ứng dụng mạng neural trong chuẩn đoán tình trạng kỹ thuật động cơ điện kéo đầu máy

B GIO DC V O TO B CễNG THNG
VIN NGHIấN CU IN T, TIN HC, T NG HểA





Nguyễn Văn Nghĩa


ứng dụng mạng nơron trong chẩn đoán
tình trạng kỹ thuật động cơ điện kéo của đầu máy


Chuyờn ngnh: K THUT IN T
Mó s: 62520203



luận án tiến sỹ kỹ thuật





H ni - 2012

Công trình được hoàn thành tại:

VIỆN NGHIÊN CỨU ĐIỆN TỬ, TIN HỌC, TỰ ĐỘNG HÓA

Người hướng dẫn khoa học:
Tiến sỹ Nguy
ễn 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 h
ỏi 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 v
ề 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 v
ực 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 đ
oán 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 nhi
ệt 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 ĐCĐ
K 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 mạ
ng 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 ch
ẩn 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 nghĩ
a 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 c
ậy 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 vự
c 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 ph
ương
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 d
ưỡng, 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, đi
ện 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 ch
ẩn 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 bi
ệt 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 củ
a 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 đ
oán (ĐTCĐ) là một tập hợp gồm n chi tiết độc lập, mỗi chi
tiết có các thông số trạng thái tương ứng x
i
. Khi một trong số các chi tiết

này làm việc không bình thường, hệ sẽ gặp lỗi f
i
.
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 S
0
={}
- Hệ gặp một trong số các lỗi đã nêu S
m
={f
i
}
- Hệ gặp đồng thời nhiều lỗi đồng thời S
n
={f
i
, f
j
, }.
Tại một thời điểm, hệ sẽ nằm ở một trong các trạng thái S∈{S
0
, S
m
,
S
n
}. 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 (S
0
) 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 S
i
hoặc bình thường S
0
- 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.
Chẩ
n 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 bộ

c 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) = [f
1
(t), f
2
(t) f
n
(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
txt xt xtutftdt
yt yt yt xt ut f t dt
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 (u
i
(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 h
ỏi 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 thườ
ng. 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 đố

i tượng:
() ()
^
() t , X tYt 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
tYtYt=−
(1.7)
r(t) được gọi là các “dư thừa” hay mã kiểm tra nhằm xác định sai
lệch của hệ thống.
So sánh r
i
với ngưỡng chẩn đoán: Các sai lệch vượt quá ngưỡng tâp
các triệu chứng lỗi S={s
i
} 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 f
i
tác
động vào hệ thống tương ứng với sự biến đổi của một hoặc một nhóm
triệu chứng s
i
.
Ψ
là một song ánh. Do vậy, hoàn toàn có thể kết luận sự
tồn tại của f
i
nếu có sự xuất hiện của s
i
.
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
l
ệ
ch
Ước lượng
s
ai l
ệc
h
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 d
ựa 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={e
i
}. Trong đó, e
i
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 e
i
như sau:
Các mối quan hệ về điện
Điện áp động cơ (U
F
): e

1
: U
F
= U
KT
+ U
A
(2.1)
Trong đó: U
KT
: Điện áp kích từ
U
A
: Điện áp phần ứng
Suất phản điện động của động cơ (E
A
):
e
4
: E
A
=K
E
.
Φ
.n
F
(2.2)
Trong đó: n
F

: Tốc độ quay của ĐCĐK
K
E
: Hằng số máy điện
Φ: Từ thông phần cảm.
Dòng điện phần ứng (I
A
):
e
3
:
A
Atx
A
A
UE U
I
r
−
−∆
=
(2.3)
Trong đó:
∆
U
TX
: Sụt áp trên chổi than
r
A
: Điện trở phần ứng

Dòng kích từ (I
KT
): e
2
:
K
T
KT
CC
U
I
r
=
(2.4)
Trong đó: r
cc
: Điện trở cực từ

Dòng điện đầu vào động cơ (I
F
):
e
5
: I
KT
= I
F
=I
A
(2.5)

