Chẩn đoán đa lỗi khác gì so với chẩn đoán đơn lỗi truyền thống?

Chẩn đoán đơn lỗi chỉ giải quyết từng dạng hư hỏng riêng rẽ khi chúng xuất hiện độc lập trong hệ thống. Ngược lại, chẩn đoán đa lỗi xử lý các tình huống có nhiều hư hỏng cùng tồn tại, trong đó tín hiệu dao động bị hòa trộn và điều chế chéo phi tuyến, đòi hỏi các thuật toán phân tách đặc trưng phức tạp.

Vì sao hiện tượng che khuất tín hiệu lại gây khó khăn trong chẩn đoán lỗi hỗn hợp?

Hiện tượng che khuất xảy ra khi một khuyết tật nghiêm trọng tạo ra năng lượng xung dao động vượt trội, lấn át hoàn toàn các tín hiệu biên độ nhỏ sinh ra từ các hư hỏng nhẹ hơn ở chi tiết lân cận. Hậu quả là các thuật toán giám sát dễ bỏ sót lỗi thứ cấp nếu không áp dụng các bộ lọc giải điều chế thích nghi hoặc kỹ thuật tách nguồn mù.

Học sâu đa nhãn giải quyết bài toán chẩn đoán đa lỗi như thế nào?

Thay vì chỉ gán mỗi mẫu đo lường vào một phân lớp duy nhất, mô hình học sâu đa nhãn xuất ra một vector nhãn nhị phân tương ứng với từng dạng khuyết tật đang theo dõi. Phương pháp này cho phép nhận diện độc lập sự hiện diện đồng thời của nhiều loại hư hỏng khác nhau trên cùng một đoạn tín hiệu đo lường.

Phương pháp học không mẫu hỗ trợ chẩn đoán đa lỗi cơ khí ra sao?

Do số lượng tổ hợp đa lỗi gia tăng theo quy luật số mũ, việc thu thập dữ liệu huấn luyện cho mọi kịch bản thực tế là bất khả thi. Học không mẫu khắc phục giới hạn này bằng cách nhúng nhãn lỗi vào không gian mô tả ngữ nghĩa vật lý, cho phép hệ thống nhận biết các tổ hợp khuyết tật chưa từng xuất hiện trong tập dữ liệu huấn luyện ban đầu.

Chẩn đoán đa lỗi (multi-fault diagnosis) là gì?

Chẩn đoán đa lỗi là quá trình nhận diện, định vị và định lượng đồng thời hai hoặc nhiều dạng hư hỏng xảy ra cùng lúc hoặc có mối liên hệ nhân quả trong một hệ thống kỹ thuật. Kỹ thuật này đóng vai trò then chốt trong công tác giám sát tình trạng máy móc hiện đại, giúp chuyển đổi chiến lược bảo trì từ sửa chữa thụ động sang bảo trì dự đoán chính xác. Bài viết trình bày cơ sở lý thuyết, các phương pháp tiếp cận cốt lõi, thách thức kỹ thuật về phân tách tín hiệu tương tác và thực tiễn nghiên cứu trong công nghiệp.

Bản chất và ranh giới khái niệm

Trong thực tế vận hành công nghiệp, máy móc cơ khí và các dây chuyền tự động hóa hiếm khi chỉ gặp một sự cố đơn lập tại một thời điểm. Một hư hỏng khởi phát, chẳng hạn như vết nứt tế vi ở vòng trong ổ lăn, có thể nhanh chóng làm biến dạng phân bố tải trọng động, dẫn đến hiện tượng mất cân bằng trục hoặc làm mẻ răng của cặp bánh răng ăn khớp lân cận. Tình trạng này được gọi là lỗi hỗn hợp hoặc lỗi đồng thời. Điểm phân biệt căn bản giữa chẩn đoán đơn lỗi và chẩn đoán đa lỗi nằm ở tính chất phi tuyến của sự tương tác giữa các nguồn kích động.

