VIETNAM MARITIME UNIVERSITY MỤC L ỤC

By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine Engineering VIETNAM MARITIME UNIVERSITY

1

MỤC LỤC

Chương 1 - Lý thuyết cơ bản về chẩn đoán kỹ thuật ............................................................. 2

1.1. Giới thiệu chung về điều khiển quá trình và chẩn đoán kỹ thuật ................................ 2

1.2. Một số khái niệm cơ bản ........................................................................................... 4

1.3. Điều khiển quá trình tích hợp chẩn đoán kỹ thuật ...................................................... 5

1.4. Các dạng hư hỏng tiêu biểu ....................................................................................... 6

1.5. Một số thuộc tính của hệ thống chẩn đoán kỹ thuật ................................................... 7

1.6. Thông tin và biến đổi thông tin trong hệ thống chẩn đoán kỹ thuật ............................ 9

1.7. Dấu hiệu chẩn đoán và lựa chọn dấu hiệu chẩn đoán ............................................... 11

Chương 2 - Một số dạng mô hình hệ thống chẩn đoán kỹ thuật .......................................... 13

2.1. Phân loại mô hình hệ thống CĐKT .......................................................................... 13

2.2. Mô hình tri thức định lượng .................................................................................... 15

2.3. Mô hình tri thức định tính ....................................................................................... 19

2.4. Hệ thống tri thức kinh nghiệm ................................................................................. 23

Chương 3 - Một số mô hình nhận dạng sử dụng trong chẩn đoán kỹ thuật .......................... 24

3.1. Xấp xỉ hàm và bài toán hồi quy ............................................................................... 24

3.2. Nhận dạng mẫu và bài toán phân cụm ..................................................................... 25

3.3. Nhận dạng mẫu và bài toán phân loại ...................................................................... 34

Chương 4 - Mạng nơron nhân tạo và một số ứng dụng trong chẩn đoán kỹ thuật ................ 40

4.1. Giới thiệu chung ..................................................................................................... 40

4.2. Cơ sở lý thuyết về ANN .......................................................................................... 43

4.3. Một số dạng mạng ANN ......................................................................................... 50

4.4. Một số nghiên cứu ứng dụng ANN .......................................................................... 55

4.5. Một số ví dụ ứng dụng ANN ................................................................................... 56

Chương 5 - Giám sát quá trình và chẩn đoán kỹ thuật tàu thủy ........................................... 66

5.1. Giám sát quá trình trên tàu thủy - Hệ thống tự động giám sát và điều khiển hệ động lực ......................................................................................................................................... 66

5.2. Tích hợp chẩn đoán kỹ thuật trong các hệ thống ICMS ............................................ 69

5.3. Hệ thống CoCoS của MAN B&W ........................................................................... 70

Tài liệu tham khảo ......................................................................................................... 74


2

Chương 1 - Lý thuyết cơ bản về chẩn đoán kỹ thuật

1.1. Giới thiệu chung về điều khiển quá trình và chẩn đoán kỹ thuật

Điều khiển quá trình (process control) là một nhiệm vụ quan trọng trong khai thác vận hành các quá trình sản xuất. Trong vài thập kỷ gần đây, cùng với sự phát triển mạnh mẽ của khoa học công nghệ, điều khiển quá trình cũng đạt được những tiến bộ quan trọng, đặt biệt là ứng dụng máy tính điều khiển trong các hệ thống phức tạp. Nếu như trước đây, các thao tác điều khiển ở mức độ thấp như đóng, mở hay điều chỉnh các van thường được thực hiện trực tiếp bởi người khai thác, thì nay có thể được thực hiện tự động một cách định kỳ hoặc liên tục với sự trợ giúp của hệ thống máy tính điều khiển. Việc áp dụng những hệ thống tự động điều khiển máy tính ngày nay được phổ biến rộng rãi trong hầu hết các ngành công nghiệp như hóa chất, dầu khí, xi măng, thép, sản xuất điện. Với sự tiến bộ trong các công nghệ đo lường và điều khiển, lợi ích mà các hệ thống tự động điều khiển máy tính mang lại là vô cùng to lớn, không những giảm nhẹ sức lao động, tăng năng suất, mà còn đảm bảo độ chính xác cao, tăng tính an toàn, tăng tuổi thọ cho các quá trình sản xuất.

Tuy nhiên, một nhiệm vụ quan trọng khác mà hầu như vẫn còn phải thực hiện thủ công và phụ thuộc nhiều vào con người – người khai thác. Đó là nhiệm vụ đối phó với các sự cố bất thường xảy ra trong các hệ thống. Nhiệm vụ này liên quan đến việc định kỳ kiểm tra để phát hiện ra các hiện tượng bất thường, chẩn đoán nguyên nhân và thực hiện các hành động phù hợp để đưa hệ thống trở lại trạng thái hoạt động bình thường và an toàn. Toàn bộ quy trình này được gọi là kiểm soát sự cố (Abnormal Event Management) và là một thành phần then chốt của điều khiển giám sát (supervisory control). Việc phụ thuộc vào người khai thác trong việc phát hiện các hiện tượng bất thường và xử lý khi sự cố xảy ra ngày càng trở lên khó khăn do sự đa dạng của các sự cố và mức độ phức tạp của các hệ thống sản xuất hiện đại. Thực tế ngày nay các hệ thống sản xuất có thể có hàng trăm, thậm chí hàng nghìn thông số cần phải được liên tục đo đạc và theo dõi. Khi đó sẽ dẫn đến quá tải về thông tin. Sự quá tải về thông tin, cùng với thông tin không đầy đủ, sai số do thiết bị đo, sẽ có thể dẫn tới lỗi nhận định sai của con người. Những hành động điều chỉnh xuất phát từ các nhận định sai sẽ có thể làm cho tình huống trở lên xấu đi và sự cố có thể xảy ra. Các nghiên cứu thống kê trên thể giới chỉ ra rằng có tới 70% các tai nạn trong các ngành công nghiệp có liên quan đến lỗi của con người. Thiệt hại do các sự cố gây ra những tổn thất lớn. Cũng theo thống kê, chỉ riêng những tổn thất do yếu kém trong kiểm soát sự cố trong ngành hóa chất-dầu khí đã gây ra thiệt hại khoảng 20 tỷ đô la Mỹ hàng năm.

Như vậy, thách thức lớn đặt ra cho những chuyên gia thiết kế hệ thống trong việc xây dựng các hệ thống kiểm soát sự cố. Nếu như trước đây việc áp dụng những hệ thống tự động điều khiển ứng dụng máy tính đã mang lại lợi ích to lớn trong việc tăng năng suất, hiệu suất lao động, tăng tính an toàn, thì thách thức lớn trong giai đoạn hiện nay là việc phát triển các hệ thống tự động kiểm soát sự cố sử dụng điều khiển thông minh. Hệ thống tự động kiểm soát sự cố sẽ là công cụ hỗ trợ hữu ích cho người khai thác trong việc ra quyết định. Đây được coi là giai đoạn tiếp theo trong nghiên cứu và ứng dụng công nghệ trong điều khiển quá trình.

Tự động hóa chẩn đoán kỹ thuật và dò tìm hư hỏng là nhiệm vụ đầu tiên nhằm kiểm soát sự cố. Chẩn đoán kỹ thuật và dò tìm hư hỏng (Technical diagnosis and fault detection) trong khai thác vận hành các quá trình sản xuất thu hút được nhiều sự quan tâm trong thời gian gần đây, nhằm phát hiện kịp thời các hiện tượng bất thường hay các hư hỏng trong các hệ thống máy móc


3

sản xuất. Nhiệm vụ này liên quan đến việc định kỳ dò tìm, phát hiện, chẩn đoán và phục hồi các trạng thái bất bình thường trong một quá trình sản xuất. Việc dò tìm kịp thời và chẩn đoán các trạng thái lỗi trong khi hệ thống vẫn còn đang hoạt động trong vùng kiểm soát sẽ tránh được sự phát triển theo hướng xấu, qua đó tránh được những tổn thất do hư hỏng dẫn đến phải dừng cả hệ thống.

Như vậy, chẩn đoán kỹ thuật là phương pháp dùng thiết bị máy móc để kiểm tra trạng thái kỹ thuật, mà không cần phải dừng hệ thống để tháo rời các cụm máy móc, chi tiết. Chẩn đoán kỹ thuật dựa trên hệ thống các quy luật, tiêu chuẩn đặc trưng cho trạng thái kỹ thuật của cụm máy móc thiết bị để phán đoán tình trạng kỹ thuật của chúng tốt hay xấu. Công cụ chẩn đoán là tập hợp các trang bị kỹ thuật, phương pháp và trình tự để tiến hành đo đạc, phân tích đánh giá tình trạng kỹ thuật. Các công cụ chẩn đoán có thể bao gồm: Các cảm nhận của người khai thác, sự phân tích đánh giá của các chuyên gia, các bộ vi xử lý, các phần mềm tính toán.

Chẩn đoán kỹ thuật có mối quan hệ chặt chẽ với công việc bảo dưỡng, sửa chữa. Kết luận về tình trạng của máy móc thiết bị thu được từ hệ thống chẩn đoán kỹ thuật sẽ giúp lập kế hoạch bảo dưỡng, sửa chữa chúng một cách hiệu quả hơn, tiết kiệm được chi phí khai thác.

Sự phát triển mạnh mẽ của khoa học công nghệ trong vài thập kỷ gần đây dẫn tới số lượng máy móc thiết bị tăng lên đáng kể. Công suất các hệ thống máy móc tăng lên mạnh mẽ. Máy móc phức tạp hơn, phạm vi ứng dụng cũng rộng rãi hơn nhiều. Các sản phẩm máy móc được ứng dụng tại nhiều quốc gia, tính toàn cầu hoá ngày càng cao, dẫn tới các thay đổi về quan niệm và cách thức tổ chức, tiến hành bảo dưỡng sửa chữa. Sự thay đổi này thể hiện ở những quan điểm mới về bảo dưỡng sửa chữa, đòi hỏi máy móc và thiết bị làm việc an toàn hơn với con người và môi trường. Những yêu cầu về chất lượng sản phẩm bảo dưỡng sửa chữa, về tổ chức sửa chữa và về giá thành sửa chữa cũng ngày càng cao. Mặt khác những tiêu chuẩn về bảo dưỡng sửa chữa ngày càng khắt khe cũng như các phương tiện và cách tiếp cận về bảo dưỡng sửa chữa cũng thay đổi đáng kể trong thời gian gần đây. Phương pháp sửa chữa dựa vào độ tin cậy đang được ứng dụng ngày càng rộng rãi. Phương pháp này nếu được sử dụng tốt sẽ nâng cao hiệu quả phục vụ, an toàn cho con người và môi trường cũng như giảm được chi phí sửa chữa.

Lịch sử phát triển các hệ thống kỹ thuật công nghệ, cũng như yêu cầu về hệ thống chẩn đoán kỹ thuật và sửa chữa bảo dưỡng có thể chia thành ba thế hệ:

a. Thế hệ thứ nhất:

Thời gian của thế hệ này kéo dài cho đến Chiến tranh thế giới lần thứ hai. Trong giai đoạn này mức độ phức tạp và mối liên hệ giữa hệ thống máy móc thiết bị còn ở mức độ thấp. Thời gian dừng máy chưa gây ra các tổn thất lớn. Điều này cũng có nghĩa việc ngăn ngừa các hư hỏng của máy móc thiết bị không chiếm vị trí ưu tiên hàng đầu trong quản lí. Mặt khác, trong giai đoạn này các máy móc thiết bị còn ít phức tạp và các thiết kế còn mang tính thừa bền cao. Các yếu tố này dẫn tới quá trình bảo dưỡng sửa chữa còn đơn giản và dễ dàng, không đòi hỏi qui trình phức tạp và việc bảo dưỡng chỉ dừng lại ở các qui trình làm sạch, thay thế các chi tiết hư hỏng và bôi trơn máy móc thiết bị. Với đặc điểm như vậy, yêu cầu về các hệ thống chẩn đoán kỹ thuật còn đơn giản và chủ yếu dựa vào sự theo dõi quan sát và nhận định của người khai thác.

b. Thế hệ thứ hai:

Từ Chiến tranh thế giới lần thứ hai đến những năm 1970, chứng kiến sự phát triển mạnh mẽ của cơ giới hóa sản xuất. Nhiều dây chuyền sản xuất được cơ giới hóa ra đời với năng lực sản


4

xuất tăng cao. Áp lực trong giai đoạn cơ giới hoá cao đòi hỏi các máy móc thay thế sức người, sức lao động của con người cũng ngày càng trở nên đắt đỏ. Vào những năm 1950, máy móc đã tăng nhanh chóng cả về số lượng, chủng loại và mức độ phức tạp. Các ngành công nghiệp bắt đầu phụ thuộc nhiều vào máy móc. Sự phụ thuộc vào máy móc càng tăng, thời gian dừng của máy móc càng được chú ý. Điều này dẫn đến đòi hỏi phòng ngừa để tránh xảy ra những hư hỏng của máy móc thiết bị. Từ đó ra đời thế hệ bảo dưỡng sửa chữa phòng ngừa hay hệ thống sửa chữa theo kế hoạch. Khi đó máy móc thiết bị được sửa chữa theo định kỳ. Việc này thực tế cũng đã mang lại hiệu quả là có thể kiểm soát được các hư hỏng do hao mòn. Tuy nhiên, khi đó giá thành sửa chữa thực tế đã tăng lên đáng kể và dẫn đến tăng chi phí khai thác thiết bị. Đồng thời gây lãng phí nguyên vật liệu do có thể thay thế các chi tiết, phụ tùng còn tốt.

c. Thế hệ thứ ba:

Từ giữa những năm 1970, sự phát triển của công nghệ chế tạo máy và các ngành công nghiệp khác đã tạo ra một động lực lớn cho những thay đổi về thiết kế, chế tạo, cũng như khai thác, bảo dưỡng sửa chữa các hệ thống máy móc thiết bị. Đặc điểm chung của các hệ thống máy móc thiết bị thuộc thế hệ này là sự tích hợp các công nghệ tự động hóa điều khiển, giám sát quá trình, tự động dò tìm hư hỏng, tự động bảo vệ, cô lập hệ thống khi có sự cố vào các hệ thống sản xuất. Sự phát triển mạnh mẽ của công nghệ thông tin cho phép thực hiện các nhiệm vụ trên một cách dễ dành với việc ứng dụng các hệ thống máy tính tự động hóa điều khiển, giám sát, bảo vệ (computer-based control and monitoring systems), hay các hệ thống tự động điều khiển ứng dụng công nghệ khả lập trình (Programmable Logic Controller – PLC).

