Bài giảng Chẩn đoán kỹ thuật - Trường Đại học Hàng hải Việt Nam

arning) hay huấn luyện (training) với mục đích tiệm cận mục tiêu mong muốn; - ANN chỉ có thể xây dựng được khi có sẵn dữ liệu. Có thể nói, không có dữ liệu thì không có ANN. Hình 37: Mô hình xây dựng hệ thống thích nghi By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 43 Lưu ý rằng tuy là hệ tham số nhưng ANN cũng có thể coi là dạng mô hình hộp đen. Do tính thích nghi và luật học áp dụng, các tham số (trọng số liên kết) được tự động tính toán và ẩn đối với người nghiên cứu. 4.2. Cơ sở lý thuyết về ANN ANN với bài toán hồi quy tuyến tính (Linear regression) Giả sử có số liệu đo từ một quá trình vật lý nào đó như trong Bảng 4-1 với các giá trị x không có sai số, còn các giá trị d được đo với sai số nhất định (noise). x ở đây có thể chỉ là thứ tự thực hiện phép đo, hay thời điểm (thời gian) thực hiện phép đo, hoặc cũng có thể là một đại lượng vật lý khác. Bảng 4-1: Số liệu đo bài toán hồi quy một tham số x 1 2 3 4 5 6 7 8 9 10 11 12 d 1,72 1,90 1,57 1,83 2,13 1,66 2,05 2,23 2,89 3,04 2,72 3,18 Rất ít thông tin có thể suy ra được từ số liệu trên, ngoại trừ xu hướng tăng dần khá rõ nét. Thông thường, bộ não con người có thể nhận thức dữ liệu dạng hình ảnh tốt hơn. Để có thể suy luận về quan hệ giữa các biến x, d, trước tiên mô tả dưới dạng đồ thị rải rác (scatter plot) như ở Hình 38. Hình 38: Scatter plot cho dữ liệu từ Bảng 4-1 Từ hình vẽ, dễ nhận thấy giữa x và d có thể mô tả bằng một mối quan hệ tuyến tính, d = wx + b. Sự sai khác giữa các điểm số liệu với hàm có thể là do sai số đo hoặc nhiễu. Một cách chính xác hơn, có thể viết: d = wxi + b + εi = yi + εi, trong đó εi là sai số giữa giá trị thực với giá trị của hàm yi, w là độ dốc, còn b là độ lệch (bias) của giá trị d. Như vậy, việc xác định hàm tuyến tính chính là xác định giá trị độ dốc w và độ lệch b. Có thể xây dựng mô hình phần tử tính toán (Processing element) như ở Hình 39 để giải quyết bài toán trên. Mô hình bao gồm hai bộ nhân và một bộ cộng. Bộ nhân là xi.w và 1.b, còn bộ cộng là phép cộng từ kết quả của hai bộ nhân: xi.w + 1.b. By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 44 Hình 39: Mô hình phần tử tính toán cho bài toán hồi quy tuyến tính Hồi quy tuyến tính và phương pháp bình phương bé nhất (Least squares) Hình 40: Hồi quy và các xác định sai số trung bình bình phương Mục tiêu của bài toán hồi quy là xác định các giá trị w, b sao cho tổng sai lệch giữa các giá trị của đường thẳng (y) và các giá trị thực tương ứng (d) là nhỏ nhất. Trong khi b quyết định độ dịch của đường thẳng theo trục tung thì w là độ dốc của đường thẳng (Hình 40). Thường sử dụng tổng sai lệch bình phương trung bình: ∑∑ == =−= N i i N i ii N yd N J 1 22 1 2 1)( 2 1 ε . (4-1) Nếu coi b = 0, có thể khai triển sai số J như sau: . Về mặt toán học, cực tiểu của sai số bình phương trung bình J đạt được khi dw dJ = 0. By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 45 Hình 41: Mô hình neural adaptive xác định các hệ số Về mặt hình học, J có thể được biểu diễn dạng hàm parabol như ở Hình 42. Mục tiêu của bài toán là tìm w sao cho hàm J đạt cực tiểu. Hệ thống thực hiện quá trình tìm kiếm theo bước lặp (iterations) và kết thúc khi hàm mục tiêu không thay đổi hoặc thay đổi mức độ nhỏ hơn so với điều kiện kết thúc được quy định. Hình 42: Quá trình tìm kiếm giá trị hệ số tối ưu Cấu tạo một nơ ron nhân tạo đơn giản Trên cơ sở mô hình phần tử tính toán như ở Hình 39 có thể xây dựng một mạng nơ ron nhân tạo với chỉ một nơ ron như ở Hình 43. Hình 43: Cấu tạo một nơ ron nhân tạo đơn giản By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 46 Ở đầu vào, một nơ ron nhân tạo đơn giản có cấu tạo gồm một tín hiệu vào p (input) và một tín hiệu độ lệch b (bias). Tín hiệu vào và độ lệch được liên kết tới bộ cộng qua các liên kết trọng số (w và b). Độ lệch b có vai trò tương tự như liên kết trọng số nhưng luôn có giá trị đầu vào là 1. Điều này được hiểu như việc dịch hàm f về bên trái một khoảng bằng b. Tín hiệu ra của bộ cộng n có giá trị là (pw + b). Tín hiệu ra sau cùng là một hàm của tín hiệu sau bộ cộng, a = f(n) = f(pw + b). f được gọi là hàm chuyển hay hàm kích hoạt (transfer function, activation function). Bằng cách thay đổi các trọng số w và b cho phù hợp có thể thiết lập được một hệ thống cho phép thực hiện một nhiệm vụ cụ thể. Quá trình lựa chọn các trọng số mong muốn để phù hợp các giá trị đầu vào p với các giá trị đầu ra yêu cầu a được gọi là quá trình học (learning) của mạng hay quá trình huấn luyện (training) mạng. Trong thực tế thường gặp các bài toán đa tham số, với nhiều giá trị khác nhau của tín hiệu vào. Giả sử một quá trình được đặc trưng bởi ba thông số như