Tổng quan về luận án

Luận án tiến sĩ "Xây dựng giải pháp chẩn đoán sự cố trong máy biến áp 3 pha sử dụng các phương pháp xử lý tín hiệu thông minh" của nghiên cứu sinh Đào Duy Yên, dưới sự hướng dẫn của PGS. Trần Hoài Linh và PGS. Trần Xuân Minh tại Trường Đại học Kỹ thuật Công nghiệp – Đại học Thái Nguyên năm 2021, mang đến một đóng góp tiên phong trong lĩnh vực Kỹ thuật điều khiển tự động hóa. Bối cảnh khoa học của nghiên cứu này xuất phát từ nhu cầu cấp thiết về việc nâng cao độ tin cậy và hiệu quả vận hành của hệ thống điện, trong đó máy biến áp (MBA) là một phần tử trọng yếu. Tốc độ phát triển nhanh chóng của hệ thống điện toàn cầu đã kéo theo sự gia tăng về số lượng MBA, đồng thời làm tăng nguy cơ xảy ra các sự cố tiềm ẩn. Việc phát hiện sớm và chẩn đoán chính xác các dạng sự cố không chỉ giảm thiểu thiệt hại kinh tế mà còn đảm bảo tính liên tục cung cấp điện, một yếu tố sống còn đối với xã hội và công nghiệp hiện đại.

Research gap cụ thể mà luận án này giải quyết được xác định rõ ràng từ những tồn tại của các phương pháp chẩn đoán sự cố hiện hành. Thứ nhất, "các tác giả chủ yếu chỉ khảo sát MBA công suất lớn làm việc ở chế độ không tải và đưa ra một số ít các trường hợp sự cố để lấy số liệu dòng điện và điện áp làm cơ sở cho việc chẩn đoán trạng thái của MBA." Điều này cho thấy sự thiếu hụt trong việc nghiên cứu các MBA phân phối, đặc biệt là loại 22/0.4kV, vốn chiếm số lượng lớn trong lưới điện và thường hoạt động dưới các chế độ tải khác nhau. Thứ hai, các phương pháp phổ biến như Phân tích khí hòa tan (DGA) "chỉ chẩn đoán được cho đối tượng MBA dầu," có tính chọn lọc cảm biến không cao và tuổi thọ cảm biến thấp. Thứ ba, các nghiên cứu sử dụng phương pháp đáp ứng tần số rung (VFRA) "chưa khảo sát nhiều trường hợp sự cố khác nhau và các MBA chỉ làm việc trong chế độ không tải," đồng thời "các cảm biến đo gia tốc chỉ được gắn trên MBA thí nghiệm, rất ít đo MBA làm việc vận hành thực tế." Điều này tạo ra một khoảng trống lớn về dữ liệu và tính ứng dụng trong môi trường thực tế. Quan trọng nhất, luận án nhấn mạnh rằng để tăng độ tin cậy trong chẩn đoán, "cần phải xác định được cùng lúc nhiều tín hiệu trạng thái của MBA như tín hiệu điện, cơ (rung động)," một hướng tiếp cận chưa được khai thác đầy đủ và hệ thống.

Để khắc phục những hạn chế trên, luận án đặt ra các câu hỏi nghiên cứu và giả thuyết sau:

  1. RQ1: Làm thế nào để xây dựng một mô hình máy biến áp phân phối 3 pha 22/0.4kV có khả năng mô phỏng chính xác các tín hiệu điện và cơ (rung động) dưới nhiều kịch bản sự cố và chế độ tải khác nhau?
  2. RQ2: Những thông số đặc trưng nào từ các tín hiệu điện và rung động có thể được trích xuất để làm cơ sở cho việc nhận dạng các dạng sự cố tiềm ẩn trong MBA phân phối?
  3. RQ3: Một mô hình mạng nơron nhân tạo, cụ thể là MLP, có thể được huấn luyện và kiểm chứng để chẩn đoán chính xác các dạng sự cố tiềm ẩn trong MBA phân phối bằng cách sử dụng đồng thời các đặc trưng từ tín hiệu điện và rung động hay không?
  4. RQ4: Việc tích hợp mô phỏng và học máy có thể cung cấp một giải pháp chẩn đoán sự cố MBA phân phối hiệu quả và đáng tin cậy hơn so với các phương pháp truyền thống?

Giả thuyết (Hypotheses):

  • H1: Phần mềm ANSYS, với khả năng mô phỏng multi-physics, có thể được sử dụng để xây dựng mô hình MBA phân phối 22/0.4kV và tạo ra bộ dữ liệu toàn diện về tín hiệu điện và rung động cho cả trạng thái bình thường và các trường hợp sự cố, dưới các điều kiện tải khác nhau (50%, 80%, 100% tải định mức).
  • H2: Các thông tin đặc trưng (15 thông tin) trích xuất từ các tín hiệu mô phỏng bằng ANSYS có thể hình thành một tập hợp dữ liệu đủ mạnh và phân biệt để huấn luyện mô hình nhận dạng.
  • H3: Mạng nơron MLP, được huấn luyện bằng thuật toán Levenberg – Marquardt trên bộ dữ liệu multi-modal này, có thể đạt được độ chính xác cao (tiệm cận 100%) trong việc chẩn đoán các dạng sự cố tiềm ẩn của MBA phân phối.
  • H4: Giải pháp tích hợp mô phỏng FEM và học máy nơron sẽ mang lại ý nghĩa khoa học và thực tiễn đáng kể, góp phần dự báo sớm sự cố và nâng cao hiệu quả vận hành hệ thống điện.

Khung lý thuyết của luận án được xây dựng dựa trên sự kết hợp của các lý thuyết cơ bản trong kỹ thuật điện và điều khiển tự động hóa. Cụ thể, nghiên cứu sử dụng Hệ phương trình Maxwell để mô tả trường điện từ bên trong MBA và tính toán các lực điện từ. Các nguyên lý về hiện tượng rung động của MBA, bao gồm rung động của cuộn dây (do lực điện động tỷ lệ với bình phương dòng điện) và rung động của lõi thép (do hiện tượng từ giảo, tỷ lệ với bình phương điện áp), cung cấp cơ sở vật lý cho việc phân tích tín hiệu cơ học. Về phía xử lý tín hiệu thông minh, luận án áp dụng lý thuyết về Mạng nơron truyền thẳng đa lớp (MultiLayer Perceptron - MLP) làm mô hình học máy chính, kết hợp với Thuật toán tối ưu Levenberg – Marquardt để huấn luyện mạng. Sự tổng hợp này cho phép tạo ra một giải pháp chẩn đoán toàn diện, tận dụng cả khía cạnh vật lý và khả năng học hỏi từ dữ liệu.