1.2. Một số khái niệm cơ bản

Với việc ứng dụng các hệ thống điều khiển thông minh trong điều khiển quá trình, một số khái niệm mới về hệ thống kỹ thuật sau thường được sử dụng.

Process engineering là khoa học quá trình kỹ thuật, bao gồm các vấn đề như thiết kế các hệ thống kỹ thuật (các hệ thống máy móc, dây chuyền công nghệ), khai thác, điều khiển và tối ưu hóa chúng. Các hệ thống này được ứng dụng rộng rãi trong nhiều ngành công nghiệp (hóa chất, dầu khí, chế biến thực phẩm, khoáng sản, …) với sự áp dụng nhiều công nghệ hiện đại, trong đó có ứng dụng máy tính điều khiển, giám sát. Hệ động lực trên các tàu biển hiện đại cũng là một ví dụ về các dây chuyền sản xuất hiện đại.

Process engineering thường bao gồm bốn thành phần:

Process design là công việc thiết kế hệ thống, lựa chọn các máy móc thiết bị để tạo thành một tổ hợp hay một dây chuyền sản xuất;

Process control and monitoring là nhiệm vụ đo đạc, giám sát, điều khiển hệ thống máy móc thiết bị đó nhằm đảm bảo chất lượng công tác, giảm chi phí và tăng tính an toàn;

Process operation là quá trình khai thác, vận hành, bảo dưỡng, sửa chữa hệ thống nhằm đảm bảo sự hoạt động tốt của hệ thống trong suốt thời gian tuổi thọ định trước;

Supporting tools có thể là các công cụ mô phỏng, hệ thống trí tuệ nhân tạo/hệ chuyên gia, các công cụ tối ưu hóa hệ thống. Các công cụ này giúp con người giao tiếp với hệ thống, hiểu biết hơn về chúng, từ đó có tác động trở lại nhằm cải tiến chúng.


5

Process control and monitoring (PCM) là một đặc trưng của các hệ thống sản xuất hiện đại. PCM thu thập thông tin về các quá trình diễn ra trong hệ thống. Thông tin thu được được xử lý, kết quả xử lý giúp cho việc điều khiển hệ thống, duy trì trạng thái hoạt động ổn định của chúng, cũng như xác định trạng thái kỹ thuật và dò tìm các hư hỏng nếu có. Thực tế, PCM có thể bao gồm hoặc không bao gồm chức năng chẩn đoán kỹ thuật, dò tìm hư hỏng.

Hệ thống sản xuất là một hệ thống máy móc thiết bị phục vụ một mục đích sản xuất nào đó. Hệ thống sản xuất có thể là một dây chuyền sản xuất áp dụng phổ biến trong công nghiệp hóa chất, dầu khí, xi măng. Đối với các hệ thống năng lượng, hệ thống sản xuất có thể là các trạm phát điện diesel, nhà máy nhiệt điện hay thủy điện. Đối với tàu thủy, hệ thống sản xuất là hệ động lực phục vụ hoạt động của con tàu. Hệ thống sản xuất có thể là cả một tổ hợp gồm nhiều máy móc thiết bị tích hợp trong một hệ thống đồng bộ hay chỉ là một thiết bị riêng biệt như một động cơ diesel. Tùy theo mục đích nghiên cứu mà ranh giới của hệ thống được lựa chọn phù hợp.

Hệ thống CĐKT là một hệ thống chứa các tri thức về hệ thống sản xuất và các thuật toán phù hợp nhằm mục đích xác định trạng thái kỹ thuật và dò tìm các hư hỏng có thể xảy ra trong hệ thống sản xuất.

1.3. Điều khiển quá trình tích hợp chẩn đoán kỹ thuật

Điều khiển quá trình tích hợp là một hệ thống tự động điều khiển quá trình có tích hợp mô đun chẩn đoán kỹ thuật (Hình 1). Hệ thống sản xuất ở Hình 1 được tự động hóa điều khiển nhờ sự tham gia của các cảm biến, bộ điều khiển và các phần tử thực hiện. Các thành phần này tạo nên một mô hình điều khiển quá trình truyền thống. Việc tích hợp thêm hệ thống chẩn đoán kỹ thuật giúp tự động hóa việc kiểm soát các hiện tượng bất thường, qua đó tự động kiểm soát sự cố.

Hình 1: Hệ thống điều khiển quá trình tích hợp mô đun chẩn đoán

Liên quan đến tự động chẩn đoán kỹ thuật và dò tìm hư hỏng, trước hết làm quen với một số khái niệm cơ bản dưới đây.


6

Khiếm khuyết (fault) là sự xuất hiện hiện tượng lệch khỏi vùng giới hạn của một thông số quan sát được hay tính toán được liên quan đến quá trình. Đây chính là triệu chứng của một sự bất thường trong hệ thống, ví dụ nhiệt độ nước làm mát ra khỏi động cơ diesel cao (thông số quan sát được), hay chất lượng sản phẩm đầu ra của một dây chuyền sản xuất thấp (thông số có thể không đo được trực tiếp nhưng tính toán được thông qua các thông số quan sát được khác).

Nguyên nhân cơ bản (root cause) là nguyên nhân dẫn đến hư hỏng (ví dụ: hư hỏng bơm nước làm mát hay ở bộ tự động điều chỉnh có thể là nguyên nhân dẫn đến nhiệt độ cao). Như vậy, nguyên nhân cơ bản chính là hư hỏng (failure/malfunction) mà hệ thống CĐKT có nhiệm vụ xác định.

1.4. Các dạng hư hỏng tiêu biểu

Nhiệm vụ CĐKT có thể xem như là bài toán phân loại. Khi đó hệ thống CĐKT được coi là BỘ PHÂN LOẠI (diagnostic classifier). Một cách tổng quát, các hư hỏng của hệ thống sản xuất như ở Hình 1 có thể được phân thành ba lớp như mô tả dưới đây.

Hư hỏng thay đổi thông số hệ thống

Trong mô hình hóa hệ thống, các quá trình diễn ra chỉ được chọn mô tả trong mô hình ở một mức độ chi tiết nhất định. Khi đó, sẽ tồn tại những quá trình diễn ra ở dưới mức độ chi tiết mô hình hóa và chúng không được mô tả trong mô hình. Sự thay đổi của các quá trình này trong khai thác sẽ dẫn đến thay đổi các thông số hệ thống. Khi đó, hư hỏng làm thay đổi thông số hệ thống sẽ xảy ra khi xuất hiện sự thay đổi của điều kiện làm việc hoặc các tác động từ bên ngoài không biết trước. Ví dụ, sự suy giảm chất lượng quá trình cháy trong động cơ do mài mòn và xuống cấp của các chi tiết. Ở đây, chất lượng quá trình cháy là biến ngoài mà đặc tính động của chúng không được tính đến khi xây dựng mô hình hệ thống. Một ví dụ khác là sự giảm hệ số truyền nhiệt của một thiết bị trao đổi nhiệt do cáu cặn bám trên các bề mặt. Trong trường hợp này, người ta không thể xây dựng được mô hình có tính đến ảnh hưởng của cáu cặn ở các mức độ khác nhau. Do đó, hệ số truyền nhiệt được coi là biến ngoài mà đặc tính động của nó (sự phụ thuộc vào mức độ cáu cặn) không biết trước.

Hư hỏng thay đổi cấu trúc

Hư hỏng của các thành phần trong hệ thống có thể dẫn đến thay đổi cấu trúc, dòng thông tin (tín hiệu) truyền giữa các đối tượng, các biến trong hệ thống. Các hư hỏng dạng này có thể kể đến như hư hỏng bộ điều khiển, kẹt tắc các van, rò lọt hoặc vỡ các đường ống, đứt các đường dẫn tín hiệu, muội bẩn tắc ống phun, v.v. Khi đó, để phản ứng trước những thay đổi này, hệ thống CĐKT sẽ phải thực hiện việc loại bỏ bớt các hàm quan hệ bị mất hay xây dựng lại các hàm quan hệ khác phù hợp với cấu trúc hệ thống đã bị thay đổi.

Hư hỏng cảm biến, cơ cấu thực hiện (sensors, actuators malfunctioning)

Hư hỏng các cảm biến, cơ cấu thực hiện trong các hệ thống có phản hồi (feedback) sẽ dẫn sẽ dẫn đến sai lệch lớn trong phản ứng đầu ra của hệ thống. Khi đó, hệ thống có thể tự động chuyển về trạng thái an toàn đặt trước. Hệ thống CĐKT có nhiệm vụ xác định nhanh thiết bị hư hỏng.


7

1.5. Một số thuộc tính của hệ thống chẩn đoán kỹ thuật

Mức độ hoàn thiện và sự phân giải

Trong quá trình hoạt động, hệ thống tự động giám sát, chẩn đoán trạng thái đối tượng hoạt động liên tục. Một hệ thống chẩn đoán tốt phải phát hiện được sự bất thường bất kỳ xảy ra. Để xác định sự bất thường, hệ thống phải tìm kiếm sự phù hợp giữa các thông tin đo được từ đối tượng với tập các hư hỏng hay trạng thái bất thường được giả định trong cơ sở dữ liệu có sẵn. Một hệ thống được gọi là có độ hoàn thiện khi mọi bất thường xảy ra trong hệ thống đều phải được phát hiện và là tập con của các trạng thái hư hỏng được giả định. Ngược lại, mức độ chi tiết của các trạng thái hư hỏng giả định được đánh giá bởi sự phân giải. Để đảm bảo khả năng trích xuất thông tin có ích thì sự phân giải phải ở mức độ vừa phải hay tập các trạng thái hư hỏng giả định phải càng nhỏ càng tốt.

Có thể sử dụng khái niệm độ sâu tìm kiếm để giải thích sự phân giải. Sự phân giải cao tương ứng với khả năng tìm kiếm các hư hỏng đến tận từng chi tiết của đối tượng. Trong nhiều trường hợp, điều này là không thể và việc tìm kiếm hư hỏng đến từng cụm chi tiết là đủ.

Hình 2 mô tả tập hợp các trạng thái của đối tượng. Trong đó, hình chữ nhật biểu thị cho tập hợp tất cả các trạng thái của đối tượng (cả trạng thái có hư hỏng và không có hư hỏng), trong khi tập hợp các trạng thái hư hỏng là các trạng thái nằm trong hình elip. Các hư hỏng giả định là tập các trạng thái H1 đến H4. Dễ thấy rằng, mức độ hoàn thiện là khả năng tìm ra trạng thái bất thường nằm trong tập hợp các trạng thái có hư hỏng (hình elip). Còn sự phân giải đại diện cho số lượng các tập hợp hư hỏng giả định (các tập con trong hình elip).

Hình 2. Tập hợp trạng thái đối tượng chẩn đoán

Dễ nhận thấy rằng không gian trạng thái (state space) là vô hạn, bao gồm cả trạng thái bình thường và trạng thái hư hỏng. Hệ thống chẩn đoán kỹ thuật cần định nghĩa số lượng nhất định các trạng thái bình thường và trạng thái hư hỏng và gán mỗi trạng thái bất bình thường xác định được vào một trong những trạng thái hư hỏng giả định.

Tính dò tìm và chẩn đoán nhanh (quick detection and diagnosis)

HT CĐKT cần kịp thời phát hiện bất thường và xác định nhanh hư hỏng. Tuy nhiên, cần phải cân bằng giữa tính tác động nhanh và sai số (chẩn đoán sai/tính ổn định). Một hệ thống tác động nhanh có thể nhạy cảm với tác động nhiễu và gây ra chẩn đoán sai.

Tính cô lập (isolability)

Tính cô lập là khả năng phân biệt các hư hỏng khác nhau. Hư hỏng xác định được phải đơn trị và “trực giao” với các hư hỏng không xảy ra. Như trên Hình ---, mộ hệ thống có tính cô lập

H4 H1

H2

H3


8

cao đòi hỏi phải định nghĩa rõ ràng ranh giới giữa các trạng thái bình thường và trạng thái hư hỏng (đường giới hạn hình elip) và giữa các trạng thái hư hỏng khác nhau (ranh giới giữa các vùng H1 đến H4). Cũng cần cân bằng giữa tính cô lập và tính không xác định/ngẫu nhiên (uncertainties). Hệ thống có tính cô lập cao có thể không xác định được các hư hỏng mang yếu tố ngẫu nhiên.

Tính ổn định với nhiễu (robustness)

HT CĐKT phải ổn định với nhiễu (noise and uncertainties). Để kiểm tra tính ổn định, có thể đặt hệ thống về gần trạng thái giới hạn, khi đó nếu xuất hiện nhiễu, hệ thống vẫn phải duy trì trạng thái ổn định. Cần phải cân bằng giữa tính ổn định và độ nhạy, hay khả năng làm việc. Nếu đặt tính ổn định quá cao hệ thống có thể kém nhạy khi có các tác động thay đổi và mất khả năng phát hiện các tình huống bất thường có thể là hư hỏng.

Khả năng nhận dạng thông tin mới (Novelty detection)

HT CĐKT phải có khả năng nhận dạng cả các trạng thái bình thường và bất thường. Nếu phát hiện trạng thái bất thường thì nguyên nhân hư hỏng là biết hay chưa biết. Nếu trạng thái bất thường không nằm trong số các trạng thái hư hỏng đã được giả định thì đó được hiểu là thông tin mới. Thường có thể mô hình hóa các quá trình ở trạng thái bình thường, qua đó có thể biết và dễ dàng nhận dạng chúng. Ngược lại, các trạng thái hư hỏng thường khó lường và không thể xây dựng được mô hình mô tả chúng một cách đầy đủ. Đồng thời, nếu không có đủ kinh nghiệm tích lũy về đối tượng thì tập các hư hỏng giả định sẽ là không đầy đủ. Khi đó hệ thống phải có khả năng nhận dạng các trạng thái không phải là bình thường, cũng không thuộc các trạng thái hư hỏng đã giả định, và xem đó là “hư hỏng mới”.