trong Bảng 4-2, trong đó x1, x2 là các thông số đầu vào, còn d là thông số ra. Như vậy, bằng cách tương tự có thể xác định mối quan hệ giữa hai thông số vào và thông số ra. Một mối quan hệ tuyến tính như vậy sẽ được biểu diễn bằng một mặt phẳng như ở Hình 44. Bảng 4-2: Số liệu đo bài toán hồi quy một hai số x1 1 2 2 2 3 3 4 5 5 5 6 7 8 8 9 x2 2 5 3 2 4 5 6 5 6 7 8 6 4 9 8 d 2 1 2 2 1 3 2 3 4 3 4 2 4 3 4 Hình 44: Mặt phẳng hồi quy Bằng cách tương tự, có thể tìm kiếm các hệ số để đảm bảo tối thiểu sai số bình phương trung bình trên cơ sở mô hình tính toán với nhiều giá trị đầu vào như ở Hình 45. By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 47 Hình 45: Tìm kiếm giá trị sai số tối ưu trong không gian hai chiều Trong thực tế, các bài toán nhiều hơn hai tham số sẽ gặp khó khăn trong mô tả cũng như phức tạp khi giải bằng các phương pháp toán học truyền thống. Công nghệ mạng ANN cho phép có thể mô tả bài toán như vậy bằng mô hình với chỉ một nơ ron. Nếu thay giá trị đơn lẻ p ở mô hình ở Hình 43 bằng một vector có R giá trị cùng với các quan hệ trọng số , được mô hình một nơ ron nhân tạo nhiều tín hiệu vào như ở Hình 46. Hình 46: Mô hình một nơ ron nhân tạo với vector đầu vào Khi đó, tín hiệu ra của bộ cộng được tính như sau: Hoặc viết gọn bpWn += . , với W là vector hệ số trọng. Trong trường hợp này, quá trình huấn luyện mạng là xác định tập hệ số trọng W và giá trị b để phù hợp giữa các giá trị vector tín hiệu vào p và các giá trị tín hiệu ra a. Hàm kích hoạt Có thể sử dụng một số dạng hàm kích hoạt khác nhau. Các hàm này thường có các đặc điểm sau: - Hàm bị chặn trên và chặn dưới; - Hàm có tính đơn điệu; By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 48 - Hàm phải có tính liên tục và trơn. Trong thực tế, thường ứng dụng một số hàm như mô tả ở Hình 47. Hình 47: Các dạng hàm kích hoạt Việc lựa chọn dạng hàm kích hoạt phụ thuộc vào yêu cầu của bài toán. Luật học và tiến trình học (learning/training) Luật học là một trong ba yếu tố quan trọng tạo nên một mạng nơ-ron nhân tạo. Có hai vấn đề cần học đối với mỗi mạng nơ-ron nhân tạo đó là học tham số (parameter learning) và học cấu trúc (structure learning). Học tham số là việc thay đổi trọng số của các liên kết giữa các nơ-ron trong một mạng, còn học cấu trúc là việc điều chỉnh cấu trúc của mạng bao gồm thay đổi số lớp nơ-ron, số nơ-ron của mỗi lớp và cách liên kết giữa chúng. Hai vấn đề này có thể được thực hiện đồng thời hoặc tách biệt. Về mặt phương pháp học, có thể chia ra làm hai loại: học có giám sát hay còn gọi là học có thầy (supervised learning) và học không có giám sát hay còn gọi là học không có thầy (unsuperviced learning). Học là tiến trình quan trọng của con người, nhờ học mà bộ não tích luỹ những kinh nghiệm, kiến thức để thích nghi với môi trường và sử dụng những kinh nghiệm, kiến thức học được trong các tình huống thực tế. Tương tự, ANN cũng có khả năng “học” bằng cách nhận biết dữ liệu từ bên ngoài. Hình 15 mô tả mô hình huấn luyện mạng ANN. Các số liệu đầu vào (input) được đưa vào mạng. Thông qua các mối liên kết trọng số, mạng sẽ tính toán giá trị đầu ra (output). Giá trị đầu ra tính toán được sẽ được so sánh với giá trị đích thực tế (target). Sai số xác định được sẽ được sử dụng như là phản hồi để hiệu chỉnh các mối liên kết trọng số. Trải qua nhiều vòng lặp, mạng sẽ chọn được tập hợp các liên kết trọng số tối ưu. Hình 48: Huấn luyện mạng ANN By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 49 Mô hình huấn luyện mạng ANN như ở Hình 48 được gọi là học có giám sát (supervised learning), với các giá trị đích (target) chính là mục tiêu mà mô hình hướng tới. Điều này được ví như người Thầy mà có nhiệm vụ chỉ ra cho đứa trẻ nhận biết các đặc điểm cấu thành loại bàn và ghế. Trong trường hợp không có thông tin về mục tiêu, mạng sẽ phải tự đánh giá để tìm ra các đặc điểm để hiệu chỉnh các trọng số cho phù hợp. Mô hình huấn luyện mạng trong trường hợp này (Hình 49) được gọi là học không có giám sát (unsupervised learning). Mô hình mạng ANN như vậy được ứng dụng trong các bài toán phân nhóm (clustering). Hình 49: Supervised và Unsupervised learning Có thể ví mô hình học không có giám sát như việc yêu cầu đứa trẻ quan sát các vật dụng (ví dụ bàn và ghế) và tự phân chúng thành nhóm mà không có sự chỉ dẫn gì. Khi đó, theo đặc điểm chung, đứa trẻ có thể tự phân chia các vật dụng mà chúng nhìn thấy thành nhóm. Việc chọn số nhóm cũng không được cho biết mà phải dựa vào đặc điểm quan sát từ các vật dụng. Khả năng ứng dụng của mạng nơ-ron nhân tạo Đặc trưng của mạng nơ-ron nhân tạo là khả năng học và xử lý song song. Nó có thể tìm ra mối quan hệ gần đúng tương quan phức tạp giữa các yếu tố đầu vào và đầu ra của các