Từ thông phần cảm (
Φ
):
e
6
:
Φ
=K
Φ
.I
F
.w (2.6)
Các mối quan hệ về công suất tiêu tán
Công suất tiêu tán trên tiếp xúc của chổi than (P
tx
):
e
7
:P
Tx
=
∆
U
tx
.I
A
(2.7)
Công suất tiêu tán tại cực từ (P
cc
):

e
8
: P
cc
=f
cc
(n
F
, I
kt
, r
cc
) (2.8)
Trong đó f
i
: Hàm biểu diễn quan hệ giữa các đại lượng
Công suất tiêu tán tại phần ứng (P
A
):
e
9
: P
A
=f
A
(n
F
, I
A
, r

A
) (2.9)

10
Công suất tiêu tán trên vòng bi (P
c
):
e
10
: P
c
=f
c
(n
F
, M
F
) (2.10)
Trong đó: M
F
: Momen cơ học trên trục động cơ
Nhiệt độ
Nhiệt độ cực từ (t
cc
):
e
11
: t
cc
= f

tcc
(P
cc
, t
cin
,t
c
) (2.11)
Trong đó: t
cin
: Nhiệt độ gió làm mát đầu vào
t
c
: Nhiệt độ thân máy.
Nhiệt độ phần ứng (t
A
):
e
12
: t
A
= f
tA
(P
A
, t
cin
,t
c
) (2.12)

Nhiệt độ cổ góp (t
tx
):
e
13
: t
tx
= f
tx
(P
tx
, t
cin
,t
c
) (2.13)
Nhiệt độ ổ bi (t
ct
):
e
14
: t
ct
= f
ct
(P
ct
, t
cin
,t

c
) (2.14)
Xét trên toàn bộ động cơ
Tổn hao tổng cộng của động cơ (P
tt
):
e
15
: P
tt
=
Σ
P
tt i
(2.15)
Hiệu suất của động cơ (
η
):
e
16
:
η
= 1 - P
tt
/P
F
(2.16)
Mô men cơ học (M
c
):

e
17
: M
c
= P
đ
.
η
/(2*
π
*n
F
) (2.17)
Nhiệt độ không khí làm mát đầu ra (t
cout
):
e
18:
2
00

cout cin
P
tt
CVm
=+
∑
(2.18)
2.1.2 Trạng thái lỗi
Ký hiệu các lỗi từ là F

i
. 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 đứ
t mạch phần cảm F
2
:
e
19
: (I
KT
= 0) & (U
KT
= U
F
) (2.19)
Đối với lỗi đứt mạch phần ứng F
6
:

11
e
20:
(I
A
=0) & (U
A

=U
F
) (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 F
8

:
e
21
: t
cc
> t
ccmax
(2.21)
Lỗi quá nhiệt độ phần ứng F
9
:
e
22
: t
Đ

≤
t
đmax
(2.22)
Lỗi quá nhiệt độ ổ bi F
10
:
e
23
: t
C

≤
t

cmax
(2.23)
2.2 Grap chẩn đoán của ĐCĐK
Thể hiện mối quan hệ dưới dạng grap trong hình 2.1.
U
F
I
F
U
A
U
K
I
A
I
K
Φ
E
A
n
∆
U
t
P
tx
P
cc
P
A
P

c
t
P
F
M
c
t
tx
t
cc
t
A
t
c
t
t
c
p
t
t

η
t
cout
f
1
r
A
K
E

K
Φ
A
k
t
cin
f
2
r
cc
w
f
5
f
3
f
4
f
6
f
10
f
9
f
8
f
7
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.
- Thu
ận 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 củ
a TSCĐ. Hàm
gồm ba thành phần S
k
biểu thị mức độ liên hệ của thông số, b
zi
thể hiện
khả năng đo đạc và I
czi
thể hiện mức độ ý nghĩa của thông số:


ikZiCzi
S
bI
∏

=
(2.25)
Chỉ số S
k
của các tham số được xác định từ grap tín hiệu của đối
tượng. Các chỉ số I
czi
và b
zi
.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={f
1
, f
2
f
i
}. 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 Z
0
= {n
F
, U
F
, I
F
, t