Khả năng dự đoán sai số phân loại (Classification error estimate)

Đây là khả năng dự đoán độ tin cậy trước sai số phân loại. Hệ thống CĐKT cần cung cấp dự đoán tiên nghiệm về mức độ sai số phân loại. Khả năng này có ích khi xác nhận mức độ tin cậy của các kết luận đưa ra bởi hệ thống và tạo ra mức độ tin tưởng cho người khai thác. Có thể tính toán xác định mức độ không chắc chắn của phép chẩn đoán.

Tính thích nghi (Adaptability)

Tính thích nghi là khả năng thích nghi của HT CĐKT trước những thay đổi của hệ thống mà nó làm nhiệm vụ chẩn đoán. Các hệ thống có thể thay đổi do thay đổi các tín hiệu vào bên ngoài cũng như thay đổi cấu trúc bên trong. Các thay đổi có thể do tác động bên ngoài hoặc do môi trường, ví dụ: thay đổi sản lượng, chế độ công tác, chất lượng nguyên liệu đầu vào. Khi đó HT CĐKT phải có khả năng thích nghi hoặc khả năng mở rộng, cập nhật thêm các chương trình phù hợp với đối tượng chẩn đoán với cấu trúc đã được thay đổi.

Khả năng suy luận/diễn giải (Explanation facility)

Ngoài khả năng nhận dạng (hư hỏng/thông tin mới), HT CĐKT cần có khả năng suy luận dựa trên các quan hệ nhân quả được định nghĩa (cause/effect) hoặc giải thích dạng vì sao xuất hiện hư hỏng và logic dẫn đến tình trạng như hiện tại. Điều này đặc biệt với các hệ thống được thiết kế với các mô đun hỗ trợ ra quyết định trực tuyến (online decision support). Khả năng của hệ thống đưa ra các kết luận và phân tích dạng tại sao lại là khả năng này mà không phải là khả năng khác sẽ giúp ích cho người khai thác vận dụng kiến thức, kinh nghiệm của mình để kiểm nghiệm và ra quyết định.


9

Khả năng mô hình hóa (Modelling)

Hệ thống CĐKT phải có thể được mô hình hóa một cách dễ dàng và với khối lượng công việc không quá lớn để có thể hoạt động với chế độ thời gian thực (real-time) cùng với đối tượng. Yêu cầu này không chỉ cần thiết khi xây dựng hệ thống ban đầu mà còn cần khi có thay đổi về cấu trúc hay điều kiện khai thác của đối tượng.

Khả năng lưu trữ và tính toán (Storage and computational requirements)

Các hệ thống tác động theo chế độ thời gian thực thường đòi hỏi các thuật toán thực hiện ít phức tạp nhưng thường đòi hỏi lượng lưu trữ lớn. Một HT CĐKT tốt cần cân bằng giữa yêu cầu về khối lượng tính toán vừa phải cũng như dung lượng lưu trữ không quá lớn.

Tính nhận dạng đa lỗi (Multiple fault indentifiability)

Khả năng nhận dạng đa lỗi là yêu cầu cần thiết nhưng khó đạt được do tính tác động tương hỗ giữa các hư hỏng. Việc tích hợp các thuật toán chẩn đoán đa lỗi có thể làm hệ thống quá phức tạp và cần được cân nhắc.

1.6. Thông tin và biến đổi thông tin trong hệ thống chẩn đoán kỹ thuật

Nhiệm vụ cốt lõi của hệ thống chẩn đoán kỹ thuật là xử lý thông tin thu nhận được. Có thể mô tả hệ thống theo quan điểm thông tin như trên Hình 3. Trong đó, thông tin được chia làm bốn lớp: lớp đo đạc, lớp đặc điểm, lớp quyết định và lớp phân loại.

Hình 3. Lớp thông tin trong hệ thống chẩn đoán kỹ thuật

Lớp đo đạc (Measurement space)

Lớp đo đạc là lớp chỉ bao gồm các thông tin nhận được từ đối tượng (bằng cách đo đạc trực tiếp, gián tiếp). Ở đây các kiến thức về hệ thống chưa được sử dụng. Các thông tin đo được là dữ liệu đầu vào thô (raw inputs). Ví dụ về thông tin ở lớp này đối với động cơ diesel như: Nhiệt độ


10

khí xả, vòng quay động cơ, vòng quay tuabin tăng áp, chỉ số thanh răng, áp suất khí nạp, v.v. Tập

hợp các biến ở lớp này sẽ đặc trưng cho trạng thái của đối tượng .

Lớp đặc điểm (Feature space)

Số lượng dữ liệu đo thô ở lớp trên có thể rất lớn để có thể sử dụng cho các thuật toán chẩn đoán. Chúng đồng thời cũng có thể chữa nhiễu và nhiều thông tin không có ích. Để rút gọn và trích xuất các thông tin có ích, dữ liệu thô được phân tích, so sánh, xử lý sơ bộ để rút ra các đặc điểm đặc trưng (features) cho đối tượng. Việc lựa chọn thông tin cho lớp này sử dụng kiến thức đã biết về đối tượng cũng như các công cụ xử lý số liệu. Có thể sử dụng hai chiến lược xác định dữ liệu lớp này là lựa chọn (feature selection) và trích xuất (feature extraction).

- Lựa chọn dữ liệu đặc điểm là qua trình chọn một số biến trong rất nhiều biến thu được ở lớp đo đạc;

- Trích xuất dữ liệu đặc điểm là sử dụng kiến thức chuyên môn hoặc các công cụ toán học (Co-relation, Principle component analysis, …) để tìm ra các biến có ích đặc trưng cho đối tượng. Các biến trích xuất được có thể không phải là biến gốc từ lớp đo đạc mà là biến nhân tạo xác định được từ các phép biến đổi, xử lý số liệu.

Số lượng các biến được trích xuất ra thường nhỏ hơn nhiều dữ liệu đo được,

. Trong trường hợp có hai hay nhiều thông số được đo có thể có quan hệ với nhau, khi đó cần xác định mối quan hệ này và có thể chỉ cần sử dụng một vài trong số nhiều thông số đó, hoặc biến đổi thành chúng thành một thông số tổng hợp. Ví dụ đối với nhiệt độ nước làm mát động cơ, có thể ghi nhận các giá trị nhiệt độ vào, ra động cơ và độ chênh nhiệt độ vào/ra. Khi đó có thể chỉ cần sử dụng duy nhất một giá trị là độ chênh nhiệt độ vào/ra.

Lớp quyết định (Decision space)

Các đặc điểm trích xuất được trong dữ liệu thu được từ đối tượng sẽ đặc trưng cho trạng thái của chúng. Việc sử dụng các đặc điểm này để kết luận về trạng thái của đối tượng được thực hiện bởi các thuật toán ra quyết định. Có thể sử dụng dạng các hàm mục tiêu (objective functions)

dạng , với K là số lượng hàm mục tiêu. Khi đó, các biến thuộc lớp đặc điểm sẽ được biến đổi phù hợp nhằm đạt các mục tiêu đặt ra, ví dụ: mục tiêu là tối thiểu sự nhầm lẫn khi phân loại như ở Hình 4 (mis-class).

Hình 4. Hàm mục tiêu cho bài toán phân loại tuyến tính


11

Lớp trạng thái (Class space)

Lớp trạng thái là tập hợp trạng thái của đối tượng với M là số trạng thái của hệ thống. M

được quy định trước và chính là số lượng các hư hỏng giả định .

Nhiệm vụ của hệ thống chẩn đoán kỹ thuật là chỉ ra trạng thái hiện tại của đối tượng là trạng thái nào trong tập hợp các trạng thái. Nói cách khác, xác định điểm trạng thái hiện tại của đối tượng trong không gian trạng thái.

Ví dụ về các lớp trạng thái:

Giả sử một đối tượng được xác định bởi 4 cảm biến, x1, x2, x3, x4 với các giá trị chuẩn tương ứng a1, a2, a3, a4. Đối tượng có hai trạng thái hư hỏng đặc trưng là c1, c2. Hư hỏng thứ nhất liên quan đến các biến x1, x2, còn hư hỏng thứ hai liên quan đến x2, x3.

Khi đó, lớp đo đạc có giá trị x = [x1 x2 x3 x4];

Lớp đặc điểm là kết quả trích xuất thông tin từ lớp đo đạc. Dễ thấy biến x4 không có quan hệ với hai hư hỏng nên không có ích cho nhiệm vụ phân loại trạng thái và được bỏ qua. Như vậy, lớp đặc điểm có véc tơ trạng thái như sau: y = [y1 y2 y3] = [x1 x2 x3],;

Lớp quyết định được xác định bởi các suy luận:

Suy luận sử dụng hàm ngưỡng: 0else1then,If ==>− iiiii ddTay

Suy luận điều kiện tương ứng với hư hỏng thứ nhất: 121 then)1AND1(If cdd == ;

Suy luận điều kiện tương ứng với hư hỏng thứ hai: 232 then)1AND1(If cdd == .

Lớp trạng thái chính là kết quả suy luận nhận được từ lớp quyết định: C = [c1, c2].

1.7. Dấu hiệu chẩn đoán và lựa chọn dấu hiệu chẩn đoán

Có thể nhận thấy bản chất của hệ thống chẩn đoán kỹ thuật là thu thập thông tin về đối tượng và xử lý chúng để đưa ra kết luận về trạng thái của nó và xác định các hư hỏng nếu có. Các thông tin thu nhận được từ đối tượng có thể đo đạc được bằng định lượng hoặc định tính được gọi là dấu hiệu chẩn đoán. Hình 5 mô tả một cách phân loại các dấu hiệu chẩn đoán. Các dấu hiệu trực tiếp thuộc về nhóm dấu hiệu định lượng cơ bản. Chúng có thể là các đại lượng vật lý đo được như áp suất, nhiệt độ, tốc độ, v.v. Các đại lượng đo được này có thể không được sử dụng trực tiếp mà có thể được biến đổi hoặc kết hợp một vài đại lượng để trở thành dấu hiệu tổng hợp (ví dụ giá trị trung bình của nhiệt độ khí xả các xilanh động cơ diesel). Đối với các dấu hiệu định tính, thường chúng cần được biến đổi phù hợp để có thể sử dụng được trong hệ thống chẩn đoán.

Số lượng các dấu hiệu của một đối tượng có thể rất lớn. Việc quyết định lựa chọn số lượng dấu hiệu chẩn đoán bao nhiêu là đủ là rất quan trọng. Tập các dấu hiệu chẩn đoán phải đại diện cho trạng thái của đối tượng. Đây chính là nhiệm vụ cần phải thực hiện ở bước chuyển từ lớp đo đạc đến lớp đặc điểm như đã mô tả ở phần trên.

Việc lựa chọn số lượng dấu hiệu chẩn đoán có thể sử dụng nhiều phương pháp và công cụ khác nhau như định lượng tính thông tin hay định tính dựa trên kiến thức chuyên gia. Có thể đánh giá mức độ đầy đủ của tập dấu hiệu chẩn đoán bằng tỷ số giữa số dấu hiệu chọn và tổng số


12

dấu hiệu mà đối tượng có. Tuy nhiên, cách này không phân biệt được tính “quan trọng” khác nhau giữa các dấu hiệu khác nhau. Việc sử dụng lý thuyết thông tin để lựa chọn sẽ xác định lượng thông tin mà các dấu hiệu chứa trong nó và so sánh giữa chúng để chọn ra các dấu hiệu chứa nhiều thông tin hơn. Ví dụ, giá trị áp suất không khí nạp tăng áp cấp sẽ chứa nhiều thông tin về chế độ công tác của động cơ diesel hơn giá trị nhiệt độ khí nạp. Tuy nhiên, việc định lượng thông tin các dấu hiệu chẩn đoán là nhiệm vụ khó khăn và đòi hỏi nhiều kiến thức chuyên sâu về đối tượng.

Hình 5. Phân loại dấu hiệu chẩn đoán


13

Chương 2 - Một số dạng mô hình hệ thống chẩn đoán kỹ thuật

2.1. Phân loại mô hình hệ thống CĐKT

Một HT CĐKT được cấu thành bởi hai thành phần: tri thức (knowledge) về hệ thống được chẩn đoán (hay đối tượng chẩn đoán) và chiến lược tìm kiếm (search strategy) thông tin trong khối lượng tri thức đó. Tri thức về hệ thống là những hiểu biết về nguyên lý, cấu tạo, các quá trình lý hóa và các mối quan hệ giữa các thành phần trong đối tượng chẩn đoán. Nếu tri thức sử dụng để xây dựng mô hình HT CĐKT dựa trên các nguyên lý khoa học cơ bản và có thể diễn tả bằng các quan hệ toán học cụ thể thì gọi là tri thức sâu, tri thức nhân quả. Tri thức cũng có thể là những kinh nghiệm về đối tượng trong quá khứ (các dữ liệu công tác đo đạc, lưu trữ được, các sự việc được ghi nhận liên quan đến các hư hỏng, sai lệch của thiết bị). Tri thức trong trường hợp này được gọi là tri thức nông, tri thức suy luận.

Chiến lược tìm kiếm là các thuật toán tính toán hay suy luận nhằm tìm kiếm thông tin phù hợp trong lượng tri thức được sử dụng trong mô hình HT CĐKT. Trên cơ sở tham chiếu thông tin tìm kiếm sẽ đưa ra kết luận về trạng thái của đối tượng hay phát hiện hư hỏng. Chiến lược tìm kiếm được lựa chọn phải phù hợp và phụ thuộc vào loại tri thức đã sử dụng. Do vậy, tri thức hay sự hiểu biết về đối tượng sẽ quyết định đặc điểm của hệ thống CĐKT cũng như các thuật toán chẩn đoán và dò tìm hư hỏng. Việc phân loại HT CĐKT, vì thế, cũng dựa trên kiểu tri thức sử dụng trong mô hình hệ thống CĐKT.