quá trình cần nghiên cứu và khi đã học được thì việc kiểm tra độc lập thường cho kết quả tốt. Sau khi đã học xong, mạng nơ-ron nhân tạo có thể tính toán kết quả đầu ra tương ứng với bộ số liệu đầu vào mới. Nhờ có cấu trúc gồm nhiều phần tử xử lý đơn giản cùng hoạt động song song, mạng nơ-ron nhân tạo có khả năng xấp xỉ các hàm phi tuyến bất kỳ. Về khía cạnh toán học, theo định lý Kolmogorov, một hàm liên tục bất kỳ f(x1, x2,.. , xn) xác định trên khoảng In, với I =[0,1] có thể được biểu diễn dưới dạng: , (4-2) trong đó: χj , Ψij là các hàm liên tục một biến, Ψij là hàm đơn điệu, không phụ thuộc vào hàm f. Mặt khác, mô hình mạng nơ-ron nhân tạo cho phép liên kết có trọng số các phần tử phi tuyến (các nơ-ron đơn lẻ) tạo nên dạng hàm tổng hợp từ các hàm thành phần. Do vậy, sau một quá trình điều chỉnh sự liên kết cho phù hợp (quá trình học), các phần tử phi tuyến đó sẽ tạo nên một hàm phi tuyến phức tạp có khả năng xấp xỉ hàm biểu diễn quá trình cần nghiên cứu. Kết quả là đầu ra của nó sẽ tương tự với kết quả đầu ra của tập dữ liệu dùng để luyện mạng. Khi đó ta nói mạng nơ-ron nhân tạo đã học được mối quan hệ tương quan đầu vào - đầu ra của quá trình và lưu By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 50 lại mối quan hệ tương quan này thông qua bộ trọng số liên kết giữa các nơ-ron. Khi đó, mạng nơ-ron nhân tạo có thể tính toán trên bộ số liệu đầu vào mới để đưa ra kết quả đầu ra tương ứng. Hình 50. Sự khác nhau giữa hồi quy tuyến tính và mạng nơ-ron Với những đặc điểm đó, mạng nơron nhân tạo đã được sử dụng để giải quyết nhiều bài toán thuộc nhiều lĩnh vực của các ngành khác nhau. Các nhóm ứng dụng mà mạng nơ-ron nhân tạo đã được áp dụng rất có hiệu quả gồm có: • Bài toán phân lớp, phân loại (clustering/classification): Loại bài toán này đòi hỏi giải quyết vấn đề phân loại các đối tượng quan sát được thành các nhóm dựa trên các đặc điểm của các nhóm đối tượng đó. Đây là dạng bài toán cơ sở của rất nhiều bài toán trong thực tế như nhận dạng chữ viết, tiếng nói, phân loại gen, phân loại chất lượng sản phẩm, phân nhóm trạng thái thiết bị trong không gian trạng thái, nhận dạng hư hỏng trong chẩn đoán kỹ thuật. • Bài toán dự báo: Mạng nơ-ron nhân tạo đã được ứng dụng thành công trong việc xây dựng các mô hình dự báo sử dụng tập dữ liệu trong quá khứ để dự đoán số liệu trong tương lai. Đây là nhóm bài toán khó và rất quan trọng trong nhiều ngành khoa học. • Bài toán điều khiển và tối ưu hoá: Nhờ khả năng học và xấp xỉ hàm mà mạng nơ-ron nhân tạo đã được sử dụng trong nhiều hệ thống điều khiển tự động cũng như góp phần giải quyết những bài toán tối ưu trong thực tế. Tóm lại, mạng nơ-ron nhân tạo được xem như là một cách tiếp cận đầy tiềm năng để giải quyết các bài toán có tính phi tuyến, phức tạp và đặc biệt là trong tình huống mối quan hệ bản chất vật lý của quá trình cần nghiên cứu không dễ thiết lập tường minh. 4.3. Một số dạng mạng ANN Perceptron Một perceptron là một mạng ANN chỉ bao gồm một phần tử tính toán và sử dụng hàm kích hoạt là dạng hàm bước nhị phân (hard-limit, threshold) chỉ nhận các giá trị 0 hoặc 1 (Hình 51). Với cấu trúc như vậy, perceptron cho phép phân loại các tín hiệu đầu vào thành hai loại. Khi giá By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 51 trị tính toán sau bộ cộng (n) nhỏ hơn 0, hàm kích hoạt sẽ cho giá trị 0. Trường hợp ngược lại, hàm kích hoạt sẽ cho giá trị 1 khi giá trị tính toán lớn hơn hoặc bằng 0. Hình 51: Mô hình perceptron Như vậy, một perceptron với hàm hard-limit sẽ chia không gian dữ liệu đầu vào thành hai vùng tách biệt tuyến tính. Như vậy, perceptron có thể sử dụng cho bài toán phân loại với điều kiện dữ liệu được phân tách tuyến tính (linear separable). Việc thêm tín hiệu độ lệch b là để đảm bảo đường phân chia không nhất thiết đi qua trục tọa độ (Hình 52). Trong trường hợp dữ liệu không chia tách tuyến tính, sẽ cần sử dụng cấu trúc mạng khác. Hình 52: Dữ liệu phân tách tuyến tính và không tuyến tính Trong trường hợp có nhiều hơn hai nhóm, cần sử dụng cấu trúc với nhiều perceptron như ở Hình 53. By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 52 Hình 53: Mạng với nhiều perceptrons Mạng nơ ron tuyến tính Nếu trong các mô hình ở Hình 51 và 53, hàm kích hoạt nhị phân được thay bằng hàm tuyến tính, mạng perceptrons khi đó sẽ trở thành mạng tuyến tính (Hình 54). Hình 54: Mạng nơ ron tuyến tính Tương tư như perceptron, mạng nơ ron tuyến tính cho phép chia không gian dữ liệu thành các vùng bằng các mặt (hyperlane) tuyến tính. Chỉ khác là giá trị output của nơ ron có thể là bất kỳ. Như vậy, mạng nơ ron tuyến tính có thể sử dụng cho bài toán xấp xỉ hàm tuyến tính. Cũng By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 