cin
, t
cout
}
(2.26)
Tập hàm quan hệ: E
0
= {e
3
, e
4
, e
5
, e
6
, e
15
. e
16
, e
18
}.
(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 r
i
và triệu chứng lỗi s
i
. 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 f
1
đến f
10
, tiến hành tối giản với
điều kiện duy trì các mối quan hệ tới F
i
, 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
Z
i
Mô hình cấu trúc E
i
R

f
1
Xuất hiện vành lửa trên cổ góp U
A
, I
F
, n, e
3
, e

4
, e
6
r
1
f
2
Đứt mạch phần cảm U
KT
, I
F
e
19
r
2
f
3
Chập mạch phần cảm U
KT
, I
F
e
2
r
3
f
4
Cháy hoàn toàn, hở mạch cổ góp U
A
, I

F
e
20
r
4
f
5
Chập mạch một phần hoặc toàn bộ
bối dây phần ứng
U
A
, I
F
, n e
3
, e
4
, e
6
r
1
f
6
Đứt mạch một hoặc nhiều bối dây
phần ứng
U
A
, I
F
, n e

3
, e
4
, e
6
r
1
f
7
Sát cốt phần ứng U
F
, I
F
, t
cin
, t
cout
,

t
c
e
15
, e
1
6
r
5
f
8

Quá nhiệt cực từ t
cc
e
21
r
6
f
9
Quá nhiệt phần ứng t
A
e
22
r
7
f
10
Quá nhiệt ổ trục t
ct
e
23
r
8
Tổng hợp mô hình U
F
,U
KT
, U
A
, I
F

, n,
t
cin
, t
cout
, t
c
, t
cc
, t
A
,
t
ct

e
2,
e
3
, e
4
, e
6
, e
15
, e
16
,
e
19

, e
20
, e
21
, e
22
, e
23

Các dư thừa r
i
được xác định là mức độ sai khác giữa giá trị đo và
giá trị ước lượng theo mô hình cấu trúc E
i
. Từ r
i
, so sánh với giá trị
ngưỡng, sẽ xác định được tập các triệu chứng s
i
. Ma trận kết luận lỗi
được xây dựng trên cơ sở e
i
như sau:
Bảng 2.3: Ma trận kết luận lỗi
s
1
s
2
s
3

s
4
s
5
s
6
s
7
s
8
f
1
1 0 0 0 0 0 0 0
f
2
0 1 0 0 0 0 0 0
f
3
0 0 1 0 0 0 0 0
f
4
0 0 0 1 0 0 0 0
f
5
1 0 0 0 0 0 0 0
f
6
1 0 0 0 0 0 0 0
f
7

0 0 0 0 1 0 0 0
f
8
0 0 0 0 0 1 0 0
f
9
0 0 0 0 0 0 1 0
f
10
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 s
1
s
8

14
- Hệ có khả năng phân biệt lỗi tốt: 7/10 lỗi đã được phân biệt.
- Lỗi f
1
, f
5
và f
6
phát

hiện được nhưng không phân biệt được do có
chung biểu hiện lỗi s
5

. Để phân biệt lỗi này, có thể kiểm tra nguội trong
quá trình sửa chữa tại xưởng.
- Các biểu thức s
i
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 hi
ện 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 NƠ
RON
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 tuy
ến 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 Y
t
. 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
đượ
c 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
x
x
σ
ν
ϕ
Error!
Reference source not found.(3.1)

Trong đó: ||x-v
k
|| là ký hiệu khoảng cách ơclit giữa x và v
k
, được tính
bằng:
∑
=
−=−
C
i
kk
xx
1
2
)(
νν
(3.2)
Trong đó: ϕ
k
hàm cơ sở bán kính;

k
v
là tâm của
k
ϕ


k

σ
là bán kính hay còn gọi là tham số độ rộng của
k
ϕ

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 w
q
= [w
1q
, w
2q
,
w
3q
, ,w
nq
].
Lớp ra lấy tổng của các véc tơ giá trị đầu ra z
q
và véc tơ trọng số w
q
.