Kiến thức cơ bản cần cho việc xây dựng một HT CĐKT và dò tìm hư hỏng có thể là một tập hợp các hư hỏng của đối tượng và mối quan hệ giữa các hư hỏng này với các quan sát tương ứng về đối tượng (các triệu chứng). Quan hệ giữa hư hỏng và triệu chứng có thể ở dạng rõ như bảng tìm kiếm (table look-up), hoặc sử dụng suy diễn nào đó trong khối tri thức sử dụng. Nếu tri thức sử dụng cho xây dựng mô hình HT CĐKT được phát triển từ các hiểu biết căn bản về đối tượng dựa trên các nguyên lý cơ bản, hay tri thức sâu, thì HT CĐKT được gọi là hệ thống mô hình hóa

tri thức (model-based knowledge). Ngược lại, nếu hiểu biết về đối tượng không đủ sâu, có thể sử dụng mô hình HT CĐKT dựa trên kiến thức kinh nghiệm về đối tượng trong quá khứ (tri thức nông). Khi đó HT CĐKT được gọi là hệ thống tri thức kinh nghiệm (history-based knowledge).

Hình 6 mô tả phương pháp phân loại hệ thống chẩn đoán kỹ thuật theo quan điểm trên.


14

Hình 6. Phân loại các thuật toán chẩn đoán

Tùy thuộc vào công cụ sử dụng, các mô hình hệ thống CĐKT mang các đặc tính hết sức đa dạng. Đối tượng chẩn đoán cũng như mục đích chẩn đoán sẽ là yếu tố quyết định việc lựa chọn phương pháp chẩn đoán phù hợp.

Hệ thống mô hình hóa tri thức có thể được phân chia thành mô hình hóa định lượng (quantitative model-based) và định tính (qualitative model-based). Các hệ thống CĐKT mô hình hóa tri thức được xây dựng dựa trên những hiểu biết cơ bản về các hiện tượng vật lý của quá trình diễn ra trong đối tượng. Ở mô hình định lượng, các hiểu biết này được mô tả bằng các quan hệ toán học rõ giữa các tín hiệu đầu vào và đầu ra của đối tượng. Ngược lại, ở mô hình định tính, những mối quan hệ này được diễn tả dưới dạng các hàm định tính giữa các thành phần cấu thành đối tượng.

Ví dụ 1- mô hình định lượng:

- Công suất của một thiết bị điện (P) tỷ lệ với điện áp (U) và cường độ dòng điện (I):

P = U.I,

Trong đó, U và I là các thông số vào (inputs), P là thông số ra (output) của đối tượng. Trong trường hợp này quan hệ vào/ra được được diễn bằng một hàm toán học giải tích.

Ví dụ 2 – mô hình định lượng:

Công suất của động cơ diesel có thể tính toán được theo lượng nhiên liệu tiêu hao. Nói cách khác, công suất của động cơ, Ne, là một hàm số của lượng tiêu hao nhiên liệu, B:

Ne = f(B).

Quan hệ giữa công suất và lượng tiêu hao nhiên liệu đối với động cơ ở trạng thái tốt có thể được sử dụng khi xây dựng hệ thống CĐKT. Trường hợp có hư hỏng xảy ra đối với động cơ, quan hệ trên có thể không còn đúng nữa. Khi đó, hệ thống CĐKT có thể xác định được hư hỏng thông qua sai khác về công suất khi cùng một lượng tiêu hao nhiên liệu.

Ví dụ 3 – mô hình định tính:

- Nhiệt độ của một thiết bị điện phụ thuộc vào tải ngoài (nhiễu) và sự thay đổi các thông số đầu vào (U, I). Khi thay đổi tải hay thay đổi các thông số vào thì nhiệt độ thiết bị thay đổi theo, nhưng quan hệ ở đây không rõ và khó có thể mô tả được bằng quan hệ giải tích. Khi đó có thể mô tả bằng các hàm định tính dạng như: Khi tải tăng 20% thì thiết bị điện bị quá nhiệt.

Hệ thống dựa trên tri thức kinh nghiệm chỉ dựa trên các thông tin về lịch sử hoạt động của đối tượng mà không cần tri thức tiên nghiệm về đối tượng. Khi đó, người nghiên cứu cần đo đạc, ghi chép các thông số phản ánh tình trạng hoạt động của đối tượng nghiên cứu. Những thông tin này được lưu trữ lại thành cơ sở dữ liệu về đối tượng. Cơ sở dữ liệu này sau đó được trích xuất để tìm ra những đặc điểm đặc trưng cho đối tượng và được sử dụng cho CĐKT và phát hiện hư hỏng. Mô hình tri thức kinh nghiệm cũng có thể ở dạng mô hình định lượng hay định tính.

Ví dụ về mô hình tri thức kinh nghiệm:

Ví dụ 1: Công suất có ích của động cơ diesel lai chân vịt tàu thủy không những phụ thuộc vào lượng cấp nhiên liệu mà còn phụ thuộc vào các điều kiện khác như các thông số môi trường


15

(nhiệt độ, áp suất, độ ẩm), các thông số nhiên liệu (loại nhiên liệu, chất lượng xử lý nhiên liệu), chất lượng các chi tiết của động cơ. Thực tế, không thể tìm được mối quan hệ hàm số giải tích giữa các thông số này và công suất động cơ. Tuy nhiên, các thông số khai thác và kinh nghiệm khai thác động cơ diesel tàu thủy trong quá khứ có thể sử dụng để đánh giá sự suy giảm công suất có ích của động cơ ở các điều kiện khác nhau.

Ví dụ 2: Trong nghiên cứu sinh học về cây trồng hay vật nuôi, không thể tìm được quy luật phát triển của sinh vật. Tuy nhiên, qua kinh nghiệm theo dõi sự phát triển của chúng, người nghiên cứu có thể xác định được trạng thái, đặc trưng của loại sinh vật đó thông qua các đặc điểm của loài sinh vật đó trong quá khứ. Ví dụ bài toán phân loại hoa Iris sử dụng dữ liệu dạng bảng gồm bốn thuộc tính ghi nhận được về đặc điểm của ba loại hoa:

Bảng 2-1. Dữ liệu hoa Iris cho mô hình tri thức kinh nghiệm

Mẫu số Thuộc tính 1

Sepal length

Thuộc tính 2

Sepal width

Thuộc tính 3

Petal length

Thuộc tính 4

Petal width

Loại

1 5.1 3.5 1.4 0.2 Sentosa

2 4.9 3.0 1.4 0.2 Sentosa

3 7.0 3.2 4.7 1.4 Versicolor

4 6.4 3.2 4.5 1.5 Versicolor

5 5.7 2.5 5.0 2.0 Virginica

6 5.8 2.8 5.1 2.4 Virginica

… … … … … …

2.2. Mô hình tri thức định lượng

Trong hệ thống CĐKT sử dụng mô hình tri thức định lượng, quan hệ giữa các thành phần, các biến, các thông số trong hệ thống sản xuất được mô tả ở dạng các hàm định lượng. Các quan hệ định lượng này có thể được mô tả sử dụng một trong hai mô hình: mô hình quan hệ tín hiệu vào/ra (input-output) và mô hình không gian trạng thái (state-space). Trước khi nghiên cứu chi tiết mô hình hệ thống CĐKT sử dụng tri thức định lượng, những nét cơ bản của hai dạng mô hình trên được mô tả sau đây.

Mô hình quan hệ vào-ra

Đối với mô hình quan hệ vào-ra, tín hiệu vào được tiếp nhận bởi mô hình và được biến đổi bởi các quan hệ bên trong mô hình để thành tín hiệu ra (Hình 7). Mô hình có thể có phản hồi ngược nhằm mục đích điều khiển để duy trì chất lượng các thông số đầu ra.

Hình 7. Mô hình quan hệ vào-ra


16

Ví dụ động cơ diesel tàu thủy có thể được coi là một mô hình quan hệ vào-ra:

Thông số vào (Inputs) Hàm truyền đạt (Transformation processing)

Thông số ra (Outputs)

Nhiệt độ khí nạp

Nhiệt độ nước làm mát vào

Nhiệt độ dầu bôi trơn vào

Lượng cấp nhiên liệu

Lý thuyết quá trình cháy trong xilanh động cơ

Lý thuyết quá trình truyền nhiệt cho nước làm mát

Các quá trình ma sát, mài mòn

Vòng quay

Công suất

Nhiệt độ nước làm mát, dầu bôi trơn ra, nhiệt độ khí xả

Quan hệ giữa các biến vào và ra có thể được mô tả bằng quan hệ toán học cụ thể như mô hình ở Hình 8.

Hình 8. Diễn tả toán học mô hình quan hệ vào-ra

Như mô hình trên, sự thay đổi của các thông số vật liệu, cấu trúc của mô hình sẽ dẫn đến thay đối các biến đầu ra. Như vậy, việc giải quan hệ trên sẽ cho kết quả chính là trạng thái kỹ thuật của thiết bị.

Mô hình không gian trạng thái (state-space)

Khi mô tả hệ thống bằng mô hình inputs/outputs qua hàm hàm truyền đạt người ta chỉ quan tâm đến mối quan hệ giữa các tín hiệu vào và ra. Ví dụ đối với điều khiển động cơ điện thì có thể hiểu đơn giản tín hiệu vào là điện áp điều khiển, tín hiệu ra là tốc độ của động cơ. Tuy nhiên, bên cạnh các tín hiệu vào và ra đó, có thể còn phải quan tâm đến những thông số khác như: điện áp, dòng điện đầu ra, mô men, từ thông v.v. Tập hợp tất cả các thông số này đặc trưng cho trạng thái của hệ. Như vậy, trong mô hình không gian trạng thái, ngoài các thông số vào, ra, còn có các biến trạng thái (state variables). Một số biến trạng thái có thể đo được một cách trực tiếp và được gọi là tín hiệu ra. Một số khác không đo được nhưng có thể được xác định (hay quan sát) thông qua mô hình của đối tượng và các tín hiệu đo được khác. Đối với các hệ thống động, các tín hiệu vào, ra và các biến trạng thái thường được biểu diễn dưới dạng các véc tơ thời gian. Khi đó, một

( ) [ ( ), ( )]Z t f Y t Q t=

By Assoc. Prof. PhD. Le Van Diem

trạng thái của đối tượng là tậtrưng bởi véc tơ trạng thái tại thtơ trạng thái theo thời gian (Hình 9)

Như vậy, đối với các hệ ánh không những các mối quan hgiữa các trạng thái bên trong ctrạng thái và mô hình như vthiết kế hệ thống trên không gian trhay đầu ra.

Biến trạng thái là tập hợp con nhđại diện cho trạng thái của hệthái cần thiết để đại diện cho mphân xác định hệ thống. Nếu hbiến trạng thái tương đương vhợp. Trong mạch điện, số lượtrong mạch như tụ điện và cuthể là kết hợp tuyến tính của các bi

Đối với một hệ thống gồhình không gian trạng thái sẽ đư

Trong đó:

là véc tơ trạng thái

là véc tơ đầu ra (output vector)

By Assoc. Prof. PhD. Le Van Diem – Faculty of Marine EngineeringVIETNAM MARITIME UNIVERSITY

17

ập hợp các biến trạng thái tại một thời điểm nào i thời điểm đó. Và không gian trạng thái là tập hợ

(Hình 9).

thống điều khiển hiện đại, người ta cần một hệi quan hệ giữa các tín hiệu vào và ra mà còn cả các quan h

ái bên trong của đối tượng nữa. Phương trình như vậy được gư vậy được gọi là mô hình không gian trạng thái. Các ph

ng trên không gian trạng thái có ưu điểm đặc biệt khi hệ thống có h

Hình 9. Mô hình không gian trạng thái

p con nhỏ nhất có thể của tất cả các biến trong hệ thống tại bất kỳ thời điểm nào. Số lượng tối thi

n cho một hệ thống nhất định, n thường bằng số bậc cu hệ thống được mô tả dưới dạng hàm truyền, số

ng với thứ tự của mẫu số hàm truyền sau khi nó đã ợng các biến trạng thái thường bằng số phần tử

cuộn cảm. Các biến trạng thái phải độc lập tuyến tính, a các biến trạng thái khác, khi đó hệ thống sẽ không th

ồm p thông số đầu vào, q thông số đầu ra và n được mô tả như sau:

(state vector), ;

u ra (output vector), ;

Faculty of Marine Engineering

m nào đó và được đặc ợp của tất cả các véc

ệ phương trình phản các quan hệ ràng buộc c gọi là phương trình

ng thái. Các phương pháp ng có hơn một đầu vào

n trong hệ thống mà có thể i thiểu các biến trạng c của phương trình vi ố lượng tối thiểu các ã được tối giản phù lưu trữ năng lượng

n tính, chúng không không thể giải được.

biến trạng thái, mô


là véc tơ đầu vào (input/control vector)

là ma trận trạng thái (state/

là ma trận hệ số vào (input matrix)

là ma trận hệ số ra

là ma trân hệ số thông qua (feedthrough/feedforward matrix), trong tr

thống không tồn tại liên k

không,

.

Với hệ liên tục không theo th

Với hệ liên tục theo thời gian

Với hệ rời rạc không theo th

Với hệ rời rạc theo thời gian

Trong CĐKT, các hệ liên tthông tin.