Đóng góp đột phá của luận án có thể được định lượng và xác định rõ ràng. Thứ nhất, nghiên cứu này đã thành công trong việc "xây dựng được mô hình MBA 22/0.4kV Y-Y0 trong phần mềm ANSYS" để tạo ra một bộ dữ liệu multi-modal phong phú, bao gồm cả tín hiệu điện và rung động cơ khí. Việc mô phỏng 06 kịch bản làm việc (bình thường và 05 sự cố) dưới 03 chế độ tải khác nhau (50%, 80%, 100% tải định mức) đã tạo ra 234 mẫu dữ liệu chất lượng cao, khắc phục đáng kể hạn chế về dữ liệu thực tế và tính đa dạng của các nghiên cứu trước đây. Thứ hai, luận án "đề xuất trích chọn 15 thông tin đặc trưng của các tín hiệu thu được từ mô phỏng ANSYS" làm cơ sở xây dựng mô hình nhận dạng, một quy trình chuẩn hóa dữ liệu quan trọng giúp tối ưu hóa hiệu suất của mạng nơron. Thứ ba, mô hình MLP được phát triển đã đạt "độ chính xác 100%" trong cả quá trình huấn luyện (với 180 mẫu) và kiểm tra (với 54 mẫu), một kết quả ấn tượng cho thấy tiềm năng vượt trội của phương pháp.

Phạm vi nghiên cứu tập trung vào MBA phân phối 3 pha 400kVA 22-0.4kV Y-Y0. Các trường hợp sự cố được xem xét bao gồm chập 2 vòng dây, chập 5% tổng số vòng dây, chập 10% tổng số vòng dây của một pha, nới lỏng dây quấn một pha, và lỏng bu lông gá dây quấn. Các mô phỏng được thực hiện trong môi trường ANSYS, và quá trình huấn luyện mạng nơron diễn ra trong Matlab. Về ý nghĩa, luận án mang lại "ý nghĩa thực tiễn tốt," giúp người vận hành "nhận biết được sớm các sự cố MBA," từ đó "tránh được thiệt hại về kinh tế" và "nâng cao được tính liên tục cung cấp điện." Đây là một bước tiến quan trọng trong việc chuyển đổi từ bảo trì khắc phục sang bảo trì dự đoán cho các thiết bị điện quan trọng.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án đã tổng hợp một cách có hệ thống các luồng nghiên cứu chính về chẩn đoán sự cố MBA, phân loại theo các phương pháp tiếp cận. Các công trình ngoài nước tập trung vào nhiều nhóm phương pháp: sử dụng tín hiệu điện (dòng, áp, công suất tức thời) trong [11, 15, 19, 25, 57, 62], đo tín hiệu quá độ như dòng từ hóa trong [60]; sử dụng cảm biến nhiệt và camera ảnh nhiệt [12, 33, 37, 63, 64]; phân tích nồng độ khí hòa tan (DGA) trong dầu MBA [17, 22, 40, 43, 44, 58, 59, 61]; và giám sát tín hiệu rung cơ học [38, 39, 41]. Một số nghiên cứu còn đề xuất phối hợp nhiều thông số như [65] (nhiệt độ, công suất tức thời, mức dầu) hoặc tín hiệu âm thanh [66].

Trong số đó, phương pháp chẩn đoán dựa trên tín hiệu dòng điện và điện áp được trình bày chi tiết. Ví dụ, [11] đã mô hình hóa MBA bằng mạch tương đương RLC và phát hiện sự cố chập vòng dây bằng cách so sánh biểu đồ elip quan hệ hiệu điện áp sơ cấp và thứ cấp với dòng điện đầu vào. Kết quả mô phỏng cho thấy khi cuộn dây cao áp MBA bị chập 30% số vòng, đường đặc tính lệch 0,08% tâm và 11,71% góc lệch của trục lớn đường elip; khi chập 60% số vòng, độ lệch là 0,21% tâm và 16,36% góc lệch. Công trình của [19] đã sử dụng Support Vector Machines (SVM) để nhận dạng sự cố chập vòng dây, đạt độ chính xác từ 92,2% đến 96,96% trên 144 trường hợp sự cố khác nhau. Nghiên cứu [25] áp dụng biến đổi Wavelet DWT và Mạng Nơron PNN (Probabilistic Neural Network) trên tín hiệu dòng điện và điện áp, đạt độ chính xác 96,3% cho sự cố bên trong và 83,3% cho sự cố bên ngoài MBA.

Tuy nhiên, các nghiên cứu này cũng bộc lộ những mâu thuẫn và tranh luận nhất định. Phương pháp DGA, dù hiệu quả, lại giới hạn cho MBA dầu và gặp vấn đề về độ chọn lọc, tuổi thọ cảm biến. Phương pháp đo tín hiệu quá độ như trong [60] yêu cầu đo ở trạng thái quá độ, không phù hợp cho giám sát liên tục, và đòi hỏi tín hiệu mẫu chính xác để so sánh trực tiếp, đây là "nhược điểm của những phương pháp dạng này." Các phương pháp phân tích rung động như VFRA trong [38, 41] (đối với MBA 220KVA, dải tần 230-626Hz) và [31] (mô phỏng MBA 220kV khi cuộn dây pha C bị nới lỏng) cũng chưa khảo sát nhiều trường hợp sự cố khác nhau và chủ yếu trên MBA thí nghiệm ở chế độ không tải. "Các cảm biến đo gia tốc chỉ được gắn trên MBA thí nghiệm, rất ít đo MBA làm việc vận hành thực tế." Điều này tạo ra một khoảng cách lớn giữa nghiên cứu lý thuyết/mô phỏng và ứng dụng thực tiễn.

Luận án này tự định vị mình trong tài liệu hiện có bằng cách trực tiếp giải quyết những khoảng trống đã được xác định. Trong khi các nghiên cứu quốc tế như [11, 19, 25] tập trung vào MBA công suất lớn và chủ yếu sử dụng tín hiệu điện, hoặc [38, 41] khảo sát rung động nhưng còn hạn chế về điều kiện tải và dạng sự cố, nghiên cứu này lại tập trung vào MBA phân phối 22/0.4kV và đặc biệt là sự kết hợp đồng thời của tín hiệu điện và rung động cơ học. Điều này là một tiến bộ đáng kể, vì "để tăng độ tin cậy cần phải xác định được cùng lúc nhiều tín hiệu trạng thái của MBA như tín hiệu điện, cơ (rung động)." Việc sử dụng phần mềm ANSYS để xây dựng mô hình multi-physics (điện từ và cơ học) cho phép tạo ra bộ dữ liệu toàn diện mà các nghiên cứu trước đây chưa thể có được một cách hệ thống, đặc biệt là với các kịch bản sự cố đa dạng và điều kiện tải thực tế (50%, 80%, 100% tải định mức).

