Kiến trúc Hệ thống: Tích hợp Đa Nguồn Dữ liệu

Hệ thống bảo trì dự đoán hiện đại chuyển dịch mô hình từ phản ứng sự cố sang chủ động phòng ngừa. Kiến trúc tổng thể của hệ thống được chia thành nhiều tầng, từ thu thập dữ liệu vật lý đến phân tích trí tuệ nhân tạo và ra quyết định kinh doanh.

graph TB
    subgraph Perception["Tầng Cảm biến - Thu thập Dữ liệu"]
        A1[Cảm biến Rung động
1600 mẫu/giây]
        A2[Cảm biến Nhiệt độ]
        A3[Cảm biến Dòng điện]
        A4[Cảm biến Phát xạ Âm]
    end
    
    subgraph Transport["Tầng Truyền dẫn - Mạng TSN"]
        B1[Giao thức OPC UA]
        B2[Mạng TSN]
        B3[Lập lịch TAS]
    end
    
    subgraph Edge["Tầng Biên - Xử lý Thời gian thực"]
        C1[Trích xuất Đặc trưng]
        C2[Phát hiện Bất thường]
        C3[Bộ đệm Cục bộ]
    end
    
    subgraph Platform["Tầng Đám mây - Phân tích Thông minh"]
        D1[Hồ sơ Dữ liệu]
        D2[Mạng Nơ-ron Đồ thị GNN]
        D3[Causal Transformer]
        D4[Sinh đôi Kỹ thuật số]
    end
    
    subgraph Application["Tầng Ứng dụng - Giá trị Nghiệp vụ"]
        E1[Cảnh báo Sớm]
        E2[Phân tích Nguyên nhân]
        E3[Quyết định Bảo trì]
        E4[Đánh giá ROI]
    end
    
    A1 --> B1
    A2 --> B1
    A3 --> B1
    A4 --> B1
    B1 --> B2
    B2 --> B3
    B3 --> C1
    C1 --> C2
    C2 --> D1
    D1 --> D2
    D2 --> D3
    D3 --> D4
    D4 --> E1
    E1 --> E2
    E2 --> E3
    E3 --> E4

Chiến lược Hợp nhất Cảm biến

Việc dựa vào một loại cảm biến duy nhất thường không cung cấp đủ thông tin để chẩn đoán chính xác. Hệ thống sử dụng chiến lược hợp nhất đa cảm biến để thu thập toàn diện các chỉ số sức khỏe thiết bị:

Các mức độ hợp nhất:

• Hợp nhất cấp dữ liệu: Đồng bộ hóa tín hiệu thô, bảo toàn thông tin gốc.
• Hợp nhất cấp đặc trưng: Trích xuất vector đặc trưng từ từng cảm biến trước khi nối ghép.
• Hợp nhất cấp quyết định: Mỗi cảm biến đưa ra phán đoán độc lập, sau đó tổng hợp qua cơ chế bỏ phiếu.

Hạ tầng Truyền thông: OPC UA và TSN

Trong môi trường công nghiệp, độ trễ mạng là yếu tố then chốt. Sự kết hợp giữa OPC UA và Time-Sensitive Networking (TSN) tạo ra một hạ tầng truyền thông xác định:

• OPC UA: Cung cấp chuẩn ngữ nghĩa thống nhất, đảm bảo khả năng tương tác giữa các thiết bị đa thương hiệu.
• TSN: Đảm bảo truyền tải tất định trên nền Ethernet tiêu chuẩn với độ đồng bộ thời gian chính xác đến ±50ns (IEEE 802.1AS), định hình lưu lượng qua cơ chế cổng thời gian (IEEE 802.1Qbv) và cho phép抢占 (preemption) khung tin ưu tiên cao.

Cơ chế Lập lịch Cổng Thời gian (TAS)

TAS (Time-Aware Shaping) phân bổ băng thông mạng dựa trên các khe thời gian nghiêm ngặt, đảm bảo dữ liệu quan trọng được truyền tải mà không bị gián đoạn:

• Lệnh điều khiển khẩn cấp: 0 - 0.5ms (Thời gian thực cứng)
• Dữ liệu rung động: 0.5 - 2ms (Chu kỳ 1ms)
• Dữ liệu nhiệt độ/dòng điện: 2 - 5ms (Chu kỳ 100ms)
• Dữ liệu cấu hình/log: Thời gian còn lại (Best-effort)

Xử lý Tín hiệu Rung động và Mô hình Hóa Đồ thị

Trích xuất Đặc trưng Tín hiệu

Rung động là chỉ số sinh tồn quan trọng nhất của thiết bị quay. Đoạn mã Python dưới đây minh họa quy trình trích xuất các đặc trưng miền thời gian và miền tần số từ tín hiệu thô:

import numpy as np
from scipy.fft import fft, fftfreq

def compute_time_domain_metrics(signal_samples, sampling_rate=1000):
    """
    Tính toán các chỉ số thống kê trong miền thời gian của tín hiệu rung động.
    """
    metrics = {}
    
    # Các đặc trưng thống kê cơ bản
    metrics['average'] = np.mean(signal_samples)
    metrics['standard_deviation'] = np.std(signal_samples)
    metrics['root_mean_square'] = np.sqrt(np.mean(signal_samples**2))
    metrics['max_amplitude'] = np.max(np.abs(signal_samples))
    
    # Các chỉ số không thứ nguyên
    metrics['crest_factor'] = metrics['max_amplitude'] / metrics['root_mean_square']
    
    mean_val = metrics['average']
    std_val = metrics['standard_deviation']
    metrics['skewness'] = np.mean(((signal_samples - mean_val) / std_val)**3)
    metrics['kurtosis'] = np.mean(((signal_samples - mean_val) / std_val)**4)
    
    metrics['impulse_factor'] = metrics['max_amplitude'] / np.mean(np.abs(signal_samples))
    metrics['shape_factor'] = metrics['root_mean_square'] / np.mean(np.abs(signal_samples))
    
    return metrics

def analyze_frequency_spectrum(signal_samples, sampling_rate=1000, fft_points=2048):
    """
    Phân tích phổ tần số và trích xuất năng lượng các dải tần đặc trưng.
    """
    spectrum = fft(signal_samples, n=fft_points)
    magnitude = np.abs(spectrum[:fft_points//2])
    frequencies = fftfreq(fft_points, 1/sampling_rate)[:fft_points//2]
    
    features = {}
    
    # Xác định các dải tần lỗi vòng bi
    inner_race_band = (frequencies >= 100) & (frequencies <= 300)
    outer_race_band = (frequencies >= 50) & (frequencies <= 150)
    rolling_element_band = (frequencies >= 30) & (frequencies <= 100)
    
    features['inner_race_energy'] = np.sum(magnitude[inner_race_band]**2)
    features['outer_race_energy'] = np.sum(magnitude[outer_race_band]**2)
    features['rolling_element_energy'] = np.sum(magnitude[rolling_element_band]**2)
    
    total_power = np.sum(magnitude**2)
    features['total_energy'] = total_power
    
    # Entropy phổ
    power_spectral_density = (magnitude**2) / (total_power + 1e-12)
    features['spectral_entropy'] = -np.sum(power_spectral_density * np.log2(power_spectral_density + 1e-12))
    