Biến dự phòng trong mô hình C

Trong xây dựng các mô hình thư hỏng, việc dựa vào các mô hình tri thhiện qua hai bước. Bước thứ nhgiá trị dự kiến nhận được. Sựphản ánh nguy cơ xảy ra hư hđể xác định trạng thái kỹ thuật và h

Việc xác định độ lệch đòi hThông thường, có hai phương pháp tgiải tích. Dự phòng phần cứng thbiến dự phòng và thường chỉ bị hàng không, hạt nhân. Đối vtạo ra từ quan hệ phụ thuộc giữ


18

u vào (input/control vector), ;

ng thái (state/system matrix),

vào (input matrix), ,

(output matrix), ,

thông qua (feedthrough/feedforward matrix), trong tr

i liên kết thông qua trực tiếp thì

,

c không theo thời gian

i gian

c không theo thời gian

i gian

liên tục thường được rời rạc hóa để dễ dàng thu th

phòng trong mô hình CĐKT (analytical redundancy)

ng các mô hình tự động hóa điều khiển kết hợp chẩn đoán ka vào các mô hình tri thức định lượng để phát hiện hư hỏng th

nhất là xác định sự sai lệch giữa giá trị tín hiệu thự chênh lệch này được gọi là “độ lệch”. Đây là thông s

ư hỏng trong hệ thống. Bước thứ hai là lựa chọn thut và hư hỏng.

òi hỏi phải tạo ra tín hiệu dự phòng hay tín hiệu thương pháp tạo ra tín hiệu dự phòng: dự phòng phần c

ng thường kèm theo việc bố trí thêm các thiết bị ph được sử dụng trong các hệ thống đòi hỏi tính an toàn cao nhi với dự phòng giải tích, tín hiệu dự phòng là tín hiữa các biến vào, ra và biến trạng thái.


,

thông qua (feedthrough/feedforward matrix), trong trường hợp hệ

là ma trận

dàng thu thập, lưu trữ và xử lý

đoán kỹ thuật và dò tìm ng thường phải thực

u thực của hệ thống và ây là thông số nhân tạo

thuật toán quyết định

u thừa (redundancy). n cứng và dự phòng phần cứng, các cảm

i tính an toàn cao như thiết tín hiệu nhân tạo được


19

Theo cách thu được, biến dự phòng được chia thành hai loại: biến dự phòng trực tiếp và biến thời gian. Biến trực tiếp được xác định từ quan hệ số học giữa các giá trị đo được từ các cảm biến khác nhau. Quan hệ này được dùng để tính toán giá trị của một biến từ giá trị đo được của biến khác. Giá trị tính toán này sau đó được so sánh với giá trị đo được từ cảm biến của thông số đó. Sự sai khác sẽ là cơ sở để chỉ ra có hay không hư hỏng liên quan đến thông số đó.

Biến dự phòng thời gian thu được từ phương trình vi phân hay sự sai khác giữa tín hiệu ra của các cảm biến của hệ thống (sensor outputs) với tín hiệu vào của các cơ cấu thực hiện (actuator inputs). Dạng tín hiệu này thường được sử dụng để chẩn đoán hư hỏng các cảm biến và cơ cấu thực hiện.

Mô hình hệ thống có biến dự phòng được mô tả trên Hình 10 Ở đây tín hiệu đầu ra đo được thực tế của hệ thống được đo và so sánh với tín hiệu dự phòng. Ở trạng thái hoạt động tốt của hệ thống, sai khác thu được phải nhỏ. Một sự sai khác lớn chứng tỏ rằng đã xuất hiện hư hỏng dẫn đến sự thay đổi trạng thái của hệ thống so với ban đầu.

Hình 10. Mô hình với biến dự phòng

Ví dụ, đối với một thiết bị điện, biến vào là điện áp, biến ra là công suất. Biến dự phòng được xác định qua quan hệ PR = U.I.

2.3. Mô hình tri thức định tính

Trong mô hình tri thức đinh tính, tri thức về lĩnh vực nghiên cứu được sử dụng là ở dạng định tính định tính xây. Tri thức có thể ở dạng suy luận theo quan hệ if-then-else hoặc các mối quan hệ logic giữa các phần tử trong hệ thống. Một trong những ví dụ tiêu biểu của mô hình định tính là hệ chuyên gia (expert system).


Hình 11 mô tả mô hình mtính thông minh sử dụng tri thgiải những bài toán tương đối khó khgia gồm ba thành phần chính là cvà hệ thống giao tiếp với ngườ

Cơ sở tri thức chứa các tri thtừ những nhà nghiên cứu, nhữcơ sở dữ liệu này, máy suy luậhệ thống giao tiếp. Người sử dhay những thông tin có ích cho hkhuyên hay những gợi ý đúng thực hiện bởi các chuyên gia.

Mô hình hóa định tính c(induction), hay suy luận quan hdụng để xây dựng quan hệ nhân qumức chất lỏng. Khi đó, ta có các quan h

dT

dZFF =− 21 ,

R

ZF =2 , v

Từ mô hình, có thể suy lu

chiều cao mức chất lỏng, Z, và

chất lỏng sẽ dẫn tới thay đổi lưđối với mức chất lỏng như là s


20

Hình 11. Mô hình hệ chuyên gia

mô hình một hệ chuyên gia. Hệ chuyên gia bản chất là mộng tri thức (knowledge) và các thủ tục suy luận (inference procedures)

i khó khăn đòi hỏi những chuyên gia mới giải đưn chính là cơ sở tri thức (knowledge base), máy suy luận

ời sử dụng (user interface).

a các tri thức về lĩnh vực nghiên cứu. Đây chính là hiểững chuyên gia và cả những kinh nghiệm quá khận sẽ tìm kiếm thông tin và tạo ra câu trả lời cho ngdụng (user) cung cấp sự kiện (facts) là những gì

ng thông tin có ích cho hệ chuyên gia, và nhận được những câu trđúng đắn (expertise). Điều này giống như quá trình gi

nh tính cũng có thể sử dụng phép diễn giải (abduction) hay quy nn quan hệ nhân quả (digraph). Mô hình két nước như

nhân quả với F1, F2 là lưu lượng dòng chảy vào và ra, Z là chió, ta có các quan hệ sau:

, với R là hệ số phụ thuộc dung tích két.

suy luận như sau: Sự thay đổi của lưu lượng vào, F

ng, Z, và tốc độ thay đổi mức chất lỏng, dT

dZ. Sự thay đ

i lưu lượng chảy ra, F2. Sự thay đổi lưu lượng ra sư là sự phản hồi.


ột chương trình máy n (inference procedures) để

i được. Một hệ chuyên n (inference engine)

ểu biết được tích lũy m quá khứ về đối tượng. Từ

i cho người sử dụng qua ng gì đã biết, đã có thật

ng câu trả lời là những lời ình giải đáp thắc mắc

i (abduction) hay quy nạp ư ở Hình 12 có thể sử

y vào và ra, Z là chiều cao

ng vào, F1, sẽ làm thay đổi

thay đổi chiều cao mức

ng ra sẽ ảnh hưởng trở lại


21

Hình 12. Mô hình quan hệ nhân quả

Mô hình quan hệ như ở Hình 12 được sử dụng hiệu quả khi mô tả các mối quan hệ vào/ra một cách định tính. Mô hình sẽ bao gồm các liên kết (arcs) và các nút (nodes). Thường có ba dạng nút.

- Nút vào là nút chỉ có các liên kết đi ra từ nó (F1). Đây là nút cơ cơ sở, thường được dùng để biểu diễn các biến hư hỏng. Chúng thay đổi một cách độc lập, ngẫu nhiên. Ví dụ, trong hệ thống trên, sự xuất hiện hư hỏng sẽ làm thay đổi lưu lượng vào F1.

- Nút trung gian là nút có cả các liên kết đi vào và đi ra. Đây được coi là các biến trạng thái.

- Nút ra là nút chỉ có các liên kết đi tới nó. Đây chính là các biến ra và chúng không gây ảnh hưởng gì đến hệ thống.

Một dạng mô hình định tính khác có thể sử dụng trong các mô hình chẩn đoán kỹ thuật định tính là mô hình cây suy luận (fault tree). Mô hình cây suy luận có cấu trúc nhiều lớp với các suy luận sử dụng hàm logic (OR, AND, XOR). Mô hình dạng này thường được sử dụng trong các nhiệm vụ đánh giá rủi ro hay mức độ an toàn.

Để mô tả mô hình cây suy luận, xét ví dụ một bình khí nén được bảo vệ bởi các van an toàn A1 đến A4 được bố trí ở hai nhành như trên Hình 13. Các van này đều được đặt để mở ở cùng một giá trị quy định. Nhiệm vụ của bài toán là xác định xác suất hệ thống không được bảo vệ khi áp suất trong bình đạt đến giá trị đặt của các van an toàn. Mô hình cây suy luận được xây dựng xuất phát từ sự kiện cuối cùng (top event), ở đây là Hệ thống không được bảo vệ khi đạt giá trị áp suất đặt. Dễ thấy rằng sự kiện này chỉ xảy ra khi cả hai nhánh không mở (hàm AND). Tiếp tục suy luận xuống lớp thứ hai, các nhánh sẽ không mở khi một trong hai van không mở (hàm OR). Sự kiện các van an toàn không mở được gọi là sự kiện gốc (basic event). Giả sử biết xác suất xảy ra các sự kiện gốc là xác suất các van an toàn không mở khi đạt giá trị đặt. Giá trị xác suất này có thể xác định được bằng cách thử nghiệm nhiều lần. Khi đó xác suất hệ thống không được bảo vệ khi áp suất đạt tới giá trị đặt được tính như sau:

( )( )4321. . AAAAfal PPPPP ++= .


22

Hình 13. Mô hình hệ thống bảo vệ áp suất và cây suy luận

Có thể đặt bài toán ngược lại: Xác định xác suất hệ thống bảo vệ khi chưa đạt tới giá trị áp suất đặt. Khi đó, cây suy luận được xây dựng như trên Hình 14.

Hình 14. Mô hình cây suy luận cho bài toán ngược

Xác suất hệ thống bảo vệ khi chưa đạt tới giá trị áp suất đặt được tính như sau:

( ) ( )4321. .. AAAAfal PPPPP += .

Thực tế, có rất nhiều dạng mô hình định tính khác nhau được sử dụng. Ngoài ra, có thể kết hợp giữa mô hình định lượng và định tính. Dữ liệu định lượng cũng có thể được chuyển hóa sang dạng định tính. Suy luận mờ (fuzzy reasoning) là một dạng mô hình như vậy. Khi đó, các dấu hiệu định tính của đối tượng có thể được chia khoảng và được gán giá trị bởi hàm liên thuộc (membership function).


23

2.4. Hệ thống tri thức kinh nghiệm

Trong nhiều trường hợp, không thể xây dựng được mô hình (mode-based) về đối tượng do thiếu hiểu biết về chúng (không đủ kiến thức để mô tả đối tượng bằng các quan hệ rõ dạng định lượng hoặc định tính).

Khi đó, nếu có nhiều thông tin về lịch sử của đối tượng/quá trình nghiên cứu, có thể sử dụng Hệ thống tri thức kinh nghiệm (history-based). Trong trường hợp này, thông tin từ dữ liệu lịch sử của đối tượng được trích suất (feature extraction) để tìm ra các đặc điểm đặc trưng cho các trạng thái của đối tượng, bao gồm cả các trạng thái bình thường và trạng thái hư hỏng. Như vậy, các đặc điểm về trạng thái, hư hỏng của đối tượng trong quá khứ được dùng để suy luận cho hiện tại

Hình 15. Phân loại các phương pháp chẩn đoán sử dụng tri thức kinh nghiệm

Hệ thống tri thức kinh nghiệm có thể trích xuất dữ liệu lịch sử về đối tượng theo dạng định tính hoặc định lượng. Hệ chuyên gia là một ví dụ về sử dụng dữ liệu lịch sử định tính. Ở đó, kinh nghiệm về khai thác đối tượng trong lịch sử, các sự cố hư hỏng ghi nhận được sẽ được tích hợp trong cơ sở dữ liệu chuyên gia và được sử dụng để tìm kiếm sự phù hợp tương tự của đối tượng trong hiện tại (xem mô hình hệ chuyên gia - Hình 11).

Trích xuất đặc điểm dữ liệu lịch sử dạng định lượng có thể được sử dụng trong mô hình mạng nơ ron nhân tạo (Artificial Neural Networks - ANN) hoặc bằng công cụ xác suất thống kê. Mô hình ANN được mô tả chi tiết ở Chương 4, trong khi một số vấn đề trích xuất đặc điểm dữ liệu được phân tích trong Chương 3.


24

Chương 3 - Một số mô hình nhận dạng sử dụng trong chẩn đoán kỹ thuật

Như đã phân tích, bản chất của hệ thống chẩn đoán kỹ thuật là thu thập (data acquisition) và xử lý dữ liệu (data mining). Việc xử lý dữ liệu có thể bao gồm nhiều công đoạn khác nhau cũng như có thể sử dụng nhiều công cụ khác nhau. Một trong các kỹ thuật xử lý dữ liệu được sử dụng phổ biến là lý thuyết nhận dạng mẫu (pattern recognition). Chẩn đoán kỹ thuật và nhận dạng mẫu có sự tương đồng về nhiệm vụ cũng như cấu trúc (Bảng 3-1).

Bảng 3-1. Sự tương đồng giữa hệ thống chẩn đoán và nhận dạng mẫu

Chỉ tiêu Hệ thống CĐKT Hệ thống nhận dạng mẫu

Nhiệm vụ

Kết luận về trạng thái kỹ thuật đối tượng, xác định hư hỏng từ các dấu hiệu (dữ liệu) thu thập được

Thuật máy học (machine learning) để phân loại dữ liệu dựa trên: kiến thức tiên nghiệm (a priori) hoặc thông tin thống kê trích rút từ các mẫu dữ liệu

Dữ liệu đầu vào

Là các dấu hiệu chẩn đoán (đại lượng vật lý đo được, tính toán được, âm thanh, hình ảnh, … )

Dữ liệu đo đạc hay quan sát được là một điểm trong không gian đa chiều. Đó là không gian của các đặc tính (state-space) cần được xác định đặc điểm hay phân loại

Cấu trúc

Các cảm biến, thu thập, đo đạc dữ liệu

Bộ xử lý dữ liệu (biến đổi, lọc, trích rút thông tin từ dữ liệu đo)

Hệ thống thuật toán chẩn đoán, dò tìm hư hỏng

Một thiết bị cảm nhận (sensor) để thu thập các quan sát cần cho việc phân loại hay miêu tả

Một cơ chế trích rút đặc trưng (feature extraction) để tính toán các thông tin dưới dạng số hay dạng ký tự (symbolic) từ các dữ liệu quan sát được

Một bộ nhận dạng hay phân loại

Phần dưới mô tả ba bài toán cơ bản trong xử lý dữ liệu được sử dụng phổ biến để phân tích và nhận dạng dữ liệu từ các hệ thống kỹ thuật là xấp xỉ hàm (function approximation), phân cụm (data clustering) và phân loại (data classification).