Đối với bài toán đơn lỗi truyền thống, mỗi dạng hư hỏng tạo ra một dấu hiệu đặc trưng riêng biệt trong miền thời gian hoặc miền tần số. Người vận hành chỉ cần đối chiếu các tần số đặc trưng hư hỏng đã biết để kết luận trạng thái thiết bị. Ngược lại, trong bài toán chẩn đoán đa lỗi, tín hiệu thu nhận được từ cảm biến là sự hòa trộn phức tạp của nhiều nguồn chấn động. Các thành phần tín hiệu này điều chế lẫn nhau, làm biến dạng các đỉnh phổ hài và triệt tiêu hoặc khuếch đại cục bộ biên độ rung động. Theo khảo sát tổng quan của Huang và cộng sự (2023), lỗi hỗn hợp là nguyên nhân hàng đầu dẫn đến các đợt dừng máy đột ngột của thiết bị quay công nghiệp và làm gia tăng đáng kể độ phức tạp của bài toán chẩn đoán kỹ thuật so với các kịch bản lỗi đơn lẻ.

Ranh giới của chẩn đoán đa lỗi cần được phân biệt rõ với hai khái niệm lân cận:

Chẩn đoán đơn lỗi tuần tự: Việc phát hiện từng lỗi riêng rẽ khi chúng xuất hiện ở các thời điểm cách xa nhau, không có sự chồng lấn hay tương tác động học giữa các tín hiệu hư hỏng.
Chẩn đoán đa lỗi: Xử lý đồng thời một không gian trạng thái gồm nhiều hư hỏng cùng tồn tại, trong đó tín hiệu đo lường là kết quả tương tác phi tuyến giữa các khuyết tật.
Đánh giá độ suy giảm tổng thể: Việc đo lường mức độ rung động tổng quát để xác định thiết bị đang ở tình trạng bình thường hay nguy hiểm mà không định vị cụ thể từng vị trí hư hỏng thành phần.

Mô hình hóa toán học bài toán chẩn đoán đa lỗi

Để lượng hóa sự tương tác của nhiều nguồn lỗi, các nhà nghiên cứu tiếp cận bài toán qua hai góc độ toán học: mô hình xếp chồng tín hiệu đo lường và mô hình không gian trạng thái động lực học.

Mô hình xếp chồng và điều chế tín hiệu

Xét một hệ thống cơ khí chịu sự tác động đồng thời của nhiều nguồn hư hỏng. Tín hiệu rung động đo được tại vị trí cảm biến gia tốc thường được biểu diễn dưới dạng tổng các thành phần tín hiệu lỗi cục bộ kết hợp với nhiễu môi trường:

x(t) = \sum_{i=1}^{M} s_i(t) + n(t)

Trong đó $x(t)$ là tín hiệu dao động ghi nhận theo thời gian, $s_i(t)$ là thành phần tín hiệu đặc trưng sinh ra bởi nguồn lỗi thứ $i$ , $M$ là tổng số lượng lỗi đang đồng thời tồn tại, và $n(t)$ là thành phần nhiễu nền ngẫu nhiên. Trong hệ thống cơ cấu quay, mỗi thành phần $s_i(t)$ không phải là một chuỗi xung độc lập thuần túy mà là một tín hiệu không dừng bị điều chế biên độ và tần số do sự thay đổi vận tốc quay và khe hở động lực học:

s_i(t) = A_i(t) \cos\left(2\pi f_i t + \phi_i(t)\right)

Với $A_i(t)$ là hàm bao điều chế biên độ, $f_i$ là tần số lặp xung đặc trưng của dạng hư hỏng thứ $i$ , và $\phi_i(t)$ là pha tức thời. Khi nhiều lỗi xảy ra đồng thời, sự ghép nối động lực học phi tuyến và tương tác điều chế giữa các nguồn kích động cơ học tạo ra các thành phần tần số tổ hợp phức tạp, đồng thời sự xếp chồng và truyền lan của các sóng dao động qua kết cấu vỏ máy khiến việc phân tách trực tiếp trên phổ Fourier trở nên vô cùng khó khăn.

