thứ

6 về Cơ điện tử VCM - 2012.