3.1. Xấp xỉ hàm và bài toán hồi quy

Trong nhiều lĩnh vực như đo đạc, khí tượng các đại lượng khảo sát thường không được biết dưới dạng hàm liên tục, mà là bảng các giá trị rời rạc đo đạc được tại các thời điểm và điều kiện khác nhau. Vì vậy, không thể áp dụng giải tích toán học để nghiên cứu các hàm cho dưới dạng rời rạc như vậy. Chính vì vậy, việc tìm ra hàm giải tích xấp xỉ từ các dữ liệu rời rạc là hết sức cần thiết. Ngoài ra, có trường hợp đã biết biểu thức giải tích của hàm số nhưng ở dạng rất phức tạp cho việc tính toán nên việc xấp xỉ hàm cho trước bằng một hàm số khác sẽ làm đơn giản hóa và tiết kiệm thời gian tính toán nhưng vẫn đảm bảo độ chính xác đặt ra. Các thuật toán xấp xỉ hàm sẽ giải quyết được các bài toán nảy sinh trong thực tế.

Xấp xỉ hàm, còn gọi là bài toán hồi quy (regression), là bài toán tìm quy luật gần đúng về sự thay đổi của một biến rời rạc nào đó. Ví dụ sự thay đổi của áp suất chỉ thị bình quân động cơ diesel theo thời gian được ghi lại tại các thời điểm khác nhau như trong Hình 16.


25

Time Pi

10,5 9,97

14,1 9,14

16 8,97

19,1 9

23,2 9,05

26,3 8,65

27,4 8,3

28,5 8,5

29,7 8,74

30,7 8,41

Hình 16. Sự thay đổi áp suất chỉ thị bình quân theo thời gian

Từ hình trên có thể thấy quy luật thay đổi giảm dần của áp suất chỉ thị bình quân theo thời gian. Tuy nhiên, một quy luật rõ mà có thể biểu thị bằng một hàm toán học giải tích thì chưa được biết. Nhiệm vụ đặt ra là tìm một hàm giải tích để có thể mô tả xấp xỉ quan hệ trên một cách tốt nhất. Hàm quan hệ nếu tìm được sẽ cho phép dự đoán xu thế thay đổi của thông số cần quan tâm.

Dễ thấy quan hệ trên có thể mô tả được bằng một hàm tuyến tính dạng y = ax + b như trên Hình 17. Như vậy, nhiệm vụ của bài toán trở thành xác định đường thẳng sao cho sai số đến các giá trị thực nghiệm là nhỏ nhất. Đây là một dạng bài toán tối ưu và thường được giải bằng phương pháp bình phương bé nhất. Mô tả chi tiết bài toán xấp xỉ hàm và phương pháp bình phương bé nhất được mô tả chi tiết ở Chương 4.

Hình 17. Hàm xấp xỉ tuyến tính

Như vậy, xấp xỉ hàm có thể coi như một dạng bài toán nhận dạng hệ thống (system identification). Một khi mô hình được nhận dạng, nó có thể được sử dụng cho các bài toán dự báo hoặc sử dụng để xác định đặc điểm của các quá trình tương tự. Dễ thấy, quan hệ tuyến tính như ở Hình 17 có thể được ngoại suy đến một thời điểm nhất định trong tương lai (dự đoán Pi tại thời điểm nhất định) hoặc xác định tuổi thọ còn lại của đối tượng (xác định khoảng thời gian còn lại đến khi Pi giảm đến giá trị nhỏ nhất cho phép).

3.2. Nhận dạng mẫu và bài toán phân cụm

Bài toán phân cụm (clustering) được sử dụng phổ biến trong xử lý dữ liệu nhằm nhóm dữ liệu thành các nhóm với mục tiêu đạt được sự tương tự với các đối tượng khác trong cùng nhóm

8

8,5

9

9,5

10

10,5

10 15 20 25 30 35

Pi

(MPa)

Time x 100 giờ

8

8,5

9

9,5

10

10,5

10 15 20 25 30 35

Pi

(MPa)

Time x 100 giờ


26

và không tương tự với các đối tượng trong các nhóm khác. Số lượng nhóm trong bài toán phân cụm thường không được cho trước do thiếu thông tin về dữ liệu (chưa có đủ hiểu biết, kinh nghiệm về đối tượng). Như vậy, nhiệm vụ của thuật toán phân cụm là tự khám phá để tìm ra thuộc tính (feature extraction) từ chính các đặc điểm của dữ liệu (unsupervised learning).

Bài toán phân cụm có thể sử dụng trong nhiều lĩnh vực khác nhau. Một số ví dụ như:

- Tiếp thị: khám phá các nhóm khách hàng trong cơ sở dữ liệu mua hàng. Từ cơ sở dữ liệu khách hàng thu thập được, khách hàng được phân thành các nhóm dựa trên các thuộc tính như giới tính, độ tuổi, thói quen mua sắm, v.v. Kết quả phân nhóm sẽ cho phép đánh giá thói quen mua sắm của từng nhóm khách hàng để đưa ra các kế hoạch tiếp thị phù hợp. Ở đây, điều thấy rõ là không có nhiều thông tin về nhóm khách hàng, thuật toán phân cụm sẽ dựa trên các thuộc tính mua sắm để chia thành một số nhóm phù hợp.

- Nghiên cứu sinh học: phân các loài động vật, thực vật thành các nhóm theo các thuộc tính ghi nhận được từ chúng.

- Hoạch định thành phố: nhận dạng các nhóm nhà cửa theo loại nhà, giá trị và vị trí địa lý. - Tin học: nhận dạng dữ liệu mạng như phân biệt các loại thư điện tử, thư rác. - Giáo dục đào tạo: phân nhóm học sinh, sinh viên theo các thuộc tính nhằm đưa ra các

chính sách đào tạo phù hợp. - Kỹ thuật: Nhận dạng dữ liệu trạng thái làm việc của đối tượng kỹ thuật để phân thành

các nhóm trạng thái. Kết quả phân nhóm sẽ giúp hiểu biết thêm về đối tượng và đưa ra các phản hồi phù hợp trong việc điều chỉnh, điều khiển các thông số của đối tượng.

Có thể sử dụng nhiều thuật toán phân cụm khác nhau, nhưng thường phải thực hiện được các nhiệm vụ chung sau:

- Tìm nhóm theo tính tương tự của dữ liệu; - Xác định trọng tâm (centroid) của nhóm; - Xác định khoảng cách từ các vector dữ liệu đến trọng tâm nhóm; - Đưa ra thống kê về các nhóm (số lượng nhóm, trọng tâm nhóm, số data trong các

nhóm).

Một phương pháp phân cụm tốt sẽ tạo ra các nhóm có chất lượng cao với: Tính tương tự cao trong cùng nhóm (intra-class); Tính tương tự thấp giữa các nhóm (inter-class). Chất lượng phân nhóm phụ thuộc vào độ đo sự tương tự sử dụng và cài đặt độ đo tương tự. Chất lượng của phương pháp phân cụm cũng được đo bởi khả năng phát hiện các mẫu bị che ẩn (hidden patterns).

Các thuật toán phân cụm có thể được phân chia thành hai loại: thuật toán phân cụm theo thứ bậc hay phân tầng (hierarchical) và thuật toán phân hạch (partitional) (Hình 18).


27

Hình 18. Phân loại các thuật toán phân cụm

Thuật toán phân tầng

Đối với thuật toán phân tầng tồn tại hai loại phương pháp tạo kiến trúc nhóm:

Phương pháp gộp-agglomerative (từ dưới lên): Bắt đầu với số nhóm bằng với số lượng mẫu dữ liệu. Sau đó chọn ở mỗi bước hai nhóm tương tự nhất cho đến khi chỉ còn một nhóm duy nhất hay thỏa điều kiện kết thúc đặt ra.

Phân chia - divisive (từ trên xuống): Bắt đầu bằng một nhóm lớn chứa tất cả đối tượng. Sau đó chia thành các nhóm nhỏ hơn và xử lý cho đến khi có số nhóm bằng số mẫu dữ liệu hay thỏa điều kiện kết thúc.

Các bước chung của thuật toán phân tầng như sau:

- Bắt đầu với số clusters bằng số data points (N); - Tính khoảng cách dij giữa các data points, lập ma trận không đối xứng kích thước

NxN (Hình 19); - Gộp hai clusters (U, V) có dUV = min(dij) thành một cluster mới (T); - Tính khoảng cách giữa cluster mới và các clusters còn lại, cập nhật ma trận khoảng

cách bằng cách xóa dòng và cột tương ứng với U, V và thêm dòng, cột từ T đến các clusters còn lại

- Lặp lại N-1 lần.


28

Hình 19. Thuật toán phân tầng

Khoảng cách giữa các điểm tâm nhóm có thể áp dụng các loại sau:

- Khoảng cách tối thiểu (minimum distance/single-link); - Khoảng cách tối đa (maximum distance/complete-link); - Khoảng cách trung bình (average distance); - Khoảng cách trọng tâm (centroid distance).

Về biến trị khoảng cách, thường được hiểu là khoảng cách hình học giữa các véc tơ dữ liệu trong không gian đa chiều. Công thức xác định khoảng cách Minkowski như sau:

qq

pp

qq

jx

ix

jx

ix

jx

ixjid )||...|||(|),(

2211−++−+−= , (3-1)

với i = (xi1, xi2, …, xip) và j = (xj1, xj2, …, xjp) là các vector dữ liệu p-chiều, q là số nguyên dương.

Với q = 1, khoảng cách được gọi là khoảng cách Manhattan:

||...||||),(2211 pp j

xi

xj

xi

xj

xi

xjid −++−+−= . (3-2)

Nếu q = 2, ta có khoảng cách Euclidean:

)||...|||(|),( 22

22

2

11 pp jx

ix

jx

ix

jx

ixjid −++−+−= . (3-3)

Hình 20 mô tả khoảng cách Manhattan và Euclidean đối với không gian dữ liệu hai chiều.


Hình

Khoảng cách tối thiểu: khothuộc hai clusters đó (Hình 21thiếu tập trung.

Hình

Khoảng cách tối đa: Khoxa nhất thuộc hai nhóm đó (Hình 22point giữ khoảng cách xa nhấclusters.


29

Hình 20. Khoảng cách Manhattan và Euclidean

khoảng cách giữa hai clusters là khoảng cách giữ(Hình 21). Do không có giới hạn về hình dạng cluster nên d

Hình 21. Khoảng cách tối thiểu giữa hai nhóm

Khoảng cách giữa hai clusters được tính là khoảng cách (Hình 22). Phương pháp tính khoảng cách này đảm bất với các clusters khác, nhưng nhạy cảm với nhi


ữa hai điểm gần nhất ng cluster nên dữ liệu có thể

ng cách giữa hai điểm m bảo rằng các data

i nhiễu, dễ gây méo


30

Hình 22. Khoảng cách lớn nhất giữa hai nhóm

Khoảng cách trung bình: Khoảng cách giữa hai clusters là trung bình khoảng cách giữa các điểm dữ liệu thuộc hai nhóm đó (Hình 23).

Hình 23. Khoảng cách trung bình giữa hai nhóm

Khoảng cách trọng tâm: Khoảng cách giữa hai clusters là khoảng cách bình phương giữa hai trọng tâm của chúng (Hình 24).


31

Hình 24. Khoảng cách trọng tâm

Dendrogram là cây cấu trúc dữ liệu (Hình 25) mô tả các tầng trong kiến trúc phân tầng sử dụng trong bài toán phân cụm. Mỗi một tầng của cây cấu trúc chỉ ra số nhóm tương ứng với tầng đó; một nhóm tầng thứ i là sự kết hợp của các nhóm con thuộc tầng thứ i + 1. Tầng dưới cùng được gọi là “lá” và có số lượng nhóm bằng chính số lượng mẫu dữ liệu.

Hình 25. Cây cấu trúc phân tầng

Hình 26 mô tả mức lựa chọn phân tầng khác nhau. Tùy theo đặc điểm của dữ liệu và yêu cầu của bài toán mà có thể lựa chọn mức phân tầng phù hợp nhằm đảm bảo vừa đủ tổng quát về dữ liệu trong khi không bỏ sót các đặc điểm về nó.


32

Hình 26. Mức độ lựa chọn cấu trúc nhóm

Thuật toán phân hạch

Với các phương pháp phân cụm phân hoạch thì bình phương sai lệch (Square error) là phương pháp phân cụm sao cho tổng bình phương các khoảng cách giữa các phần tử trong một cluster là nhỏ nhất (thường sử dụng khoảng cách Euclidean). K-Mean là điển hình của phương pháp này. Các bước chung khi áp dụng thuật toán này như sau:

- Thuật toán k-means bắt đầu với việc lựa chọn k data points làm tâm của k clusters; - Thuật toán tiếp tục với vòng lặp sau:

o Gán mỗi data point vào một cluster gần nhất (tính đến tọa độ tâm);

o Cập nhật (tính lại) tâm của cluster mới SppnpSC n

n

i

i ∈=∑=

,...,,/)( 11

v;

o Lặp lại đến khi đạt điều kiện hội tụ.

- Điều kiện hội tụ đạt được khi không còn sự thay đổi giữa các clusters hay sự thay đổi số data points và tọa độ tâm giữa hai vòng lặp kế tiếp là đủ nhỏ.

Với sai lệch bình phương khoảng cách được tính theo công thức sau:

,)min(1

2

∑∑= ∈

−=k

j Cp

i

i

mpE

(3-4)

với mi là tâm của cluster Ci, p các điểm dữ liệu thuộc cluster Ci.

Hình 27 mô tả ví dụ các bước thực hiện bài toán phân cụm theo thuật toán k-mean.