Mô hình không gian trạng thái hệ thống

Theo tổng quan hệ thống của Gao, Cecati và Ding (2015) trên tạp chí IEEE Transactions on Industrial Electronics, các hệ thống công nghiệp hiện đại ngày càng phức tạp đòi hỏi các kỹ thuật dựa trên mô hình trạng thái để phân lập các vector lỗi. Mô hình trạng thái của hệ thống chịu đa lỗi có dạng:

\dot{x}(t) = A x(t) + B u(t) + \sum_{k=1}^{K} E_k f_k(t) + d(t)

y(t) = C x(t) + D u(t) + \sum_{k=1}^{K} F_k f_k(t) + v(t)

Trong biểu thức trên, $x(t)$ đại diện cho vector trạng thái bên trong của hệ thống, $u(t)$ là vector tín hiệu điều khiển đầu vào, $y(t)$ là vector tín hiệu đo lường đầu ra từ các cảm biến. Ma trận $A$ , $B$ , $C$ , $D$ mô tả động học danh định của hệ thống. Thành phần $f_k(t)$ biểu thị tín hiệu hư hỏng của dạng lỗi thứ $k$ trong số $K$ dạng lỗi tiềm ẩn; ma trận $E_k$ và $F_k$ lần lượt là ma trận phân bố ảnh hưởng của lỗi lên trạng thái và lên đầu ra cảm biến; $d(t)$ và $v(t)$ là các nhiễu loạn ngoại lai tác động lên cơ cấu.

Phân loại các phương pháp tiếp cận

Quá trình phát triển của kỹ thuật chẩn đoán đa lỗi trải qua ba trường phái phương pháp chính, mỗi trường phái sở hữu ưu điểm và giới hạn kỹ thuật riêng biệt.

Phương pháp	Nguyên lý cốt lõi	Ưu điểm nổi bật	Hạn chế chính
Dựa trên mô hình phân tích	Sử dụng phương trình vi phân và bộ quan sát trạng thái để sinh tín hiệu phần dư	Cho phép giải thích cơ chế vật lý rõ ràng và định lượng mức độ suy giảm	Đòi hỏi hiểu biết chính xác về thông số vật lý của hệ cơ học phức tạp
Dựa trên xử lý tín hiệu	Áp dụng phân tích phổ giải điều chế và tách nguồn mù để cô lập thành phần lỗi	Không phụ thuộc vào mô hình toán học chi tiết của toàn bộ máy móc	Nhạy cảm với nhiễu nền và dễ bị hiện tượng che khuất tín hiệu che mờ
Dựa trên dữ liệu và trí tuệ nhân tạo	Khai thác mạng nơ-ron sâu và học đa nhãn để ánh xạ trực tiếp từ dữ liệu đo lường	Khả năng tự động trích xuất đặc trưng phi tuyến và xử lý dữ liệu quy mô lớn	Đòi hỏi tập dữ liệu gán nhãn phong phú và nguy cơ giảm độ chính xác khi thiếu mẫu

Phương pháp xử lý tín hiệu và tách nguồn mù

Phương pháp xử lý tín hiệu tập trung vào việc giải điều chế và cô lập các thành phần tín hiệu độc lập từ chuỗi đo lường tổng hợp. Khi một hệ cơ học xuất hiện đồng thời lỗi rãnh lăn ngoài và lỗi con lăn, hai dãy xung dao động sẽ va đập vào nhau với chu kỳ khác nhau. Các kỹ thuật tiên tiến bao gồm:

Biến đổi Wavelet và biểu diễn thời gian - tần số: Cho phép phân giải tín hiệu không dừng thành các dải tần cục bộ để quan sát thời điểm xuất hiện các xung va đập quá độ tuần hoàn và phân tách các chuỗi xung dao động có chu kỳ lặp khác nhau.
Phân tách nguồn mù: Xem mỗi nguồn phát sinh lỗi như một tín hiệu phát độc lập chưa biết, áp dụng phân tích thành phần độc lập nhằm khôi phục dạng sóng gốc từ các kênh cảm biến thu thập tại vỏ gối đỡ.
Phân tích phổ bao: Sử dụng biến đổi Hilbert kết hợp bộ lọc dải thông để bóc tách tần số mang cao tần, qua đó làm lộ rõ các tần số lặp lại của từng dạng khuyết tật thành phần.