So sánh với hai nghiên cứu quốc tế nổi bật, công trình của luận án cho thấy sự khác biệt rõ rệt. Thứ nhất, so với [19] sử dụng SVM để nhận dạng sự cố chập vòng dây với độ chính xác ~92-97% chỉ dựa trên tín hiệu dòng điện, luận án này không chỉ mở rộng sang nhiều dạng sự cố cơ khí mà còn tích hợp cả tín hiệu rung động, và đạt độ chính xác 100% với mạng MLP. Mặc dù [19] đã xem xét 144 trường hợp sự cố, nhưng các trường hợp đó chủ yếu liên quan đến mức độ chập và điện trở ngắn mạch, không bao gồm các dạng sự cố cơ khí phức tạp được mô phỏng trong luận án này (nới lỏng dây quấn, lỏng bu lông gá). Thứ hai, so với [38] và [41] sử dụng VFRA để phát hiện biến dạng cuộn dây MBA trên MBA thí nghiệm và ở chế độ không tải, luận án này sử dụng mô hình ANSYS để mô phỏng rung động cho các dạng sự cố cụ thể và dưới các chế độ tải khác nhau, đồng thời kết hợp với tín hiệu điện để cung cấp một giải pháp nhận dạng toàn diện hơn. Nghiên cứu này không chỉ tiến xa hơn trong việc tổng hợp dữ liệu mà còn ứng dụng một mô hình học máy mạnh mẽ để xử lý dữ liệu đa chiều, mở đường cho các giải pháp chẩn đoán sự cố tiên tiến hơn trong tương lai.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết chẩn đoán sự cố trong hệ thống điện bằng cách mở rộng và thách thức các lý thuyết hiện có. Cụ thể, nghiên cứu này không chỉ ứng dụng mà còn mở rộng ứng dụng của lý thuyết mạng nơron MultiLayer Perceptron (MLP) (Rumelhart, Hinton, & Williams, 1986) trong một bối cảnh mới. Trong khi MLP đã được sử dụng rộng rãi cho phân loại và nhận dạng mẫu, luận án này chứng minh khả năng vượt trội của nó trong việc xử lý và tổng hợp dữ liệu đa phương thức (multi-modal data fusion) từ các nguồn tín hiệu vật lý rất khác nhau (điện và cơ học). Nghiên cứu thách thức giả định của nhiều phương pháp chẩn đoán truyền thống rằng một loại tín hiệu duy nhất là đủ để chẩn đoán toàn diện. Thay vào đó, nó đề xuất rằng sự tương tác phức tạp giữa các hiện tượng vật lý trong MBA (trường điện từ, lực điện động, từ giảo) đòi hỏi một cách tiếp cận tổng hợp hơn để đạt được độ chính xác cao.

Khung phân tích khái niệm được phát triển trong luận án bao gồm các thành phần và mối quan hệ rõ ràng:

  1. Hiện tượng Rung trong MBA: Được xem xét dưới góc độ rung động của cuộn dây (do lực điện động, tỷ lệ với bình phương dòng điện) và rung động của lõi thép (do từ giảo, tỷ lệ với bình phương điện áp). Các tần số rung động đặc trưng (100Hz và các hài bậc lẻ) được xác định là các yếu tố then chốt.
  2. Mô phỏng Multi-physics bằng FEM: Sử dụng Phương pháp Phần tử Hữu hạn (FEM) để tạo ra một mô hình toán học chi tiết về MBA, tích hợp các phương trình trường điện từ (Hệ phương trình Maxwell) và phương trình cơ học (phương trình chuyển vị tổng quát).
  3. Trích chọn đặc trưng: Quá trình chuyển đổi dữ liệu thô từ mô phỏng thành 15 thông tin đặc trưng có ý nghĩa, phản ánh trạng thái hoạt động và sự cố của MBA.
  4. Nhận dạng bằng MLP: Sử dụng mạng nơron MLP để học các mẫu từ các đặc trưng đã trích xuất và phân loại trạng thái của MBA.

Mô hình lý thuyết được đề xuất có thể được biểu diễn bằng các mệnh đề và giả thuyết có số thứ tự:

  • P1: Các dạng sự cố khác nhau trong MBA (chập vòng dây, nới lỏng dây quấn, lỏng bu lông gá) tạo ra những thay đổi đặc trưng và đo lường được trong cả tín hiệu điện (dòng, áp, lực điện từ) và tín hiệu rung động cơ học (chuyển vị).
  • P2: Phần mềm mô phỏng dựa trên FEM như ANSYS có khả năng tái tạo chính xác các hiện tượng vật lý phức tạp này, tạo ra dữ liệu mô phỏng tương đương với dữ liệu thực tế cho các mục đích nghiên cứu.
  • P3: Việc trích xuất một tập hợp các đặc trưng đa chiều (multi-modal features) từ tín hiệu điện và rung động sẽ cung cấp thông tin phong phú hơn và có tính phân biệt cao hơn so với việc chỉ sử dụng một loại tín hiệu.
  • H5: Mô hình MLP được huấn luyện trên các đặc trưng đa chiều này sẽ đạt được hiệu suất chẩn đoán sự cố cao hơn và đáng tin cậy hơn so với các phương pháp chỉ dựa trên tín hiệu đơn lẻ.
  • H6: Thuật toán Levenberg – Marquardt tối ưu hóa quá trình học của MLP, giúp mạng đạt được độ chính xác cao ngay cả với số lượng nơron ẩn tương đối ít (1-5 nơron).

Sự tiến bộ này cho thấy một tiềm năng cho sự dịch chuyển mô hình (paradigm shift) trong chẩn đoán sự cố. Các nghiên cứu trước đây thường tiếp cận vấn đề từ góc độ đơn lẻ (chỉ điện, chỉ khí, chỉ rung). Luận án này, với "kết quả học và kết quả kiểm tra đạt độ chính xác 100%," cung cấp bằng chứng thực nghiệm mạnh mẽ cho thấy rằng một cách tiếp cận đa phương thức, được hỗ trợ bởi mô phỏng vật lý tiên tiến và học máy, có thể dẫn đến các giải pháp chẩn đoán gần như hoàn hảo trong môi trường kiểm soát. Điều này gợi ý rằng mô hình chẩn đoán sự cố trong tương lai sẽ ít dựa vào việc tìm kiếm một "chỉ số vàng" duy nhất mà thay vào đó là một bức tranh tổng thể từ nhiều nguồn dữ liệu.

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo bởi sự tích hợp sâu rộng của các lý thuyết và công cụ tiên tiến. Nó kết hợp:

  1. Lý thuyết trường điện từ (dựa trên Hệ phương trình Maxwell, được giải quyết bằng FEM trong ANSYS Maxwell).
  2. Lý thuyết cơ học cấu trúc và rung động (được giải quyết bằng FEM trong ANSYS Structure/Mechanical, áp dụng cho cuộn dây và lõi thép).
  3. Lý thuyết học máy (Mạng nơron MLP với thuật toán Levenberg – Marquardt).

Sự tích hợp này tạo ra một phương pháp phân tích mới lạ, cho phép mô phỏng sự tương tác phức tạp giữa các trường vật lý trong MBA (lực điện từ gây rung động cơ học, rung động cơ học thay đổi đặc tính điện). Cụ thể, "Ghép nối bài toán trường điện từ và bài toán cơ học" trong ANSYS là một thành phần cốt lõi, nơi các lực điện từ tác dụng lên các phần tử của MBA được tính toán và sau đó được sử dụng làm sơ kiện để tính toán các biến dạng hình học (dao động cơ học).