Bước 1: Đầu tiên, thuật toán chọn ngẫu nhiên ba điểm dữ liệu làm ba tâm nhóm. Tiếp theo, khoảng cách giữa các điểm còn lại với ba tâm trên được tính và so sánh. Điểm gần tâm nhóm nào nhất sẽ được gán cho nhóm đó.


Bước 2: Sau khi gán hết các tính lại. Khoảng cách giữa các các điểm dữ liệu vào ba nhóm m

Bước 3: So sánh các phầhoặc sai khác đủ nhỏ (thành phcủa nhóm so với tâm của nó) thì bài toán k

Hình 27

Thuật toán k-mean có ưu điểm), k là số cụm, và t là sốthuật toán này là cần chọn trưtrị số nhóm k khác nhau để ch


33

t các điểm dữ liệu vào ba nhóm, trọng tâm mới ca các điểm dữ liệu với ba tâm mới lại được tính và so sánh

u vào ba nhóm mới.

ần tử của ba nhóm mới so với ba nhóm cũ, nếu không có sai khác (thành phần của ba nhóm cũng như tổng sai số bình ph

a nó) thì bài toán kết thúc. Nếu không, thuật toán tiếp t

27. Các bước phâm cụm bằng phương pháp k-mean

ưu điểm là đơn giản và tính hội tụ cao, với n là số lần lặp, thông thường k, t << n. Tuy nhiên, h

n trước số nhóm k. Trong một số trường hợp có thể chọn được giá trị tối ưu.


i của các nhóm được c tính và so sánh để gán lại

u không có sai khác bình phương của các điểm

p tục với vòng lặp.

mean

là số mẫu dữ liệu (số Tuy nhiên, hạn chế lớn nhất của

cần thử với các giá


34

3.3. Nhận dạng mẫu và bài toán phân loại

Một nhiệm vụ phổ biến khác trong nhận dạng dữ liệu là phân dữ liệu nhận được thành các nhóm với các đặc điểm biết trước. Ví dụ, phân loại trạng thái của đối tượng dựa trên các thông số đo đạc được thành các trạng thái bình thường và trạng thái hư hỏng. Để thực hiện việc phân loại, trước hết cần định nghĩa thế nào là bình thường và hư hỏng. Sau đó, dữ liệu thu được sẽ được so sánh với mục tiêu bình thường hay hư hỏng đã được định nghĩa. Nói cách khác, nhiệm vụ của bài toán phân loại là gán nhãn cho dữ liệu nhận được theo nhãn (mục tiêu) đã được định nghĩa trước. Như vậy, thuật toán phân loại thuộc về học có thầy (Supervised learning). Ở đây, cần có dữ liệu đã được gán nhãn trước dùng để huấn luyện cho mô hình (training data). Mô hình sau khi được huấn luyện sẽ có khả năng nhớ các mẫu dữ liệu với các nhãn phù hợp và có thể sử dụng để phân loại dữ liệu mới. Quá trình này tương tự như việc học kinh nghiệm của con người. Khi đã có kinh nghiệm, con người có khả năng suy luận để nhận dạng các tình huống tương tự trong thực tế.

Bảng 3-2. So sánh phân cụm và phân loại

Thuật toán phân cụm Thuật toán phân loại

Học không có thầy (unsupervised learning) Học có thầy (supervised learning)

Dữ liệu có ít thông tin, không biết trước số nhóm Biết trước số nhóm

Trích xuất đặc điểm bằng cách tự tìm thuộc tính từ dữ liệu (tính tương tự/không tương tự)

Phân loại bằng cách tham chiếu dữ liệu cho trước với nhãn đã cho

Hình 28. Mô hình phân cụm và phân loại

Thuật toán phân loại

Bài toán phân loại được thực hiện theo thuật toán học có thầy như mô tả ở Hình 29. Giống như các thuật toán xử lý dữ liệu khác, bài toán được định nghĩa và dữ liệu yêu cầu cho bài toán được thu thập và xử lý sơ bộ. Công việc xử lý sơ bộ có thể sử dụng các công cụ lọc nhiễu (noise, outlier filtration), làm trơn (smoothing) hay chuẩn hóa (standardization) để làm mất đơn vị của các đại lượng vật lý. Dữ liệu thu thập được cho bài toán phân loại là dạng dữ liệu có gán nhãn (labels), với giá trị các biến đo được và đích (nhãn) tương ứng.


35

Hình 29. Thuật toán huấn luyện cho bài toán phân loại

Dạng chung của dữ liệu sử dụng để huấn luyện mô hình phân loại như ở Bảng 3-3. Trong đó, x1 - xn là giá trị các biến đặc điểm đặc trưng cho trạng thái của đối tượng trong không gian n chiều. Cột cuối là giá trị nhãn hay là đích (target) của véc tơ dữ liệu tương ứng (các nhãn chính là tập hợp các trạng thái cần được phân loại, số nhãn chính là số trạng thái được định nghĩa).

Dữ liệu sau khi xử lý được chia thành hai bộ: bộ dữ liệu cho huấn luyện và bộ dữ liệu kiểm tra. Bộ dữ liệu huấn luyện được đưa vào mô hình nhằm đảm bảo rằng mô hình “nhớ” các giá trị của biến thuộc tính với nhãn tương ứng. Sau đó, mô hình được kiểm tra bằng cách sử dụng bộ dữ liệu kiểm tra. Một mô hình được huấn luyện tốt sẽ có khả năng nhận dạng đúng các giá trị đích khi đưa vào các mẫu dữ liệu kiểm tra. Độ chính xác của mô hình được huấn luyện được đánh giá bằng tỷ số giữa số mẫu nhận dạng đúng và tổng số mẫu kiểm tra.

Nếu mô hình được huấn luyện có độ chính xác thấp có thể do chất lượng dữ liệu đầu vào không tốt (dữ liệu không đặc trưng cho các trạng thái của đối tượng), số lượng mẫu dữ liệu không đủ, dữ liệu chưa được xử lý phù hợp, hay thuật toán sử dụng cho bài toán phân loại không phù hợp. Khi đó cần phải xem xét lại bài toán để điều chỉnh cho phù hợp.

Mô hình sau khi được huấn luyện với độ chính xác cao có thể sử dụng như là một bộ phân loại. Khi đó, nếu đưa vào mô hình một véc tơ dữ liệu mới (chưa có nhãn hay đích), mô hình sẽ gán mẫu dữ liệu đó vào một trong các nhãn trạng thái đã quy định.


36

Bảng 3-3. Dạng bảng dữ liệu huấn luyện mô hình phân loại

Thứ tự mẫu Biến x1 Biến x2 … … Biến xn Loại

1 Tốt

2 Xấu

… Hư hỏng

… …

N …

Như vậy, bài toán phân loại có thể được mô tả qua hai bước: Xây dựng mô hình (Model construction) và sử dụng mô hình (Model usage).

Model construction:

- Định nghĩa một tập hợp các lớp trạng thái mong muốn (labels/targets); - Các mẫu dữ liệu được thu thập thuộc về một trong các lớp trạng thái đã định nghĩa

hay thu thập có chủ đích. Ví dụ, người ta đặt động cơ diesel ở các chế độ bình thường, hư hỏng vòi phun, hư hỏng xéc măng, v.v., và đo lại dữ liệu tương ứng ở các trạng thái đó;

- Bộ dữ liệu sử dụng để xây dựng mô hình gọi là training data; - Mô hình phân loại được mô tả dựa trên các thuật toán như: classification rules,

decision trees, or mathematical formulae.

Model usage:

- Mô hình đã xây dựng được dùng để phân loại dữ liệu mới (nhận dạng, gán dữ liệu mới vào một trong các lớp trạng thái);

- Cần phải đánh giá độ chính xác của mô hình xây dựng trước khi sử dụng; - Dữ liệu kiểm tra (testing data) được đưa vào phân loại sử dụng mô hình xây dựng

được. Độ chính xác là tỷ lệ các mẫu kiểm tra được mô hình phân loại chính xác; - Test data set phải độc lập với training data set.

Có thể sử dụng các giải thuật phân loại dữ liệu khác nhau sau:

- Phân loại với cây quyết định (decision tree); - Phân loại với luật xác suất Bayesian; - Support Vector Machines; - Phân loại với mạng nơ ron nhân tạo (neural networks); - Phân loại với k phần tử cận gần nhất (k-nearest neighbor); - Phân loại với suy diễn dựa trên tình huống (case-based reasoning); - Phân loại dựa trên thuyết tiến hoá gen (genetic algorithms); - Phân loại với lý thuyết tập thô (rough sets); - Phân loại với lý thuyết tập mờ (fuzzy sets).

Phần dưới mô tả sơ lược một số giải thuật phân loại phổ biến.


Support Vector Machines tu

Support Vector Machinestoán phân loại. Trong mô hình hcùng với nhãn của chúng thuộxem một điểm dữ liệu mới sẽ đưmột vector p-chiều, và ta mu(hyperplane) p − 1 chiều. Đây gđược dữ liệu. Một lựa chọn h30).

Ta có một tập huấn luyện

với yi mang giá trị 1 hoặc −1, xác

thực p-chiều. Ta cần tìm siêu ph

điểm có .

Hình 30. Siêu phẳng v

Mỗi siêu phẳng đều có th

với “ ” kí hiệu cho tích vô hướ xác định khoảng cách giữa gố

Chúng ta cần chọn vàở xa nhau nhất có thể trong khi vcác phương trình

Nếu dữ liệu huấn luyện có thphẳng của lề sao cho không có chúng đến tối đa có thể.

Khoảng cách (trực giao) t


37

tuyến tính

Support Vector Machines là một công cụ phổ biến trong luật học máy đưTrong mô hình học có giám sát, thuật toán được cho trước m

ộc một trong hai lớp cho trước. Mục tiêu của thuđược thuộc về lớp nào. Mỗi điểm dữ liệu được bi

u, và ta muốn biết liệu có thể chia tách hai lớp dữ liệu bằĐây gọi là phân loại tuyến tính. Có nhiều siêu phẳn hợp lý trong chúng là siêu phẳng có lề lớn nhất gi

n gồm n điểm có dạng:

,

−1, xác định một trong hai lớp của điểm . M

n tìm siêu phẳng có lề (margin) lớn nhất chia tách các điểm có

ng với lề cực đại cho một SVM phân tách dữ liệu thu

u có thể được viết dưới dạng một tập hợp các điểm th

ớng và là một vectơ pháp tuyến của siêu phốc tọa độ và siêu phẳng theo hướng vectơ pháp tuy

và để cực đại hóa lề, hay khoảng cách giữa hai siêu mtrong khi vẫn phân chia được dữ liệu. Các siêu mặt ấy đư

và

n có thể được chia tách một cách tuyến tính, thì ta có thsao cho không có điểm dữ liệu nào ở giữa chúng và sau đó tăng kho

c giao) từ điểm xi đến mặt hyperplane ⟨w.x⟩ + b = 0 là:

B1

B2


được sử dụng cho bài c một số điểm dữ liệu

a thuật toán là xác định c biểu diễn dưới dạng ằng một siêu phẳng ẳng có thể phân loại t giữa hai lớp (Hình

. Mỗi là một vectơ

m có và các

u thuộc hai lớp

thỏa mãn:

a siêu phẳng. Tham số

pháp tuyến .

a hai siêu mặt song song y được xác định bằng

n tính, thì ta có thể chọn hai siêu ăng khoảng cách giữa

b11

b12

b21

b22

margin


||||

||

w

xw bi +⟩⋅⟨, với ||w|| là norm c

Bằng hình học, khoảng cách gi

cực tiểu của giá trị . Để kiện sau, với mỗi ta có:

hoặc

Có thể viết gọn lại như sau v

Tóm lại, ta có bài toán tối ư

Cực tiểu hóa (theo

Thuật toán trên cũng có thtrường hợp dữ liệu không thểphẳng phân tách dữ liệu thành hai lphân tách các dữ liệu huấn luyphẳng với các ví dụ được gán đ

Thuật toán k láng giềng gầ

Khi dữ liệu được biểu diễthành nên khái niệm láng giềng.thuật. Một giả định quan trọng thái của đối tượng thuộc cùng mgian dữ liệu, một vùng dữ liệusẽ phản ánh cùng một loại trcác bộ dữ liệu có cùng kiểu sẽchúng sẽ là “láng giềng” của nhau. Dnày, có thể phát triển một thuậnhưng hiệu quả gọi là “k - Thuật toán k-nearest neighbor th

- Có tập dữ liệu phân lothuộc tính và (labels/targets) – d

- Khi có dữ liệu mkhoảng cách từ data point mdata points đã bihuấn luyện;


38

|| là norm của w.

ng cách giữa hai siêu phẳng được xác định là

đảm bảo không có điểm dữ liệu nào trong lề, ta thêm

thuộc lớp thứ nhất,

thuộc lớp thứ hai.

ư sau với mọi :

i ưu hóa sau:

) giá trị với điều kiện (với m

ng có thể được mở rộng cho bài toán phân loại nhiều hể phân tách tuyến tính, nghĩa là không thể tìm

u thành hai lớp, có thể sử dụng thuật toán lề mềm để chn luyện tốt nhất có thể, và đồng thời cực đại hóa kho

c gán đúng nhãn.

ần nhất (k-nearest neighbor)

ễn dưới dạng các phần tử trong không gian nhing. Giả sử chúng ta muốn dự báo trạng thái củ

ng đặt ra là các phản ứng tương tự của đối tượng sc cùng một lớp. Trong không

uvới các điểm gần nhau i trạng thái. Nói khác đi, ẽ phân bố gần nhau vào

a nhau. Dựa trên ý tưởng ật toán học rất đơn giản láng giềng gần nhất”.

nearest neighbor thực hiện như sau:

u phân loại với các biến c tính và biết trước loại

dữ liệu huấn luyện; u mới cần phân loại, tính

data point mới đến các ã biết trong tập dữ liệu

Unknown record

Hình 31. Phân lopháp k-nearest neighbor


. Như vậy, cần tìm

, ta thêm vào các điều

i mọi )

u hơn hai lớp. Trong tìm được một siêu mặt

chọn một siêu phẳng i hóa khoảng cách giữa siêu

ều chiều thì sẽ hình ủa một đối tượng kỹ ng sẽ phản ánh trạng

Unknown record

. Phân loại theo phương nearest neighbor


39

- Chọn k số data points lân cận với điểm dữ liệu mới và gán cho nó nhãn nào có số điểm dữ liệu nhiều nhất trong k điểm lân cận đã chọn.