∑
=

=
l
q
qiqi
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: v
1
=4,
σ
=15, w=0.7
C2: v
2
=-5,
σ
=7, w=0.2
C2: v
2
=-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.

INPUT
OUTPUT
HIDDEN
z
q

x
i
w
i
w
0
w
0
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 w
k
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 đổ
i 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 nhi
ệt
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 RB
F
a, 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 ch
ứng 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: n
F
, I

F
, t
o
cin
.
Đầu ra của mạng: t
o
out
.
Trong đó, n
F
liên quan đến tốc độ đoàn tàu, I
F
liên quan đến sức kéo,
t
cin
và t
cout
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 t
o
coutN
. Nếu nhiệt độ
thực t
o
cout
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 đ
ã 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 củ
a
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 t
0
cout
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 I
F
:
Tham số ra: mức độ tổn hao R
dh
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 tắ
c 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 U
FN

và ước lượng nhiệt độ
Mô hình thực nghiệm sử dụng động cơ một chiều kích từ nối tiếp
P
dm
=2kW, U
max
=200V, I
max
=20A, n
dm
=1500vg/ph, nguồn một chiều điều
chỉnh được U=0-250V, I
max
=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.
T
c.in
R
dh1
.
R
dh n
.

mạng RBF
T
c.outN

Nguồn
một chi
ề
u
0-200V
30A
Động cơ
điện một
chiều
Máy phát
điện xoay
chiều
Tải xoay
chiều
U, I, t
cin

Điều chỉnh
kích từ
n, t
cout

n

I

mạng
RBF
R
dh

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 phut

0

0.5
1
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)
Delt a 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 90 100
0
50
100
150
200
250
300

Thoi gian
Nhiet do - cong s uat
Nhiet do uoc luong
Nhiet do mo phong
Cong suat
0 10 20 30 40 50 60 70 80 90 100
0
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 b
ị) 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 v

ới 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
∆
U
tx

ĐCĐK là loại động cơ một chiều có cổ góp. Với dòng điện làm việc
trên 200A, thì điện áp tiếp xúc (
∆
U
TX
) 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
U
F
, I
F
và n

F
. Mối quan hệ giữa điện áp tiếp xúc với các thông số như
sau:
.( . . . )
tx F F E F
UUIRKKwn
ΣΦ
∆=− +
(3.4)
Không thể tính gián tiếp
∆
U
tx
qua các đại lượng U
F
, I
F
, R
Σ
, K
E
, K
Φ
,
n
F
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 R
Σ

của các động cơ khác nhau có sai khác nhau một lượng
nhỏ bởi dây quấn.
- K
E
và K
Φ
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 K
E
và K
Φ
sẽ thay đổi.
3.4.2 Phương pháp ước lượng
∆
U
tx

Đặt
[
]
()
FN F E F F
UIRKKIwn
ΣΦ
=+
(3.5)
Thay vào (3.4)
tx F FN
UUU

∆
=−
(3.6)
Các đại lượng R
Σ
, K
E
, K
Φ
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, U
FN
là hàm xác định, phi tuyến của I
F,
n
F
: U
FN
=f(I
F
, n
F
)
Thay vì xác định biểu thức quan hệ chính xác của U
FN
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: I
F
, n
F

Số nút đầu ra: 1: U
FN
.
Hệ thống hoạt động trong 2 pha:
Pha học: Lấy mẫu giá trị U
F
, I
F
, n
F
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 U
FN
=U
FN
(I
F
, n
F
) và tính
∆
U

tx
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 U
FN
=f(I
F
, n
F
).
Căn cứ theo đặc tính bão hòa từ của lõi thép theo tải, đặc tính biến
thiên K
Φ
=f
Φ
(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 U
F
, I
F
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 s
ố 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 c
ấu
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
σ
k

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 s
ố 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 nhiên
Hình 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
∆
U
tx
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
4
2
=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: P
ĐM
= 410kW, U
ĐM
: 550V, I
ĐM
: 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 n
F
: 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, U
n
=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).