    # Tần số chi phối và trọng tâm phổ
    features['dominant_frequency'] = frequencies[np.argmax(magnitude)]
    features['spectral_centroid'] = np.sum(frequencies * magnitude) / (np.sum(magnitude) + 1e-12)
    
    return features

# Ví dụ minh họa
if __name__ == "__main__":
    sample_rate = 1000
    time_vector = np.linspace(0, 1, sample_rate)
    
    # Tạo tín hiệu giả lập: tần số cơ bản + hài tần + nhiễu
    fundamental_freq = 50
    defect_freq = 145
    simulated_signal = (
        0.6 * np.sin(2 * np.pi * fundamental_freq * time_vector) +
        0.4 * np.sin(2 * np.pi * defect_freq * time_vector) +
        0.15 * np.sin(2 * np.pi * 2 * defect_freq * time_vector) +
        0.08 * np.random.randn(len(time_vector))
    )
    
    time_metrics = compute_time_domain_metrics(simulated_signal, sample_rate)
    freq_features = analyze_frequency_spectrum(simulated_signal, sample_rate)
    
    print("--- Đặc trưng Miền Thời gian ---")
    for key, value in time_metrics.items():
        print(f"{key}: {value:.4f}")
        
    print("\n--- Đặc trưng Miền Tần số ---")
    for key, value in freq_features.items():
        print(f"{key}: {value:.4f}")

Mạng Nơ-ron Đồ thị Động (GNN)

Thiết bị trong nhà máy không hoạt động biệt lập. GNN được sử dụng để mô hình hóa các mối quan hệ vật lý và logic giữa chúng:

• Nút (Nodes): Đại diện cho từng thiết bị (động cơ, hộp số, máy bơm).
• Cạnh (Edges): Thể hiện sự kết nối (đồng trục, quy trình thượng/hạ nguồn, chung bệ đỡ).
• Đặc trưng nút: Vector đặc trưng rung động, nhiệt độ, dòng điện của thiết bị đó.
• Trọng số cạnh: Cường độ liên kết dựa trên khoảng cách vật lý hoặc mức độ ghép nối.

Bằng cách sử dụng Spatial-Temporal Graph Convolutional Networks (ST-GCN), hệ thống có thể theo dõi sự lan truyền của các bất thường qua mạng lưới thiết bị, tương tự như việc mô hình hóa sự lây lan trong mạng xã hội.

Khả năng Giải thích của Mô hình AI

Transformer Nhân quả và Truy vết Quyết định

Các mô hình hộp đen thường gặp khó khăn khi triển khai thực tế do thiếu tính minh bạch. Hệ thống tích hợp Causal Transformer để phân biệt giữa nguyên nhân gốc rễ và các triệu chứng đi kèm. Thay vì chỉ phát hiện tương quan (ví dụ: nhiệt độ tăng và rung động tăng), mô hình nhân quả xác định được chuỗi nguyên nhân thực sự (ví dụ: bôi trơn kém dẫn đến ma sát tăng, từ đó gây ra cả nhiệt độ cao và rung động mạnh).

Khi hệ thống đưa ra cảnh báo, kỹ sư bảo trì có thể truy vết toàn bộ logic quyết định:

• Tầng 1 - Phát hiện: Chỉ số Kurtosis vượt ngưỡng cho thấy sự xuất hiện của các xung lực cơ khí.
• Tầng 2 - Định vị: Năng lượng dải tần BPFI (Ball Pass Frequency Inner race) tăng 35%, khoanh vùng lỗi ở vòng trong ổ trục.
• Tầng 3 - Dự báo: Đối chiếu với cơ sở dữ liệu lịch sử, mô hình dự đoán thời gian suy giảm chức năng còn lại là 14 ngày.

Nghiên cứu Điển hình và Đánh giá ROI

Bối cảnh Dự án

Dự án được triển khai tại một trang trại điện gió ngoài khơi với 50 tuabin, mỗi tuabin có công suất 6MW. Hư hỏng ổ trục là nguyên nhân hàng đầu gây dừng máy ngoài kế hoạch, với chi phí trung bình cho mỗi sự kiện lên đến 450.000 RMB (bao gồm vật tư, thiết bị nâng hạ và thiệt hại do mất sản lượng).

Kết quả Triển khai Thực tế

Theo dõi cảnh báo sớm đối với ổ trục chính của Tuabin #17:

Phân tích ROI