Trong ví dụ trên Hình 32, với k = 3 thì số điểm dữ liệu mang nhãn “+” chiếm tuyệt đối. Như vậy, điểm dữ liệu mới sẽ thuộc về lớp mang nhãn “+”. Tương tự, trên Hình ---, nếu chọn k là các giá trị khác nhau (1, 2 hoặc 3), điểm dữ liệu mới có thể được phân loại khác nhau. Nếu k = 1, dữ liệu sẽ thuộc về lớp mang nhãn “-”. Khi k = 2, dữ liệu mới không thể phân loại do số điểm lân cận mang nhãn “+” và nhãn “-” là như nhau (đều là 1). Khi tăng k = 3, điểm dữ liệu mới sẽ thuộc về lớp mang nhãn “+” do số điểm lân cận mang nhãn này chiếm đa số (2 so với 1).

Hình 32. Phương pháp k-nearest neighbor với các giá trị k khác nhau

Đối với biến trị khoảng cách, với dữ liệu dạng số thường chọn khoảng cách Euclidean:

∑ −=i

ii qpqpd 2)(),( .

Dễ thấy việc chọn giá trị k sẽ ảnh hưởng đến kết quả bài toán phân loại. k quá nhỏ thì kết quả dễ bị ảnh hưởng bởi nhiễu, nếu k quá lớn thì nhiều phần tử lân cận chọn được có thể đến từ các lớp khác (Hình 33).

Hình 33. Ảnh hưởng giá trị k đến kết quả phân loại

X X X

(a) 1-nearest neighbor (b) 2-nearest neighbor (c) 3-nearest neighbor

X


40

Chương 4 - Mạng nơron nhân tạo và một số ứng dụng trong chẩn đoán kỹ

thuật

4.1. Giới thiệu chung

Phương pháp hiện đại giải các bài toán phi tuyến phức tạp

Toán học truyền thống (giải tích, đại số, logic) được phát triển cùng với sự phát triển của lịch sử nhân loại. Ngày nay, toán học truyền thống được ứng dụng để giải các bài toán thực tế trong tất cả các lĩnh vực của đời sống. Ví dụ việc áp dụng các hàm giải tích tuyến tính, đa thức, hàm mũ, logarithm, v.v., để giải các bài toán thực tế. Khi đó quan hệ giữa các biến vào và ra của mô hình là quan hệ rõ được mô tả bằng các hàm toán học đã biết. Những mô hình như vậy được gọi là mô hình tham số (Hình 34). Trong trường hợp quan hệ giữa các biến vào và ra của mô hình không biết trước hoặc không cần biết trong khuôn khổ nhiệm vụ nghiên cứu thì mô hình được gọi là mô hình không tham số hay mô hình hộp đen (Hình 35). Mô hình hộp đen thường được ứng dụng khi không biết rõ các quan hệ giữa các biến vào và ra, hoặc khi quan hệ giữa chúng quá phức tạp để có thể giải bằng các công cụ toán học thông thường.

Hình 34: Mô hình tham số và không tham số

Thực tế có rất nhiều bài toán đa biến và không tuyến tính mà việc áp dụng các công cụ toán học truyền thống, hay mô hình tham số, để giải là rất khó khăn và thường không đem lại kết quả tốt. Cùng với sự phát triển của công nghệ tính toán số, ngày nay nhiều mô hình trí tuệ nhân tạo (Artificial Intelligent1) được phát triển đã giúp giải quyết những bài toán như vậy tốt hơn nhiều.

1 Trí tuệ nhân tạo là thuật ngữ thường dùng để nói đến các máy tính có mục đích không cố định và ngành khoa

học nghiên cứu về các lý thuyết và ứng dụng máy tính thực hiện những công việc theo như cách tư duy của con


41

Các khái niệm như Trí tuệ nhân tạo (Artificial Intelligent), Thuật máy học (Machine Learning) hay Lập trình tuyến tính (Linear Programing) ngày càng trở nên phổ biến và trở thành các công cụ tính toán hiệu quả để giải các bài toán phi tuyến, đa tham số.

Bằng những thuật toán thích nghi phù hợp, dạng mô hình này cho phép tính toán các thông số đầu ra trong khi các quan hệ bên trong mô hình là ẩn đối với người nghiên cứu. Mạng nơ ron nhân tạo (Artificial Neural Networks – ANN) là một trong những dạng mô hình như vậy.

Hình 35: Mô hình hộp đen (Black box)

Mạng nơ ron nhân tạo – Hệ thích nghi (Neural Adaptive System)

Dựa trên cơ sở mô phỏng khả năng tư duy, tính toán và đưa ra kết luận của bộ não con người, mạng nơ ron nhân tạo được xây dựng bằng cách “học” từ các số liệu đưa vào (giống như con người học kinh nghiệm từ thực tế cuộc sống). Mạng sau khi được học từ các dữ liệu cho trước sẽ cho phép tính toán (nhận dạng) để đưa ra các kết luận trong hiện tại và tương lai. Bằng cách như vậy, có thể áp dụng công nghệ ANN trong nhiều lĩnh vực khoa học kỹ thuật và đời sống, trong đó có nhiệm vụ chẩn đoán và dự báo kỹ thuật.

Hình 36: Nơ ron sinh học và nơ ron nhân tạo

Mạng nơ ron nhân tạo có thể hiểu là một mô hình xử lý thông tin bao gồm số lượng lớn các mối gắn kết cấp cao để xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng.

người. Một số dạng mô hình ứng dụng Trí tuệ nhân tạo gồm có Hệ chuyên gia (Expert System), Logic mờ (Fuzzy logic), Mạng nơ ron nhân tạo (ANN), Thuật tiến hóa (Evolutionary computation), Thuật di truyền (Genetic algorithm), v.v.


42

ANNs giống như con người, được học bởi kinh nghiệm, lưu những kinh nghiệm hiểu biết và sử dụng trong những tình huống phù hợp trong hiện tại hoặc dự đoán tương lai.

Có thể so sánh sự tương tự giữa trí óc con người với mạng nơ ron nhân tạo qua bài toán nhận dạng để phân biệt giữa bàn và ghế. Một đưa trẻ có thể được dạy để phân biệt giữa bàn và ghế bằng cách cho nhận biết rất nhiều dạng bàn và ghế khác nhau (dữ liệu lịch sử). Sau đó, nếu đưa đến các dạng bàn hoặc ghế khác (không phải các dạng đứa trẻ đã được nhìn thấy – dữ liệu mới), đứa trẻ sẽ có khả năng phân biệt được đâu là bàn, đâu là ghế.

Người ta có thể xây dựng một mô hình gồm các phần tử tính toán được liên kết với nhau để có thể thực hiện nhiệm vụ tương tự. Khi đó, có thể đưa vào mô hình các dữ liệu về kích thước, tỷ lệ giữa các kích thước, hình dáng chung của các dạng bàn và ghế để “huấn luyện”. Sau khi được huấn luyện, nếu đưa vào bộ dữ liệu của một vật thể bất kỳ, mô hình sẽ có thể tính toán để đưa ra kết luận đó có phải là bàn, ghế hay là một vật chưa được nhận dạng.

Như vậy, mạng nơ-ron nhân tạo là một hệ thống xử lý thông tin được xây dựng trên cơ sở tổng quát hoá mô hình toán học của nơ-ron sinh học và phỏng theo cơ chế làm việc của bộ não con người. Mạng nơ-ron nhân tạo được thể hiện thông qua ba thành phần cơ bản: mô hình của

nơ-ron, cấu trúc và sự liên kết giữa các nơ-ron, phương pháp học được áp dụng cho mạng nơ-

ron.

Một trong những đặc điểm nổi bật của ANN là tính thích nghi mà chính điều này đã mở ra một phương pháp mới trong thiết kế hệ thống. Thay vì thiết lập trước các thông số cho hệ thống, hệ ANN thích nghi sẽ sử dụng các dữ liệu từ bên ngoài để tự thiết lập các thông số cho hệ thống (Hình 37).

Như vậy, mạng ANN có hai đặc điểm cơ bản:

- Là hệ tham số (parametric): hệ tính toán hàm mục tiêu (cost/objective function) trên cơ sở tham khảo đầu ra mục tiêu (target output) và thông qua mạch phản hồi (feedback) để hiệu chỉnh các tham số. Quá trình lặp lại như vậy được gọi là học (learning) 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


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.


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

iiN

ydN

J1

22

1 2

1)(

2

1ε . (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.


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


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.


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;


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


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


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


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.


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


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.


54


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);


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.


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


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 luyệnĐường trên: Lỗi huấn luyệnĐường 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 100320

340

360

380

400

Exh.

gas t

em

p.

0 10 20 30 40 50 60 70 80 90 100-10

-5

0

5

10

% P

ridic

tion e

rror

desired

output


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[ , ,..., ]n

x 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


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


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


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


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

1min ( )

2

n

i i

i

E t y=

= −∑ ,

trong đó yi − tín hiệu ra của mạng;

ti − tín hiệu đích tương ứng;


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%,


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 thchuyền sản xuất hiện đại. Ngoài hnguồn năng lượng điện cung cấnhiệm vụ giám sát các quá trình khác nhngập nước, cháy nổ, v.v. Tương thiện nay cũng được trang bị hệ Control&Monitoring System – IC

Hình 66. C

Cấu hình của hệ thống bao gtừ các cảm biến. Các tín hiệu dạtừ các cảm biến được chuyển thành tín hiPhần mềm được cài đặt cho phép tiđể điều khiển trở lại đối tượng, ksự cố, hay chỉ đơn giản là hiển th

Lợi ích từ việc áp dụng các hCó thể liệt kê một số mặt như sau:

� Tăng thời gian khai thác, githác tàu;


66

Giám sát quá trình và chẩn đoán kỹ thuật tàu th

Giám sát quá trình trên tàu thủy - Hệ thống tự động giám sát và đi

ng trên các tàu thủy hiện đại hiện nay cũng phức tạp không kém nhi. Ngoài hệ động lực đảm bảo cung cấp nguồn động lực đ

ấp cho các hệ thống phục vụ, các hệ thống tàu thgiám sát các quá trình khác như xếp dỡ hàng hóa, giám sát an toàn phòng ch

ương tự như các dây chuyền sản xuất hiện đại, các tàu th thống tích hợp giám sát và điều khiển quá trình (

ICMS).

. Cấu trúc cơ bản của hệ thống ICMS tàu thủy

ng bao gồm hệ thống máy tính để nhận và xử lý tín hiạng tương tự (áp suất, nhiệt độ, lưu lượng, mức, v.v)

n thành tín hiệu số thông qua các bộ biến đổi tương tt cho phép tiếp nhận và xử lý các tín hiệu nhận được, đư

ng, kết luận về trạng thái của đối tượng, cảnh báo nn thị trên màn hình.

ng các hệ thống tự động giám sát, điều khiển trên tàu thư sau:

i gian khai thác, giảm thời gian dừng do sự cố, qua đó tăng lợ


t tàu thủy

ng giám sát và điều

p không kém những dây c để đẩy tàu và

ng tàu thủy còn có hàng hóa, giám sát an toàn phòng chống

i, các tàu thủy lớn n quá trình (Integrated

ệu nhận được c, v.v) đo được

ương tự/số (AD). đưa ra phản hổi

nh báo nếu xuất hiện

n trên tàu thủy là rất lớn.

ợi nhuận khai


� Giảm chi phí bảo dưỡng nhtrạng kỹ thuật thay vì bảo d

� Tăng an toàn cho người khai tháctác trong phạm vi an toàn và phát hi

� Tăng chất lượng hoạt động c

� Tăng uy tín với khách hàng do vithác.

Hình 67

Hình 67 mô tả cấu hình một htrung tâm điều khiển chính là Bu(Cargo Control Console) và các trcác khu vực sinh hoạt chung và các phòng

Nhờ có sự tiến bộ vượt bậc ctự động giám sát hiện nay hầu hthông dụng. Giao diện người dùng ctrình độ của thuyền viên ở mọi mthống ICMS như vậy.

Bảng


67

ng nhờ tối ưu hóa kế hoạch bảo dưỡng (bảo dưỡo dưỡng theo định kỳ);

i khai thác nhờ tự động điều khiển duy trì các thông sm vi an toàn và phát hiện sớm các nguy cơ xảy ra sự cố;

ng của thiết bị, giảm chi phí khai thác;

i khách hàng do việc tránh được các sự cố gây gián đoạn quá trình khai

67. Cấu hình một hệ thống ICMS tàu thủy

t hệ thống ICMS trên một tàu chở dầu. Hệ thống bao gn chính là Buồng máy (Engine Control Console) và Buồ

(Cargo Control Console) và các trạm báo động từ xa (Remote Alarm Unit) đặt tung và các phòng ở sỹ quan.

c của công nghệ vi xử lý và máy tính cá nhân mà các hu hết đều sử dụng các máy tính sử dụng hệ điều hành Windows i dùng cũng được tối ưu hóa thân thiện để có thể

i mức độ. Trong Bảng 10 là cấu hình phần cứng c

ng 6. Cấu hình phần cứng hệ thống ICMS


ỡng theo tình

n duy trì các thông số công

n quá trình khai

ng bao gồm hai ồng làm hàng t tại buồng lái,

lý và máy tính cá nhân mà các hệ thống u hành Windows ể phù hợp với ng của một hệ


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


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.


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.


CoCoS EDS – Engine Diagnostics System

♦ Data logging

♦ Monitoring ♦ Trends

♦ Diagnostics


71

Engine Diagnostics System




72




73



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.

Documents

VIETNAM MARITIME UNIVERSITY MỤC L ỤC