Phương pháp học sâu và học đa nhãn

Trong kỷ nguyên công nghiệp thông minh, học sâu đã trở thành công cụ chủ đạo. Tuy nhiên, thay vì áp dụng bài toán phân loại đơn nhãn thông thường, chẩn đoán đa lỗi đòi hỏi khuôn khổ phân loại đa nhãn. Mỗi mẫu dữ liệu đầu vào không thuộc về một lớp duy nhất mà được gắn một vector nhãn nhị phân thể hiện sự có mặt hoặc vắng mặt của từng dạng hư hỏng. Hàm mất mát entropy chéo nhị phân thường được tối ưu hóa cho từng nút đầu ra độc lập:

\mathcal{L}_{BCE} = -\frac{1}{C} \sum_{c=1}^{C} \left[ y_c \ln(\hat{y}_c) + (1 - y_c) \ln(1 - \hat{y}_c) \right]

Trong đó $C$ là tổng số lớp khuyết tật được theo dõi, $y_c$ nhận giá trị bằng một khi xuất hiện lỗi loại $c$ và bằng không khi không có lỗi, còn $\hat{y}_c$ là xác suất dự đoán của mô hình nơ-ron đối với nút phân loại thứ $c$ .

Nghiên cứu của Chu và cộng sự (2023) trên tập san Heliyon đã chỉ rõ rằng việc phân tách và trích xuất đặc trưng lỗi hỗn hợp là thách thức lớn do khan hiếm dữ liệu gán nhãn trong công nghiệp. Các tác giả đã đề xuất kiến trúc thích ứng miền đa nhãn nhằm chuyển đổi các đặc trưng từ miền dữ liệu khác biệt sang các đặc trưng bất biến miền, đồng thời sử dụng bộ phân loại đa nhãn để phân tách các đặc trưng lỗi hỗn hợp thành từng đặc trưng lỗi đơn lẻ tương ứng.

Thách thức kỹ thuật cốt lõi

Chẩn đoán đa lỗi phải đối mặt với ba rào cản kỹ thuật nghiêm ngặt mà các phương pháp chẩn đoán truyền thống chưa giải quyết trọn vẹn.

Hiện tượng che khuất tín hiệu

Hiện tượng che khuất tín hiệu phát sinh khi các dạng hư hỏng có mức độ nghiêm trọng hoặc đặc tính động học chênh lệch nhau cùng xảy ra. Một vết nứt lớn trên bánh răng có thể phát ra năng lượng va đập áp đảo hoàn toàn các rung động xung vi mô từ một vết rỗ nhỏ trên bề mặt con lăn của ổ đỡ liền kề. Hậu quả là tín hiệu lỗi yếu bị chìm hoàn toàn vào phổ đáp ứng của lỗi mạnh hoặc bị hòa lẫn trong nhiễu nền, khiến thuật toán phân loại tự động bỏ sót lỗi thứ cấp.

Hiệu ứng ghép nối phi tuyến

Sự kết hợp giữa nhiều khuyết tật cơ học tạo ra hiện tượng ghép nối động lực học. Tải trọng cục bộ thay đổi do khuyết tật thứ nhất sẽ làm thay đổi quỹ đạo chuyển động của các chi tiết quay qua vị trí khuyết tật thứ hai. Sự tương tác này sinh ra các tần số điều chế chéo không trùng với bất kỳ tần số lý thuyết thuần túy nào của từng lỗi riêng lẻ khi đứng một mình. Nếu mô hình chẩn đoán chỉ được huấn luyện trên dữ liệu lỗi đơn lập, nó sẽ nhận diện sai tín hiệu ghép nối thành một trạng thái bất thường không xác định.