53 tương tự như perceptron, mạng nơ ron tuyến tính chỉ cho kết quả hội tụ nếu không gian dữ liệu là tuyến tính. Multi-layer feed forward và thuật toán Back- Propagation Những bài toán đa tham số (nhiều thông số đầu vào), đa mục tiêu (nhiều giá trị đầu ra) và phi tuyến (quan hệ giữa inputs/outputs là không tuyến tính) có thể được giải bằng mô hình mạng ANN truyền thẳng nhiều lớp như ở Hình 55. Cấu trúc mạng truyền thẳng nhiều lớp thường sử dụng hàm kích hoạt là dạng phi tuyến như tan-sigmoid hay log-sigmoid. Ưu điểm của cấu trúc mạng này là chúng có thể học từ các dữ liệu phi tuyến. Trong trường hợp nếu cần các giá trị output ngoài khoảng quy định bởi các hàm tan- sigmoid và log-sigmoid, có thể sử dụng hàm kích hoạt tuyến tính ở lớp nơ ron đầu ra. Giải thuật Back – Propagation Mạng nơ ron truyền thẳng nhiều lớp thường được huấn luyện bằng thuật toán lan truyền ngược lỗi. Trong quá trình học, giá trị đầu vào được đưa vào mạng và theo dòng chảy trong mạng, giá trị đầu ra được tính toán. Tiếp đến là quá trình so sánh giá trị tạo ra bởi mạng với giá trị ra mong muốn. Nếu hai giá trị này giống nhau hoặc sai số nhỏ hơn giá trị quy định thì không thay đổi gì cả và quá trình huấn luyện mạng kết thúc. Tuy nhiên, nếu có một sai lệch giữa hai giá trị này vượt quá giá trị sai số mong muốn thì đi ngược mạng từ đầu ra về đầu vào để thay đổi giá trị các hệ số trọng của các liên kết. Hình 55: Mạng truyền thẳng nhiều lớp Đây là một quá trình lặp liên tục và có thể không dừng khi không tìm các giá trị w sao cho đầu ra tạo bởi mạng bằng đúng đầu ra mong muốn. Do đó trong thực tế người ta phải thiết lập tiêu chuẩn dựa trên một giá trị sai số nào đó của hai giá trị này, hay dựa trên một số lần lặp xác định. Hình 56 mô tả thuật toán huấn luyện mạng theo giải thuật lan truyền ngược. By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 54 By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 55 Hình 56: Huấn luyện mạng bằng thuật toán lan truyền ngược Như vậy tuỳ theo hàm hoạt động ta có thể tính dễ dàng tính toán các giá trị điều chỉnh trọng số cho từng trọng số tương ứng theo thuật toán Back – Propagation. 4.4. Một số nghiên cứu ứng dụng ANN Mô hình hóa sử dụng ANN Mô hình hóa sử dụng ANN cần thực hiện các bước sau: - Thu thập và xử lý dữ liệu (data acquistion and pre-processing); - Lựa chọn cấu trúc mạng phù hợp với yêu cầu bài toán (network structure); - Huấn luyện mạng (training/cross-validation); - Kiểm tra chất lượng mạng đã được huấn luyện (testing); By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 56 - Sử dụng mạng đã được huấn luyện cho mục đích ban đầu (generalisation). Hình 57: Mô hình hóa với ANN 4.5. Một số ví dụ ứng dụng ANN 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; - Sử dụng mạng đã huấn luyện để nhận dạng dữ liệu mới. By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 57 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 số đầu vào Đơn vị Thông số đầu 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 Áp suất không khí nạp, ps MPa Nhiệt độ dầu bôi trơn ra, tdr 0C By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 58 Kết quả huấn luyện mạng trên Hình 59 cho thấy, sau 500 lượt, lỗi huấn luyện chỉ còn nhỏ hơn 0.007. Thông thường mạng MLP được cho là đáng tin cậy khi lỗi huấn luyện nhỏ hơn 0.01. Lỗi huấn luyện Số lượt huấn luyện Đường trên: Lỗi huấn luyện Đường dưới: Lỗi kiểm tra chéo Hình 59: Lỗi huấn luyện mạng MLP Sau khi huấn luyện, có thể sử dụng mạng để nhận dạng dữ liệu mới. Khi đưa vào 100 bộ dữ liệu kiểm tra, mạng tính toán các thông số đầu ra. Kết quả tính toán thông số nhiệt độ khí xả (output) và giá trị nhiệt độ khí xả thực tế (desired) của 100 bộ dữ liệu kiểm tra được chỉ ra trên Hình 60. Kết quả tính toán cho thấy, sai số giữa giá trị tính toán bởi mô hình và giá trị thực tế (prediction error) không quá 6%. Hình 60: Kết quả tính toán trên mô hình MLP đã được huấn luyện 0 10 20 30 40 50 60 70 80 90 100 320 340 360 380 400 Ex h. ga s te m p. 0 10 20 30 40 50 60 70 80 90 100 -10 -5 0 5 10 % Pr id ic tio n er ro r desired output By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 59 Kết quả trên cho thấy rằng mạng MLP đã được xây dựng và huấn luyện có đủ độ tin cậy để mô hình hóa quan hệ vào/ra của động cơ. Khi đó, nếu đưa một bộ dữ liệu đầu vào, mạng sẽ tính toán các thông số đầu ra. Kết quả này có thể được dùng để nghiên cứu thuộc tính của đối tượng, hay sử dụng khi giải bài toán dự báo trạng thái đối tượng. Tuy nhiên, vấn đề quan trọng khi sử dụng mạng nơron nhân tạo để mô hình hóa và nhận dạng các đối tượng kỹ thuật là việc nhận được bộ dữ liệu phản ánh đầy đủ các thuộc tính của đối tượng. Đối với việc mô hình hóa đối tượng động cơ diesel tàu thủy, bộ dữ liệu sử dụng phải phản ánh đầy đủ hoạt động của động cơ ở các chế độ khai thác khác nhau. Để đạt được điều này, cần phải có những nghiên cứu đầy đủ và sự phối hợp của các bên liên quan đến hoạt động khai thác con tàu. Phân cụm sử dụng bản đồ tự tổ chức Như đã biết, mạng nơ ron nhân tạo có khả năng tự học từ dữ liệu quá khứ. Kinh nghiệm học được sau đó được sử dụng để dự đoán hiện tại và tương lai. Trong trường hợp dữ liệu có các giá trị đầu ra cho các biến đầu vào tương ứng, thuật học được gọi là học có thầy (supervised learning). Lúc này mạng tìm kiếm mối quan hệ giữa đầu vào và giá trị đầu ra tương ứng (bài toán xấp xỉ hàm và phân loại). Trong trường hợp không tồn tại giá trị đầu ra mạng phải "tự tổ chức" việc tìm kiếm trong số các dữ liệu đầu vào để tìm ra các thuộc tính tương tự và phân chia dữ liệu thành các nhóm. Đây là trường hợp học không có thầy (unsupervised learning). Bản đồ tự tổ chức (Self-Organizing Maps - SOM) là một dạng mạng nơ ron nhân tạp áp dụng thuật toán học không có thầy. Thuật toán SOM được dùng để ánh xạ không gian dữ liệu đa chiều xuống môi trường một, hai hoặc ba chiều (thường áp dụng hai chiều). Nhờ vậy việc đánh giá và xử lý mối quan hệ giữa các biến trong không gian hai chiều trở lên dễ dàng hơn. Giả sử trạng thái kỹ thuật của đối tượng được đặc trưng bởi tổ hợp n thông số chẩn đoán 1 2[ , ,..., ]nx x x x= , nghĩa là véctơ trạng thái trong không gian n chiều. Khi áp dụng SOM các véctơ trạng thái sẽ tự sắp xếp lên mặt phẳng theo một tiêu chuẩn tương tự nào đó, thường được sử dụng là khoảng cách Euclidean, có nghĩa là mỗi véctơ trạng thái sẽ tương ứng với một điểm toạ độ 1 2[ , ,..., ]i i i inm m m m= trên bản đồ trạng thái (Hình 61), mi được gọi là véctơ mô hình hay nơron. Hình 61. Ánh xạ không gian dữ liệu đa chiều trên bản đồ SOM By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 60 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: { }( ) ( ) min ( ) ( )c ix 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 im t m t t h t x t m tα+ = + − , 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 By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 61 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 62 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. Sơ đồ 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 Ck By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 63 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 “méo” hình dạng của đồ thị. Khi ấy, mô hình sẽ nhận dạng đặc điểm méo của đồ thị và gán một dạng méo nhận dạng được vào một hư hỏng phù hợp. Các bước sau cần phải thực hiện khi xây dựng mô hình mạng nhận dạng hư hỏng: - Tiến hành thực nghiệm trên động cơ để thu thập dữ liệu đồ thị công tương ứng với các trạng thái hư hỏng khác nhau; - Xử lý dữ liệu trước khi sử dụng. Việc xử lý dữ liệu có thể bao gồm việc áp dụng các thuật toán lọc để loại bỏ nhiễu và sắp xếp dữ liệu theo dạng mạng nơron nhân tạo có thể nhận dạng được; - Xây dựng mạng nơron nhân tạo bằng cách lựa chọn và huấn luyện mạng bằng dữ liệu đã có; - Kiểm tra tính chính xác và sự phù hợp của mạng đã xây dựng cho bài toán nhận dạng; - Sử dụng mạng để nhận dạng hư hỏng từ các dữ liệu mới đo được từ động cơ. Trong mô hình trên, dữ liệu đầu vào là các thông số áp suất trong xi lanh động cơ tương ứng với các góc quay trục khuỷu khác nhau, áp suất cháy cực đại pz cũng như các thông số khác có thể đặc trưng cho hình dạng của đồ thị. Dữ liệu đầu ra là các dạng hư hỏng của động cơ. Khi sử dụng mạng để phân loại, mỗi một nơron tại lớp vào của mạng sẽ ứng với một thông số đầu vào (áp suất trong xi lanh động cơ, góc quay trục khuỷu), mỗi một nơron tại lớp ra sẽ ứng với một dạng hư hỏng của động cơ. Số nơron trong lớp ẩn tuỳ thuộc vào mức độ phức tạp của các quan hệ phi tuyến. Bảng 4-5. Bảng dữ liệu để huấn luyện MLP cho bài toán phân loại Mẫu pz α(pz) p(ϕi) p(ϕi+1) p(ϕi+k) Lớp 1 C1 C2 N Ck Cột cuối cùng của bảng dữ liệu chứa thông tin về tên của các lớp trạng thái kỹ thuật tương ứng với từng mẫu dữ liệu (dữ liệu dạng ký tự). MLP được huấn luyện theo thuật toán lan truyền ngược lỗi (back propagation), sao cho sai lệch giữa tín hiệu ra của mạng và giá trị đích (target) là nhỏ nhất: 2 1 1 min ( ) 2 n i i i E t y = = −∑ , trong đó yi − tín hiệu ra của mạng; ti − tín hiệu đích tương ứng; By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 64 k − kích thước không gian dữ liệu (số thông số chẩn đoán). Các dữ liệu xây dựng cho mô hình thực nghiệm được đo đạc, thu thập trên động cơ HANSHIN 6LU32 lắp đặt tại Trung tâm Nghiên cứu hệ động lực tàu thủy – Trường Đại học Hàng hải. Để xây dựng cơ sở dữ liệu huấn luyện mạng, thực hiện đo đồ thị công cho