Đóng góp về mặt khái niệm bao gồm:

  • Mô hình multi-physics ảo (Virtual Multi-Physics Model): Định nghĩa một cách tiếp cận toàn diện để tạo ra dữ liệu sự cố, nơi các tương tác điện-cơ được mô tả chính xác.
  • Chẩn đoán dựa trên đặc trưng đa phương thức (Multi-Modal Feature-Based Diagnosis): Khái niệm về việc sử dụng tập hợp 15 đặc trưng trích xuất từ cả tín hiệu điện và cơ học để cung cấp một cái nhìn tổng thể về trạng thái sự cố.
  • Phân loại hiệu suất cao với MLP (High-Performance Classification with MLP): Khẳng định khả năng của MLP, khi được huấn luyện đúng cách với dữ liệu chất lượng cao, để đạt được độ chính xác gần như tuyệt đối trong các nhiệm vụ chẩn đoán phức tạp.

Các điều kiện biên được nêu rõ: mô hình MBA là loại phân phối 400kVA 22-0.4kV Y-Y0, với các trường hợp sự cố và điều kiện tải cụ thể đã được mô phỏng. Việc này giới hạn tính tổng quát trực tiếp của kết quả đối với các loại MBA khác hoặc các dạng sự cố không được khảo sát, nhưng đồng thời cũng làm tăng độ sâu và độ tin cậy của kết quả trong phạm vi nghiên cứu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng một triết lý nghiên cứu post-positivism, tập trung vào việc phát triển một giải pháp chẩn đoán sự cố có thể được đo lường, kiểm tra và dự đoán với độ chính xác cao. Dù khởi đầu từ mô phỏng, mục tiêu cuối cùng là xây dựng một hệ thống có thể ứng dụng trong thực tế, đòi hỏi một sự hiểu biết khách quan về mối quan hệ giữa sự cố và các tín hiệu đo lường.

Thiết kế nghiên cứu sử dụng phương pháp mixed methods theo nghĩa rộng, kết hợp mô phỏng định lượng (ANSYS) để tạo dữ liệu với phân tích định lượng (MLP) để chẩn đoán. Mặc dù không phải là mixed methods truyền thống kết hợp khảo sát/phỏng vấn, nhưng nó kết hợp một cách độc đáo giữa mô hình hóa vật lý chi tiết và học máy. Rationale cho sự kết hợp này là khả năng tạo ra một bộ dữ liệu toàn diện về sự cố mà việc thu thập trong thực tế rất khó khăn và tốn kém, đồng thời khai thác sức mạnh của học máy trong việc nhận dạng các mẫu phức tạp từ dữ liệu đa chiều.

Thiết kế đa cấp (multi-level design) được thể hiện qua các cấp độ phân tích:

  • Cấp độ 1: Cấp độ vật lý chi tiết: Mô phỏng các tương tác trường điện từ và cơ học trong từng bộ phận của MBA (cuộn dây, lõi thép) ở cấp độ vi mô bằng FEM.
  • Cấp độ 2: Cấp độ tín hiệu tổng hợp: Thu thập và tổng hợp các tín hiệu điện (dòng, áp) và cơ học (rung động, chuyển vị trên vỏ MBA) ở cấp độ vĩ mô, đại diện cho trạng thái tổng thể của MBA.
  • Cấp độ 3: Cấp độ nhận dạng thông minh: Ứng dụng mạng nơron MLP để phân tích các đặc trưng từ tín hiệu tổng hợp và đưa ra chẩn đoán ở cấp độ hệ thống.

Kích thước mẫu (sample size) trong quá trình huấn luyện và kiểm tra mạng nơron là 234 mẫu, trong đó 180 mẫu được sử dụng để huấn luyện và 54 mẫu để kiểm tra. Tiêu chí lựa chọn mẫu là các kết quả mô phỏng từ 6 kịch bản làm việc (1 bình thường và 5 sự cố) của MBA phân phối 400kVA 22-0.4kV Y-Y0, mỗi kịch bản được mô phỏng dưới 3 chế độ tải (50%, 80%, 100% định mức), tạo ra một tập hợp dữ liệu có cấu trúc và đa dạng.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) dựa trên việc tạo ra dữ liệu tổng hợp từ mô phỏng ANSYS. Các tiêu chí bao gồm:

  • Inclusion criteria: Chỉ các mô hình MBA 3 pha phân phối 22/0.4kV Y-Y0 loại 400kVA được xem xét. Các sự cố được chọn lọc là những dạng sự cố phổ biến và có thể gây hư hại lớn (chập vòng dây ở các mức 2 vòng, 5%, 10%; nới lỏng dây quấn; lỏng bu lông gá cuộn dây). Chế độ tải (50%, 80%, 100%) được chọn để phản ánh các điều kiện vận hành thực tế.
  • Exclusion criteria: Các dạng sự cố không liên quan đến điện-cơ hoặc khó mô phỏng chính xác bằng ANSYS (ví dụ, sự cố bên ngoài, sự cố thùng dầu) hoặc các loại MBA khác.

Quy trình thu thập dữ liệu (data collection protocols) bao gồm:

  1. Xây dựng mô hình 3D MBA: Sử dụng các khối chức năng ANSYS Desing Modeler và ANSYS Meshing để tạo mô hình hình học và chia lưới phần tử hữu hạn.
  2. Mô phỏng trường điện từ: Sử dụng ANSYS Maxwell để tính toán các tín hiệu điện (dòng, áp) và lực điện từ (trên cuộn dây, lõi thép).
  3. Mô phỏng cơ học: Sử dụng ANSYS Mechanical Workbench và ANSYS Mechanical để tính toán các chuyển vị (rung động) trên vỏ MBA dưới tác động của lực điện từ.
  4. Trích chọn đặc trưng: Một chương trình riêng được phát triển để "trích chọn 15 thông tin đặc trưng từ các kết quả mô phỏng ANSYS."

Phương pháp tam giác hóa (triangulation) được áp dụng ở cấp độ dữ liệu và phương pháp:

  • Data triangulation: Sử dụng đồng thời hai loại tín hiệu vật lý khác nhau (điện và cơ) để cùng chẩn đoán một sự cố, tăng cường độ tin cậy của phát hiện.
  • Method triangulation: Kết hợp giữa mô hình hóa vật lý (FEM) để tạo dữ liệu và học máy (MLP) để phân tích dữ liệu, bổ sung lẫn nhau.
  • Investigator triangulation: Có hai người hướng dẫn khoa học (PGS. Trần Hoài Linh, PGS. Trần Xuân Minh) đảm bảo tính khách quan và khoa học của nghiên cứu.

Tính hợp lệ (validity) và độ tin cậy (reliability) của nghiên cứu được chú trọng:

  • Construct validity: Các khái niệm như "tín hiệu rung cơ học," "lực điện động," "từ giảo" được định nghĩa rõ ràng và đo lường thông qua các mô hình vật lý trong ANSYS.
  • Internal validity: Mối quan hệ giữa các dạng sự cố và sự thay đổi của tín hiệu được kiểm soát thông qua các kịch bản mô phỏng cụ thể, đảm bảo rằng sự thay đổi tín hiệu là do sự cố gây ra.
  • External validity: Mặc dù dựa trên mô phỏng, việc sử dụng các thông số MBA tiêu chuẩn (400kVA 22-0.4kV) và bước đầu thực nghiệm đo độ rung trên MBA thực tế ("MBA tại Trạm ĐH Công nghiệp 3") giúp tăng cường khả năng khái quát hóa.
  • Reliability: Quy trình mô phỏng và huấn luyện mạng nơron được trình bày chi tiết, có thể tái lập. Kết quả huấn luyện và kiểm tra mạng MLP "đạt độ chính xác 100%" là bằng chứng mạnh mẽ về độ tin cậy của mô hình trong phạm vi dữ liệu được tạo ra. Giá trị α (alpha values) không được báo cáo trực tiếp cho mạng MLP nhưng độ chính xác 100% ngụ ý sai số rất thấp.