Bùng nổ tổ hợp không gian trạng thái và học không mẫu

Nếu một cụm máy móc có mười vị trí có khả năng phát sinh lỗi độc lập, số lượng tổ hợp trạng thái đa lỗi tiềm năng sẽ gia tăng theo quy luật số mũ tổ hợp. Việc thu thập đầy đủ mẫu dữ liệu thực nghiệm cho toàn bộ các tổ hợp đa lỗi trong môi trường vận hành thực tế là điều bất khả thi về mặt chi phí và an toàn kỹ thuật.

Nhằm tháo gỡ điểm nghẽn này, Xing và cộng sự (2022) trên tạp chí Mechanical Systems and Signal Processing đã đề xuất mô hình nhúng không gian mô tả nhãn phục vụ chẩn đoán thông minh không mẫu cho các lỗi cơ khí hỗn hợp. Nhóm tác giả chỉ ra rằng các phương pháp chẩn đoán thông minh truyền thống phụ thuộc vào nguồn dữ liệu gán nhãn đầy đủ cho từng dạng lỗi cụ thể. Bằng cách ánh xạ nhãn khuyết tật vào không gian ngữ nghĩa mô tả thuộc tính vật lý, mô hình cho phép nhận diện chính xác các tổ hợp lỗi hỗn hợp chưa từng xuất hiện trong quá trình huấn luyện mạng nơ-ron.

Nghiên cứu thực nghiệm và bối cảnh tại Việt Nam

Tại Việt Nam, nhu cầu giám sát tình trạng thiết bị và bảo trì dự đoán cho các dây chuyền sản xuất tự động, nhà máy xi măng, hệ thống nhiệt điện và cụm máy phát điện gió đã thúc đẩy các nghiên cứu thực nghiệm chuyên sâu về chẩn đoán lỗi cơ khí.

Một đóng góp thực nghiệm tiêu biểu của các nhà khoa học trong nước là công trình xây dựng bộ cơ sở dữ liệu mở của Thuan và Hong (2023) thuộc Đại học Bách khoa Hà Nội, được công bố trên tập san BMC Research Notes. Nghiên cứu giới thiệu bộ dữ liệu mang tên HUST bearing, cung cấp nguồn dữ liệu dao động thực nghiệm phục vụ việc phát triển và kiểm chứng các thuật toán chẩn đoán lỗi ổ lăn, trong đó đặc biệt chú trọng các kịch bản lỗi đồng thời.

Đặc tính kỹ thuật của bộ dữ liệu thực nghiệm HUST bearing được chuẩn hóa chi tiết như sau:

Quy mô mẫu tín hiệu: Bộ dữ liệu bao gồm 99 tín hiệu rung động dạng thô ghi nhận từ hệ thống đo lường độ tin cậy cao.
Phổ khuyết tật nghiên cứu: Khảo sát 6 dạng khuyết tật ổ lăn, bao gồm vết nứt vòng trong, vết nứt vòng ngoài, vết nứt viên bi, và các tổ hợp hai lỗi xảy ra đồng thời.
Chủng loại ổ lăn: Dữ liệu được đo đạc thực tế trên 5 dòng ổ lăn công nghiệp thông dụng là 6204, 6205, 6206, 6207 và 6208.
Điều kiện tải làm việc: Thử nghiệm được thiết lập tại 3 mức tải vận hành với công suất tải động cơ là 0 W, 200 W và 400 W.
Tham số thu nhận tín hiệu: Mỗi tín hiệu dao động được lấy mẫu liên tục ở tần số 51200 mẫu mỗi giây trong khoảng thời gian kéo dài 10 giây.