trạng thái không hư hỏng của động cơ. Từ các thông số này thu được tập dữ liệu của lớp trạng thái động cơ không hư hỏng (C1). Tiến hành điều chỉnh trạng thái kỹ thuật của cụm vòi phun/bơm cao áp hoặc thay thế cụm chi tiết đó bằng cụm chi tiết đã hư hỏng. Chạy thử động cơ, đo đạc thu được tập dữ liệu cho lớp trạng thái động cơ hư hỏng vòi phun, bơm cao áp (C2). Tiếp tục thay đổi trạng thái kỹ thuật của các chi tiết của động cơ như các xéc măng, thay đổi góc phun sớm. Đo đạc các thông số, thu được các tập dữ liệu của lớp trạng thái hư hỏng bộ piston, xéc măng, xi lanh (C3) và lớp trạng thái hư hỏng góc phun (C4). Dữ liệu đo được từ các trạng thái C1-C4 được sử dụng để huấn luyện mạng. Mô hình mạng phân loại trên phần mềm Neurosolution 5 được huấn luyện. Lỗi huấn luyện được mô tả trong Hình 64. Hình 64. Lỗi huấn luyện Kết quả sau hơn 900 lượt huấn luyện, lỗi huấn luyện giảm xuống khoảng 0,07. Lỗi huấn luyện từ bộ dữ liệu kiểm định (CV) giảm xuống 0,05, nhỏ hơn so với giá trị yêu cầu thường là 0,1. Mạng sau đó được kiểm tra bằng tập dữ liệu kiểm tra. Kết quả kiểm tra được mô tả ở Hình 65. Hình 65. Ma trận kết quả kiểm tra Kết quả kiểm tra cho thấy, với dữ liệu của lớp trạng thái hư hỏng cụm vòi phun/bơm cao áp (C2) mạng đã nhận đúng 95,00%, còn lại 5,00% mạng nhận nhầm sang lớp (C1). Điều này là do trong bộ dữ liệu của lớp (C1) có một số mẫu đo ở các giá trị tải thấp, có áp suất trong xi lanh và áp suất cháy cực đại (pz) không khác nhiều so với bộ dữ liệu của lớp (C2). Với các dữ liệu của lớp trạng thái hư hỏng “bộ hơi” (C3) mạng đã nhận đúng 96,55%, By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 65 còn lại 3,45% mạng nhận nhầm sang lớp (C2). Điều này là do một số đồ thị công của lớp (C3) tương đối giống với đồ thị công của lớp (C2). Thực tế cho thấy, hư hỏng ở cụm bơm cao áp, vòi phun cũng dẫn đến tình trạng cháy rớt, áp suất cháy giảm và hình dáng đồ thị công cũng có dạng gần giống trường hợp áp suất nén thấp, hay bộ hơi kém. Đối với trường hợp bộ dữ liệu của lớp trạng thái động cơ hư hỏng góc phun (C4) mạng nhận dạng chính xác được 94,12%, còn lại 5,88% mạng nhầm sang trường hợp (C1). Mô hình mạng MLP ở trên cho thấy khả năng kết hợp giữa kiến thức chuyên gia và mô hình tính toán số sử dụng công nghệ mạng nơron nhân tạo trong việc xác định hư hỏng đối với động cơ diesel tàu thủy. Ở đây, kiến thức chuyên gia được sử dụng khi quyết định các dạng hư hỏng ảnh hưởng đến hình ảnh đồ thị công. Tuy nhiên, để áp dụng mô hình này một cách hiệu quả, cần phải xác định trước số lớp trạng thái C, sau đó thu thập số liệu tương ứng với các trạng thái đó. Công việc này là khá tốn kém do cần thiết thử nghiệm động cơ với các trạng thái hư hỏng khác nhau. Trong trường hợp cần thiết có thể nhận được dữ liệu bằng cách xây dựng mô hình toán, mô phỏng quá trình công tác của động cơ. Một vấn đề khác cũng cần phải giải quyết là sự thay đổi trạng thái chung của toàn bộ động cơ theo thời gian làm việc. Khi đó, mô hình mạng không còn đúng nữa, và cần phải tiến hành thu thập lại dữ liệu để xây dựng lại mô hình mạng phù hợp. By Assoc. Prof. PhD. Le Van Diem VIETNAM MARITIME UNIVERSITY Chương 5 - Giám sát quá trình và c 5.1. Giám sát quá trình trên tàu th khiển hệ động lực Các hệ thống trên các tàu th chuyền sản xuất hiện đại. Ngoài h nguồn năng lượng điện cung cấ nhiệm vụ giám sát các quá trình khác nh ngập nước, cháy nổ, v.v. Tương t hiện nay cũng được trang bị hệ Control&Monitoring System – IC Hình 66. C Cấu hình của hệ thống bao g từ các cảm biến. Các tín hiệu dạ từ các cảm biến được chuyển thành tín hi Phần mềm được cài đặt cho phép ti để điều khiển trở lại đối tượng, k sự cố, hay chỉ đơn giản là hiển th Lợi ích từ việc áp dụng các h Có thể liệt kê một số mặt như sau:
Tăng thời gian khai thác, gi thác tàu; – Faculty of Marine Engineering 66 hẩn đoán kỹ thuật tàu th ủy - Hệ thống tự động giám sát và đi ủy hiện đại hiện nay cũng phức tạp không kém nh ệ động lực đảm bảo cung cấp nguồn động lực đ p cho các hệ thống phục vụ, các hệ thống tàu th ư xếp dỡ hàng hóa, giám sát an toàn phòng ch ự như các dây chuyền sản xuất hiện đại, các tàu th thống tích hợp giám sát và điều khiển quá trình ( MS). ấu trúc cơ bản của hệ thống ICMS tàu thủy ồm hệ thống máy tính để nhận và xử lý tín hi ng tương tự (áp suất, nhiệt độ, lưu lượng, mức, v.v) ệu số thông qua các bộ biến đổi tương t ếp nhận và xử lý các tín hiệu nhận được, đư ết luận về trạng thái của đối tượng, cảnh báo n ị trên màn hình. ệ thống tự động giám sát, điều khiển trên tàu th ảm thời gian dừng do sự cố, qua đó tăng lợ ủy ều ững dây ể đẩy tàu và ủy còn có ống ủy lớn Integrated ệu nhận được đo được ự/số (AD). a ra phản hổi ếu xuất hiện ủy là rất lớn. i nhuận khai By Assoc. Prof. PhD. Le Van Diem VIETNAM MARITIME UNIVERSITY