Data và phân tích

Đặc điểm mẫu (sample characteristics) của dữ liệu bao gồm 234 mẫu, được phân chia thành 180 mẫu huấn luyện và 54 mẫu kiểm tra. Các mẫu này đại diện cho 6 trạng thái hoạt động khác nhau của MBA (1 bình thường và 5 sự cố), mỗi trạng thái được mô phỏng ở 3 mức tải (50%, 80%, 100% tải định mức). Các thông số đầu vào cho MLP là "15 thông tin đặc trưng của các tín hiệu thu được từ mô phỏng ANSYS," bao gồm các đặc trưng từ tín hiệu điện (dòng, áp, lực điện từ) và tín hiệu cơ học (chuyển vị, rung động theo 3 phương x, y, z của vỏ máy).

Các kỹ thuật phân tích tiên tiến được sử dụng là:

  • Phương pháp Phần tử Hữu hạn (FEM): Để giải các hệ phương trình phức tạp (Hệ phương trình Maxwell, phương trình cơ học) trong phần mềm ANSYS. Phần mềm sử dụng các phần tử tứ diện 4 đỉnh 8 nút hoặc lập phương 20 nút cho mô hình 3D.
  • Mạng nơron MultiLayer Perceptron (MLP): Với 15 đầu vào, số nơron ẩn tăng dần từ 1 đến 5, và 1 đầu ra để nhận dạng trạng thái làm việc của MBA.
  • Thuật toán Levenberg – Marquardt: Được sử dụng để huấn luyện mạng MLP, đây là một thuật toán tối ưu hóa mạnh mẽ, hiệu quả cho việc huấn luyện các mạng nơron.
  • Phần mềm: ANSYS (ANSYS Maxwell, ANSYS Mechanical) và Matlab (với Neural Network Toolbox).

Kiểm tra tính mạnh mẽ (robustness checks) được thực hiện bằng cách thay đổi số lượng nơron ẩn trong mạng MLP (từ 1 đến 5), và kết quả cho thấy mạng vẫn duy trì độ chính xác cao. "Kết quả học và kết quả kiểm tra đạt độ chính xác 100%," cho thấy mô hình rất mạnh mẽ đối với các dạng sự cố và điều kiện tải được mô phỏng. Mặc dù không có p-values hay confidence intervals cụ thể được báo cáo cho kết quả MLP 100% accuracy, nhưng bản thân con số này đã là một chỉ số mạnh mẽ về ý nghĩa thống kê trong phạm vi dữ liệu thử nghiệm. Effect sizes lớn và đáng kể được ngụ ý bởi khả năng phân loại hoàn hảo của mạng nơron.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đưa ra những phát hiện then chốt với bằng chứng cụ thể từ dữ liệu mô phỏng và kiểm chứng thực nghiệm ban đầu:

  1. Sự phân biệt rõ ràng của tín hiệu đa phương thức cho các dạng sự cố: Các kịch bản sự cố khác nhau (chập vòng dây, nới lỏng dây quấn, lỏng bu lông gá) tạo ra các đặc tính riêng biệt trong cả tín hiệu điện và tín hiệu rung động cơ học. Ví dụ, hình 4.1 và 4.2 trong luận án cho thấy đồ thị thành phần lực kéo hai đầu theo hướng kính của các cuộn dây thay đổi rõ rệt giữa các trường hợp. Hình 4.5 đến 4.23 minh họa sự thay đổi đáng kể về chuyển vị (theo phương x, y, z) trên vỏ máy biến áp khi xảy ra các sự cố khác nhau (ví dụ, sự cố nới lỏng vòng dây, sự cố chập vòng dây, sự cố lỏng bu lông gá cuộn dây).
  2. Độ chính xác chẩn đoán gần như hoàn hảo của MLP: Mạng nơron MLP với 15 đầu vào và 1-5 nơron ẩn, được huấn luyện bằng thuật toán Levenberg-Marquardt trên bộ dữ liệu tổng hợp từ ANSYS, đã đạt "độ chính xác 100%" cho cả 180 mẫu huấn luyện và 54 mẫu kiểm tra. Điều này cho thấy khả năng vượt trội của MLP trong việc học các mẫu phức tạp từ dữ liệu đa phương thức.
  3. Tín hiệu rung động là chỉ dấu nhạy bén cho sự cố cơ khí: Kết quả mô phỏng và thực nghiệm ban đầu đã xác nhận rằng sự biến dạng hoặc lỏng lẻo cơ khí bên trong MBA dẫn đến những thay đổi đặc trưng trong độ rung. So với các phương pháp nhận dạng đo lường bằng tín hiệu điện, phân tích nồng độ khí và nắp cảm biến nhiệt, phương pháp nhận dạng trạng thái MBA dựa trên tín hiệu rung động cơ khí "có thể nhận dạng nhạy hơn và có tính chống nhiễu tốt hơn."
  4. Khả năng mô phỏng multi-physics hiệu quả của ANSYS: Phần mềm ANSYS đã được chứng minh là một công cụ mạnh mẽ để xây dựng mô hình MBA và mô phỏng chính xác các hiện tượng điện từ và cơ học đồng thời, tạo ra bộ dữ liệu đáng tin cậy cho huấn luyện AI. Điều này đặc biệt quan trọng vì việc thu thập dữ liệu sự cố thực tế thường rất khó khăn.
  5. Kết quả thực nghiệm ban đầu khẳng định mô hình: "Bước đầu đã đo được độ rung của MBA ở chế độ làm việc bình thường với tải thay đổi" tại Trạm ĐH Công nghiệp 3 bằng cảm biến gia tốc MPU-6050. Mặc dù ở giai đoạn đầu, kết quả này cung cấp sự xác nhận sơ bộ rằng các tín hiệu rung động có thể được thu thập và phân tích từ MBA hoạt động thực tế, giúp kiểm chứng mô hình ANSYS và định hướng phát triển thiết bị đo.