Nguồn dữ liệu chuẩn mực này giúp các nhóm nghiên cứu trong nước và quốc tế có thể trực tiếp đánh giá độ chính xác của các thuật toán phân tách nguồn dao động và các mạng học sâu đa nhãn trên các kịch bản lỗi hỗn hợp thực tế, thay vì chỉ dựa vào các bộ dữ liệu thực nghiệm đơn lỗi trên một chủng loại ổ lăn duy nhất như phần lớn các bộ dữ liệu đo kiểm trước đây.

Quy trình triển khai chẩn đoán đa lỗi trong công nghiệp

Một hệ thống chẩn đoán đa lỗi hoàn chỉnh trong môi trường sản xuất công nghiệp đòi hỏi quy trình khép kín gồm năm giai đoạn kế tiếp nhau:

Thu nhận tín hiệu đa kênh: Bố trí mạng lưới cảm biến gia tốc, cảm biến nhiệt độ và cảm biến dòng điện động cơ tại các vị trí chịu lực then chốt nhằm thu nhận toàn diện các biểu hiện động học của cơ cấu.
Tiền xử lý và lọc nhiễu thích nghi: Loại bỏ các dao động ngoại lai và sóng hài lưới điện bằng các bộ lọc tự thích nghi, đồng thời chuẩn hóa biên độ tín hiệu qua các chế độ vận hành thay đổi.
Giải điều chế và tách kênh đặc trưng: Sử dụng các thuật toán phân tích phổ bậc cao, phân tích thành phần độc lập hoặc các khối biến đổi wavelet để phân lập các dải tần nghi ngờ có sự chồng lấn nguồn lỗi.
Nhận diện và định lượng đa nhãn: Đưa các vector đặc trưng vào mô hình phân loại học máy hoặc mạng nơ-ron tích chập đa ngõ ra để suy luận xác suất tồn tại của từng loại khuyết tật.
Đánh giá rủi ro và ra quyết định can thiệp: Tổng hợp kết quả chẩn đoán vào hệ thống quản lý bảo trì máy tính hóa nhằm hoạch định kế hoạch thay thế phụ tùng, giảm thiểu tối đa nguy cơ dừng máy dây chuyền.

Điều kiện áp dụng và các vấn đề còn mở

Mặc dù đạt được nhiều bước tiến lý thuyết đáng kể, việc đưa các thuật toán chẩn đoán đa lỗi vào ứng dụng thường trực tại hiện trường công nghiệp vẫn vấp phải một số giới hạn kỹ thuật cần được giải quyết trong tương lai:

Điều kiện vận hành biến tốc và biến tải: Phần lớn các mô hình tính đến năm 2023 hoạt động ổn định nhất dưới vận tốc quay tĩnh. Khi thiết bị liên tục tăng giảm tốc, tần số đặc trưng hư hỏng trượt dọc trên miền phổ, đòi hỏi các phương pháp xử lý trật tự góc quay phức tạp hơn.
Khả năng giải thích của mô hình học sâu: Mạng nơ-ron nhiều tầng thường hoạt động như hộp đen, gây khó khăn cho kỹ sư bảo trì trong việc giải trình cơ chế vật lý dẫn đến kết luận hư hỏng trước khi phê duyệt ngừng máy sửa chữa tốn kém.
Giới hạn tài nguyên tính toán tại biên: Các thuật toán phân tách nguồn mù và mô hình học sâu kích thước lớn tiêu tốn bộ nhớ và năng lượng, đặt ra thách thức lớn khi triển khai trực tiếp trên các thiết bị cảm biến thông minh gắn tại hiện trường.
Độ nhạy cảm với dữ liệu mất cân bằng nghiêm trọng: Trong nhà máy đang vận hành, trạng thái bình thường chiếm ưu thế tuyệt đối, trong khi các mẫu dữ liệu lỗi hỗn hợp nghiêm trọng là vô cùng hiếm hoi, dễ dẫn đến hiện tượng mô hình thiên vị về trạng thái khỏe mạnh.