Giảm chi phí bảo dưỡng nh trạng kỹ thuật thay vì bảo d
Tăng an toàn cho người khai thác tác trong phạm vi an toàn và phát hi
Tăng chất lượng hoạt động c
Tăng uy tín với khách hàng do vi thác. Hình 67 Hình 67 mô tả cấu hình một h trung tâm điều khiển chính là Bu (Cargo Control Console) và các tr các khu vực sinh hoạt chung và các phòng Nhờ có sự tiến bộ vượt bậc c tự động giám sát hiện nay hầu h thông dụng. Giao diện người dùng c trình độ của thuyền viên ở mọi m thống ICMS như vậy. Bảng – Faculty of Marine Engineering 67 ờ tối ưu hóa kế hoạch bảo dưỡng (bảo dưỡ ưỡng theo định kỳ); nhờ tự động điều khiển duy trì các thông s ện sớm các nguy cơ xảy ra sự cố; ủa thiết bị, giảm chi phí khai thác; ệc tránh được các sự cố gây gián đoạn quá trình khai . Cấu hình một hệ thống ICMS tàu thủy ệ thống ICMS trên một tàu chở dầu. Hệ thống bao g ồng máy (Engine Control Console) và Buồ ạm báo động từ xa (Remote Alarm Unit) đặt t ở sỹ quan. ủa công nghệ vi xử lý và máy tính cá nhân mà các h ết đều sử dụng các máy tính sử dụng hệ điều hành Windows ũng được tối ưu hóa thân thiện để có thể ức độ. Trong Bảng 10 là cấu hình phần cứng c 6. Cấu hình phần cứng hệ thống ICMS ng theo tình ố công ồm hai ng làm hàng ại buồng lái, ệ thống phù hợp với ủa một hệ By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 68 Các hệ thống tự động giám sát hệ động lực tàu thủy thường bao gồm một số chức năng chính như: chức năng kiểm soát báo động (Emergency Alarm); chức năng chuyển chế độ điều khiển MANED/UNMANED; chức năng gọi sự cố (Emergency Engineer Call); chức năng báo động Deadman.  Chuyển chế độ hoạt động có và không có người trực ca Hệ thống tự động giám sát điều khiển trên tàu thường bao gồm chế độ MANED và UNMANED. MANED là chế độ hoạt động cần phải có người vận hành tại trạm điều hành để giám sát, nhận báo động và thao tác các lệnh một cách tuần tự trong suốt quá trình. UNMANED là chế độ hoạt động mà không cần thiết phải có người vận hành tại trạm điều hành mà người vận hành có thể nhận tín hiệu báo động từ một vị trí khác trên tàu như phòng họp, phòng làm việc, phòng ở và các khu vực công cộng. Chế độ UNMANED thường được sử dụng trên các tàu mà các sỹ quan, thuyền viên được bố trí chỉ để làm việc ban ngày (daywork).  Hệ thống gọi khẩn cấp và liên lạc với các sỹ quan Chức năng gọi khẩn cấp được sử dụng trong trường hợp xảy ra sự cố mặc dù hệ thống giám báo động cũng đã hoạt động. Hệ thống liên lạc được thực hiện thông qua trạm điều hành và các thiết bị báo động từ xa RAU được bố trí trên tàu. Đây là chức năng cho phép liên lạc giữa bộ phận máy với bộ phận boong, liên lạc giữa các sỹ quan máy khi cần thiết.  Hệ thống phát tín hiệu báo động Khi một trong các thông số đang được giám sát gặp vấn đề thì sẽ có tín hiệu từ các các sen-sơ cảm biến qua các thiết bị biến đổi, khuếch đại tín hiệu gửi về trung tâm xử lý và trung tâm sẽ tự động kiểm tra lại tình trạng của các sen-sơ cảm biến và đưa ra tín hiệu báo động tùy By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 69 theo chế độ cài đặt. Tín hiệu báo động được chia thành các cấp theo mức độ nguy hiểm: Hệ thống cứu hỏa, hệ thống Deadman Alarm System và các thông số giám sát hoạt động hệ động lực. Tín hiệu báo động bao gồm tin nhắn báo động, tín hiệu âm thanh (còi, chuông, vv), tín hiệu ánh sáng (đèn nhấp nháy, flash, đèn màu, vv.). Khi báo động được đưa ra, sỹ quan chịu trách nhiệm phải nhanh chóng xác nhận báo động, tìm hiểu nguyên nhân và đưa ra các biện pháp khắc phục kịp thời.  Hệ thống báo động Deadman Alarm System Hệ thống báo động Deadman Alarm System là hệ thống dùng để giám sát người đang làm nhiệm vụ trực ca trong buồng máy. Hệ thống này chủ yếu áp dụng đối với những tàu có trọng tải lớn, không gian buồng máy lớn, việc tìm kiếm và quan sát những người đang làm nhiệm vụ trong buồng máy hết sức khó khăn. Hệ thống được thực hiện thông qua bảng điều khiển chính được đặt tại trạm điều hành ở phòng điều khiển máy, hai bảng điều khiển cũng có chức năng kích hoạt hệ thống như bảng điều khiển chính được đặt tại hai cửa vào của buồng máy và bốn bảng điều khiển có chức năng xác nhận được đặt phân bố đều trong buồng máy. Tự động giám sát và điều khiển hệ động lực bao gồm một số menu chính sau: ♦ Tự động giám sát điều khiển diesel lai chân vịt (máy chính); ♦ Tự động giám sát điều khiển tổ hợp diesel lai máy phát; ♦ Tự động giám sát điều khiển các hệ thống phục vụ: Hệ thống nhiên liệu, hệ thống bôi trơn, hệ thống làm mát, hệ thống khởi động, v.v. ♦ Hệ thống tự động quản lý năng lượng PMS; ♦ Tự động kiểm soát hệ thống hầm hàng và xếp hàng. Hệ thống ICMS trên các tàu cỡ lớn có thể kiểm soát hàng nghìn