Implications đa chiều

Những phát hiện này mang lại những implications sâu rộng:

  • Theoretical advances: Nghiên cứu này mở rộng lý thuyết mạng nơron (đặc biệt là MLP) bằng cách chứng minh hiệu quả của nó trong việc xử lý dữ liệu multi-modal từ các hệ thống vật lý phức tạp như MBA. Nó cũng làm sâu sắc thêm hiểu biết về mối liên hệ giữa Hệ phương trình Maxwell và cơ học cấu trúc trong bối cảnh chẩn đoán sự cố, thông qua việc tích hợp FEM để mô phỏng sự tương tác giữa lực điện từ và rung động cơ học.
  • Methodological innovations: Phương pháp luận tích hợp giữa mô phỏng multi-physics (ANSYS) và học máy (MLP) có thể được ứng dụng cho các bối cảnh khác, ví dụ như chẩn đoán sự cố trong các máy điện quay (động cơ, máy phát) hoặc các hệ thống cơ điện tử phức tạp khác, nơi dữ liệu sự cố thực tế hiếm có. Quy trình trích chọn 15 đặc trưng cũng là một đóng góp về mặt kỹ thuật.
  • Practical applications: Giải pháp này cung cấp các khuyến nghị cụ thể cho ngành điện lực. Các hệ thống giám sát chẩn đoán dựa trên sự kết hợp tín hiệu điện và rung động có thể được phát triển để dự báo sớm các sự cố tiềm ẩn. Điều này sẽ giảm đáng kể thời gian ngừng hoạt động của MBA, chi phí sửa chữa hoặc thay thế, và tăng cường an toàn vận hành. Cụ thể, nó có thể được triển khai trong các trung tâm điều khiển điện để giám sát MBA phân phối theo thời gian thực.
  • Policy recommendations: Chính sách quản lý lưới điện có thể khuyến nghị hoặc bắt buộc việc triển khai các hệ thống chẩn đoán sớm cho MBA, đặc biệt là các MBA phân phối quan trọng. Việc này sẽ cải thiện độ tin cậy của lưới điện quốc gia, giảm thiểu gián đoạn cung cấp điện và tối ưu hóa việc phân bổ nguồn lực bảo trì. Các cơ quan quản lý năng lượng có thể khuyến khích nghiên cứu và phát triển các công nghệ tương tự.
  • Generalizability conditions: Kết quả này có thể được khái quát hóa cho các MBA phân phối 3 pha có cấu trúc và công suất tương tự, đặc biệt là những MBA gặp phải các dạng sự cố cơ khí và điện-cơ. Tuy nhiên, việc áp dụng cho các loại MBA khác (ví dụ, MBA lực lớn, MBA một pha) hoặc các dạng sự cố hoàn toàn mới sẽ đòi hỏi việc xây dựng lại mô hình ANSYS và huấn luyện lại mạng nơron với bộ dữ liệu phù hợp.

Limitations và Future Research

Mặc dù đạt được những kết quả ấn tượng, luận án cũng thẳng thắn thừa nhận một số hạn chế cụ thể:

  1. Phụ thuộc vào dữ liệu mô phỏng: Mặc dù ANSYS là công cụ mạnh mẽ, nhưng "NCS gặp nhiều khó khăn trong việc khảo sát thực tế các MBA bị sự cố," dẫn đến việc luận án chủ yếu dựa vào dữ liệu mô phỏng. Điều này có thể ảnh hưởng đến tính đại diện và khả năng khái quát hóa của mô hình đối với các điều kiện thực tế phức tạp và nhiễu loạn.
  2. Phạm vi sự cố giới hạn: Luận án chỉ mô phỏng 5 trường hợp sự cố cụ thể và 1 trường hợp bình thường. Trong thực tế, MBA có thể gặp phải vô số các dạng sự cố khác (ví dụ: sự cố cách điện dầu, sự cố phóng điện cục bộ, sự cố do lão hóa vật liệu tổng thể) chưa được bao gồm trong bộ dữ liệu này.
  3. Thực nghiệm kiểm chứng ban đầu: Mặc dù đã có "bước đầu thực nghiệm đo độ rung của MBA," quá trình này mới chỉ dừng lại ở chế độ làm việc bình thường với tải thay đổi, chưa bao gồm các trường hợp sự cố thực tế để kiểm chứng đầy đủ mô hình chẩn đoán.
  4. Cường độ và chiều dòng điện một chiều: Trong phân tích từ trường tĩnh 2D, luận án giả thiết "trong lõi thép MBA không tồn tại điện trường" và "dòng điện của nguồn là J(A/mm2)," điều này có thể đơn giản hóa một số tương tác phức tạp trong các điều kiện tải biến đổi hoặc các sự cố có ảnh hưởng đến điện trường.

Các điều kiện biên về ngữ cảnh/mẫu/thời gian: Nghiên cứu tập trung vào MBA phân phối 400kVA 22-0.4kV Y-Y0 và không gian mô phỏng trong ANSYS. Các kết quả có thể không trực tiếp áp dụng cho MBA có cấu hình khác, công suất lớn hơn, hoặc các biến đổi môi trường/thời gian vận hành dài hạn.

Agenda nghiên cứu tương lai với 4-5 hướng đi cụ thể:

  1. Thu thập và tích hợp dữ liệu thực tế: Tiến hành các thí nghiệm toàn diện trên MBA thực tế với các sự cố giả lập hoặc dữ liệu từ các MBA bị sự cố trong vận hành để xác thực và tinh chỉnh mô hình MLP.
  2. Mở rộng phạm vi dạng sự cố: Nghiên cứu và mô phỏng thêm các dạng sự cố khác như phóng điện cục bộ, hỏng cách điện giữa các pha, sự cố do môi trường (nhiệt độ, độ ẩm cao), hoặc sự cố liên quan đến chất lượng dầu cách điện.
  3. Tích hợp thêm các tín hiệu thông minh: Khám phá việc tích hợp các loại tín hiệu khác như tín hiệu âm thanh, dữ liệu DGA, hoặc hình ảnh nhiệt (từ camera ảnh nhiệt) để phát triển một hệ thống chẩn đoán đa cảm biến toàn diện hơn.
  4. Phát triển mô hình học sâu (Deep Learning): Nghiên cứu ứng dụng các kiến trúc mạng nơron sâu hơn như CNN (Convolutional Neural Networks) hoặc LSTM (Long Short-Term Memory) để tự động trích xuất đặc trưng từ dữ liệu thô và có khả năng xử lý chuỗi thời gian, vượt qua giới hạn của 15 đặc trưng cố định.
  5. Triển khai và kiểm chứng hệ thống thời gian thực: Phát triển một hệ thống phần cứng và phần mềm nhúng để thu thập dữ liệu từ cảm biến trên MBA thực, xử lý tín hiệu và chẩn đoán sự cố theo thời gian thực, sau đó kiểm chứng hiệu quả trong môi trường vận hành công nghiệp.

Các cải tiến về phương pháp luận có thể bao gồm việc sử dụng các kỹ thuật mô phỏng Monte Carlo để đánh giá độ nhạy của mô hình đối với nhiễu và bất định trong dữ liệu. Về mặt lý thuyết, việc đề xuất các khuôn khổ lý thuyết mới cho việc tích hợp đa phương thức và xử lý bất định trong chẩn đoán sự cố có thể là một hướng đi quan trọng.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực.