thông số theo thời gian thực. Hệ thống cũng có thể tích hợp mô đun chẩn đoán kỹ thuật hay dự báo hư hỏng. 5.2. Tích hợp chẩn đoán kỹ thuật trong các hệ thống ICMS Các hệ thông ICMS trên tàu thủy hầu hết được tích hợp một số tính năng giám sát trạng thái (condition monitoring). Việc đo đạc, hiển thị và xử lý liên tục các thông tin từ đối tượng giúp các hệ thống này thực hiện một số chức năng như: ♦ Hiển thị thông tin về trạng thái hệ thống; ♦ Dự đoán trước các trục trặc; ♦ Hỗ trợ lập kế hoạch sửa chữa, bảo dưỡng. Việc giám sát trạng thái đối tượng cũng cho phép thực hiện hai nhiệm vụ sau: ♦ Phát hiện hư hỏng (Fault detection); ♦ Chẩn đoán hư hỏng (Fault diagnosis). Trong khi việc phát hiện hư hỏng chỉ đơn thuần là tìm ra những thông tin “lạ” từ các thông tin nhận được từ đối tượng, thì chẩn đoán hư hỏng còn cho phép xác định nguyên nhân gây ra hư hỏng hoặc chỉ ra được hư hỏng nằm ở chi tiết nào. By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 70 Tiếp cận chẩn đoán kỹ thuật thủ công – OPERATOR Một cách đơn giản nhất, chẩn đoán kỹ thuật có thể bắt đầu ngay từ Người khai thác thiết bị. Khi đó, bằng các cảm nhận của mình về sự làm việc của thiết bị, cùng với kiến thức, kinh nghiệm sẵn có, người khai thác có thể trực tiếp đưa ra kết luận về trạng thái của thiết bị. Cảm nhận của người khai thác có được thông qua giao tiếp bằng các giác quan khác nhau như: Thị giác: quan sát dấu hiệu dò lọt, màu khói, quá nhiệt; Khứu giác: nhận dấu hiệu dò lọt, quá nhiệt; Thính giác: tiếng ồn bất thường; Vị giác: phát hiện nước biển xâm nhập vào dầu bôi trơn, nhiên liệu; Cảm giác: độ rung bất thường, nhiệt độ. Tiếp cận chẩn đoán kỹ thuật hiện đại – MACHINE Ngày nay, cùng với sự phát triển của công nghệ đo lường và điều khiển, các hệ thống tự động điều khiển và giám sát cho phép đo đạc, hiển thị và xử lý hàng nghìn thông tin cùng một lức. Các dụng cụ, thiết bị đo, máy móc xử lý số liệu thay thế con người cho phép xử lý nhiều thông tin và khắc phục lỗi nhận định của con người. Các hệ thống ứng dụng máy tính còn cho phép các thuật toán xử lý dữ liệu hiện đại, cho phép trích xuất đặc điểm và đưa ra những kết luận chính xác về tình trạng của thiết bị. Các thông số giám sát cơ bản như áp suất, nhiệt độ, mức, lưu lượng, lưu tốc vòng quay, dòng điện, điện áp, v.v. Thường ứng dụng các dạng tiếp cận như visual monitoring; vibration monitoring; thermal monitoring; wear-debris monitoring. 5.3. Hệ thống CoCoS của MAN B&W Từ những năm cuối của thế ký trước, Hãng MAN B&W đã phát triển gói phần mềm tích hợp hệ thống giám sát và điều khiển động cơ chính tàu thủy có tên CoCoS – Computer Controled Surveillance. Hệ thống bao gồm một số mô đun sau: ♦ CoCoS EDS – Engine Diagnostics System; ♦ CoCoS MPS – Maintenance Planning System; ♦ CoCoS SPC – Spare Parts Catalogue; ♦ CoCoS SPO – Stock Handling & Spare Parts Odering. By Assoc. Prof. PhD. Le Van Diem VIETNAM MARITIME UNIVERSITY CoCoS EDS – Engine Diagnostics System ♦ Data logging ♦ Monitoring ♦ Trends ♦ Diagnostics – Faculty of Marine Engineering 71 By Assoc. Prof. PhD. Le Van Diem VIETNAM MARITIME UNIVERSITY – Faculty of Marine Engineering 72 By Assoc. Prof. PhD. Le Van Diem VIETNAM MARITIME UNIVERSITY – Faculty of Marine Engineering 73 By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY 74 Tài liệu tham khảo [1] Venkat Venkatasubramanian, Raghunathan Rengaswamy, Kewen Yin, Surya N. Kavuri. A review of process fault detection and diagnosis. Part I: Quantitative model-based methods. Computers and Chemical Engineering 27 (2003) 293/311. Elsevier. [2] Venkat Venkatasubramanian, Raghunathan Rengaswamy, Kewen Yin, Surya N. Kavuri. A review of process fault detection and diagnosis. Part II: Qualitative models and search strategies. Computers and Chemical Engineering 27 (2003) 313/326. Elsevier. [3] Venkat Venkatasubramanian, Raghunathan Rengaswamy, Kewen Yin, Surya N. Kavuri. A review of process fault detection and diagnosis. Part III: Process history based methods. Computers and Chemical Engineering 27 (2003) 327/346. Elsevier. [4] Bùi Công Cường, Nguyễn Doãn Phước. Hệ mờ, mạng nơ ron và ứng dụng. NXB Khoa học và Kỹ thuật, 2001, 244tr. [5] Fault tree hanbook. US Nuclear Regulatory Commission, 1981, 207 p. [6] Lê Văn Điểm. Các mô hình và thuật toán chẩn đoán kỹ thuật động cơ diesel tàu thủy trong điều kiện khai thác. Luận văn Tiến sỹ kỹ thuật, Trường Đại học Giao thông đường thủy Xanh-Petecbua, Liên bang Nga, 2006 – 153 trang. [7] Principe J.C., Euliano N.R., Lefebvre W.C. Neural and adaptive systems: Fundamentals through simulations. John Wiley & Sons, 2000. − 656 p. [8] Treuvo Kohonen. The Self-Organizing Maps. Springer, 2001. – 501 p. [9] MAN B&W CoCoS manual guide.