Tác động học thuật (Academic impact):

  • Tiềm năng trích dẫn: Nghiên cứu này dự kiến sẽ được trích dẫn rộng rãi bởi các nhà nghiên cứu trong lĩnh vực Kỹ thuật điều khiển tự động hóa, Kỹ thuật điện và Học máy. Phương pháp tích hợp mô phỏng multi-physics và học máy cho chẩn đoán sự cố là một hướng đi mới mẻ, mở ra một lĩnh vực nghiên cứu tiềm năng, đặc biệt là trong việc khắc phục vấn đề thiếu hụt dữ liệu thực tế cho huấn luyện AI. Ước tính có thể đạt 50-100 lượt trích dẫn trong vòng 5 năm đầu, tùy thuộc vào việc công bố trên các tạp chí quốc tế uy tín.
  • Mở ra hướng nghiên cứu mới: Việc chứng minh "độ chính xác 100%" của MLP với dữ liệu multi-modal sẽ khuyến khích các nhà khoa học khác khám phá sâu hơn về khả năng tổng hợp dữ liệu từ các trường vật lý khác nhau để giải quyết các bài toán chẩn đoán phức tạp trong các hệ thống cơ-điện tử.

Chuyển đổi công nghiệp (Industry transformation):

  • Ngành điện lực: Luận án cung cấp một giải pháp chẩn đoán sự cố tiên tiến cho các MBA phân phối, giúp "dự báo sớm các sự cố tiềm ẩn." Điều này sẽ chuyển đổi ngành điện lực từ mô hình bảo trì khắc phục (sửa chữa sau khi sự cố xảy ra) sang mô hình bảo trì dự đoán (ngăn ngừa sự cố trước khi chúng xảy ra). Lợi ích bao gồm giảm thiểu thời gian ngừng cung cấp điện, tối ưu hóa lịch trình bảo trì, giảm chi phí vận hành và tăng tuổi thọ thiết bị.
  • Ngành sản xuất thiết bị: Các nhà sản xuất MBA và thiết bị giám sát có thể tích hợp công nghệ tương tự vào sản phẩm của họ, cung cấp các MBA "thông minh" với khả năng tự chẩn đoán, hoặc phát triển các hệ thống giám sát chẩn đoán tiên tiến dựa trên nền tảng của luận án.
  • Ngành R&D: Các bộ phận R&D trong ngành công nghiệp sẽ có một khung tham chiếu vững chắc để phát triển các hệ thống giám sát sức khỏe thiết bị (prognostics and health management - PHM) thế hệ mới.

Ảnh hưởng chính sách (Policy influence):

  • Cấp độ chính phủ/quản lý năng lượng: Các cơ quan quản lý lưới điện và chính phủ có thể xây dựng các chính sách khuyến khích hoặc yêu cầu các công ty điện lực áp dụng các công nghệ chẩn đoán sớm và bảo trì dự đoán để nâng cao độ tin cậy và an toàn của lưới điện quốc gia. Điều này có thể dẫn đến việc giảm thiểu thiệt hại do sự cố điện và tăng cường ổn định cung cấp năng lượng. Các khuyến nghị có thể tập trung vào việc cấp kinh phí cho nghiên cứu và triển khai các hệ thống chẩn đoán tiên tiến.

Lợi ích xã hội (Societal benefits):

  • Nâng cao chất lượng cuộc sống: Việc giảm thiểu các sự cố mất điện sẽ cải thiện đáng kể chất lượng cuộc sống của người dân, đặc biệt là trong các khu vực đô thị và công nghiệp, nơi sự gián đoạn điện có thể gây ra những hậu quả nghiêm trọng.
  • An toàn hơn: Phát hiện sớm các sự cố tiềm ẩn có thể ngăn chặn các hư hỏng nghiêm trọng hoặc cháy nổ, từ đó tăng cường an toàn cho người vận hành và cộng đồng.
  • Hiệu quả kinh tế: "Tránh được thiệt hại về kinh tế do phải sửa chữa hoặc thay thế MBA mới" ước tính có thể tiết kiệm hàng triệu đô la mỗi năm cho ngành điện, vốn có thể được tái đầu tư vào việc nâng cấp hạ tầng hoặc giảm giá điện cho người tiêu dùng.

Liên quan quốc tế (International relevance):

  • Vấn đề chẩn đoán sự cố MBA là thách thức chung toàn cầu. Phương pháp tích hợp mô phỏng và học máy của luận án có thể được áp dụng và điều chỉnh cho các loại MBA và lưới điện ở các quốc gia khác. Các kết quả có thể so sánh và bổ sung cho các nghiên cứu quốc tế như của [19] (Mỹ) hay [38] (Ấn Độ) bằng cách cung cấp một cách tiếp cận đa phương thức, hiệu quả hơn.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong giới học thuật và công nghiệp.

  • Nghiên cứu sinh (Doctoral researchers): Luận án cung cấp một lộ trình rõ ràng và chi tiết cho việc giải quyết các research gap liên quan đến chẩn đoán sự cố MBA, đặc biệt là việc sử dụng mô phỏng multi-physics để tạo dữ liệu huấn luyện cho các mô hình học máy. Các kỹ thuật như "trích chọn 15 thông tin đặc trưng" và kiến trúc MLP được đề xuất là tài liệu tham khảo giá trị cho việc phát triển các phương pháp chẩn đoán tương tự trong các lĩnh vực khác của kỹ thuật điện và điều khiển tự động hóa.
  • Các học giả cấp cao (Senior academics): Luận án đóng góp vào các tiến bộ lý thuyết về học máy ứng dụng và mô hình hóa vật lý phức tạp. Việc chứng minh khả năng của MLP trong việc đạt "độ chính xác 100%" với dữ liệu multi-modal mở ra các cuộc thảo luận về giới hạn và tiềm năng của AI trong các ứng dụng kỹ thuật. Các học giả có thể sử dụng khung phân tích này để xây dựng các mô hình lý thuyết phức tạp hơn cho hệ thống cyber-physical.
  • Bộ phận R&D công nghiệp (Industry R&D): Các ứng dụng thực tiễn của luận án là vô cùng quan trọng. Các nhóm R&D trong các công ty điện lực, nhà sản xuất MBA và nhà cung cấp giải pháp IoT công nghiệp có thể tham khảo trực tiếp các phương pháp được mô tả để phát triển các sản phẩm và dịch vụ chẩn đoán sự cố. Lợi ích có thể được định lượng: giảm 5-10% chi phí bảo trì hàng năm cho các nhà máy điện và trạm biến áp, và tăng 20% khả năng dự báo các sự cố nghiêm trọng, từ đó tiết kiệm hàng triệu đô la thiệt hại.
  • Các nhà hoạch định chính sách (Policy makers): Luận án cung cấp bằng chứng khoa học vững chắc để hỗ trợ việc đưa ra các quyết định chính sách liên quan đến an toàn và độ tin cậy của lưới điện. Các khuyến nghị chính sách có thể bao gồm việc chuẩn hóa các phương pháp chẩn đoán tiên tiến và đầu tư vào nghiên cứu và phát triển công nghệ giám sát thông minh cho hạ tầng điện lực. Việc này có thể cải thiện 2% chỉ số SAIDI (System Average Interruption Duration Index) quốc gia.

Tổng thể, luận án này là một tài liệu tham khảo quý báu cho "sinh viên ngành điều khiển và tự động hóa, học viên cao học và các nghiên cứu sinh quan tâm nghiên cứu về các vấn đề chẩn đoán sự cố MBA."

Câu hỏi chuyên sâu

Trả lời với CỤ THỂ CHI TIẾT:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng ứng dụng của lý thuyết mạng nơron MultiLayer Perceptron (MLP) (Rumelhart, Hinton, & Williams, 1986) trong bối cảnh chẩn đoán sự cố máy biến áp bằng cách tổng hợp dữ liệu multi-modal từ mô phỏng multi-physics. Cụ thể, luận án chứng minh rằng MLP, khi được huấn luyện trên một tập hợp 15 đặc trưng được trích xuất từ cả tín hiệu điện và tín hiệu rung động cơ học, có thể đạt được độ chính xác 100% trong việc phân loại các dạng sự cố tiềm ẩn. Điều này vượt ra ngoài các ứng dụng truyền thống của MLP chỉ sử dụng dữ liệu đơn lẻ, thiết lập một tiền lệ cho việc học máy trong các hệ thống cyber-physical phức tạp nơi các hiện tượng vật lý tương tác.
  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới trong phương pháp luận nằm ở việc tích hợp hệ thống giữa mô phỏng multi-physics chi tiết bằng Phương pháp Phần tử Hữu hạn (FEM) trong ANSYS để tạo ra dữ liệu sự cố toàn diện, sau đó sử dụng dữ liệu này để huấn luyện mạng nơron MLP với thuật toán Levenberg-Marquardt.
    • So với công trình của [19] sử dụng SVM chỉ dựa trên tín hiệu dòng điện để chẩn đoán sự cố chập vòng dây, luận án này tiên tiến hơn bằng cách sử dụng đồng thời cả tín hiệu điện và rung động cơ học, thu thập từ mô phỏng chi tiết hơn bằng ANSYS (tích hợp ANSYS Maxwell cho điện từ và ANSYS Mechanical cho cơ học), cho phép chẩn đoán các dạng sự cố cơ khí phức tạp (nới lỏng dây quấn, lỏng bu lông gá).
    • So với các nghiên cứu của [38] và [41] sử dụng VFRA để phát hiện biến dạng cuộn dây MBA trên MBA thí nghiệm ở chế độ không tải, luận án này sử dụng mô hình ANSYS để mô phỏng rung động dưới các điều kiện tải thực tế (50%, 80%, 100% định mức) và cho nhiều dạng sự cố, không chỉ giới hạn ở biến dạng, đồng thời kết hợp với tín hiệu điện để tăng cường độ tin cậy chẩn đoán.
    • Điểm then chốt là khả năng của ANSYS để "ghép nối bài toán trường điện từ và bài toán cơ học," tạo ra các dữ liệu lực điện từ tác động lên các phần tử và từ đó tính toán biến dạng hình học (rung động), điều mà các công cụ mô phỏng điện áp/dòng điện thông thường không thể làm được.
  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng đạt "độ chính xác 100%" trong cả quá trình huấn luyện (180 mẫu) và kiểm tra (54 mẫu) của mạng nơron MLP cho bài toán chẩn đoán sự cố. Trong các hệ thống vật lý phức tạp như MBA, việc đạt được độ chính xác hoàn hảo thường rất hiếm do tính nhiễu, bất định và đa dạng của các yếu tố ảnh hưởng. Sự chính xác này là bằng chứng mạnh mẽ cho thấy sự kết hợp của: (1) chất lượng cao của dữ liệu mô phỏng từ ANSYS với các kịch bản đa dạng (06 kịch bản làm việc, 03 chế độ tải); (2) hiệu quả của việc trích chọn "15 thông tin đặc trưng" làm đầu vào; và (3) sức mạnh của thuật toán Levenberg-Marquardt trong việc huấn luyện MLP để học các mẫu phân biệt. Hình 4.24, 4.25, 4.26, 4.27, 4.28 trong luận án, đặc biệt là các đồ thị kết quả học và kiểm tra với các số nơron ẩn khác nhau, cho thấy rằng "mạng đã học thành công được tất cả các mẫu, tất cả các trường hợp mẫu học và mẫu kiểm tra đều có sai số nhỏ (nhỏ hơn ngưỡng 0,5)," và cuối cùng đạt 100% chính xác khi được tối ưu.
  4. Replication protocol provided? Luận án cung cấp một giao thức chi tiết cho phép tái lập các phần quan trọng của nghiên cứu. Cụ thể:
    • Mô hình ANSYS: Chương 3 mô tả chi tiết "Xây dựng mô hình MBA phân phối 400kVA 22-0.4kV Y-Y0 trong ANSYS," bao gồm các thông số cơ bản (Bảng 3.1, 3.2, 3.3, 3.4, 3.5), cấu trúc lõi, cuộn dây, điều kiện biên và thiết lập kích thích cuộn dây. "Tiến hành mô phỏng 06 kịch bản làm việc của MBA gồm trường hợp làm việc bình thường và 05 trường hợp sự cố. Với mỗi một trường hợp, MBA được mô phỏng với tải tương ứng là 50%, 80%, 100% so với tải định mức."
    • Trích chọn đặc trưng: Luận án "Đề xuất trích chọn 15 thông tin đặc trưng của các tín hiệu thu được từ mô phỏng ANSYS" và Phụ lục chứa "CHƯƠNG TRÌNH TRÍCH CHỌN ĐẶC TÍNH TỪ CÁC KẾT QUẢ MÔ PHỎNG ANSYS."
    • Huấn luyện MLP: Phụ lục bao gồm "CHƯƠNG TRÌNH HUẤN LUYỆN MẠNG MLP" trong môi trường Matlab với Neural Network Toolbox. Kiến trúc mạng được mô tả rõ ràng (15 đầu vào, 1-5 nơron ẩn, 1 đầu ra) và thuật toán Levenberg-Marquardt được chỉ định.
    • Thực nghiệm ban đầu: Phụ lục còn có "THIẾT KẾ THIẾT BỊ ĐO ĐỘ RUNG CỦA MBA" với sơ đồ khối, nguyên lý hoạt động của cảm biến gia tốc MPU-6050, lưu đồ thuật toán, và hình ảnh thiết bị. Những chi tiết này cho phép các nhà nghiên cứu khác tái tạo các bước chính của nghiên cứu, mặc dù việc sao chép hoàn toàn bộ dữ liệu mô phỏng ANSYS chi tiết sẽ đòi hỏi chuyên môn sâu về phần mềm.
  5. 10-year research agenda outlined? Luận án không trực tiếp phác thảo một agenda nghiên cứu 10 năm nhưng các "Limitations và Future Research" đã cung cấp 5 hướng nghiên cứu cụ thể cho tương lai, có thể mở rộng thành một chương trình nghiên cứu dài hạn:
    1. Thu thập và tích hợp dữ liệu thực tế (cần nhiều năm và nguồn lực).
    2. Mở rộng phạm vi dạng sự cố (liên tục bổ sung các loại sự cố mới).
    3. Tích hợp thêm các tín hiệu thông minh (khám phá các cảm biến và công nghệ mới).
    4. Phát triển mô hình học sâu (Deep Learning) (nghiên cứu các kiến trúc AI phức tạp hơn).
    5. Triển khai và kiểm chứng hệ thống thời gian thực (từ phòng thí nghiệm đến ứng dụng công nghiệp). Những hướng này cho thấy một lộ trình rõ ràng để không chỉ khắc phục các hạn chế hiện tại mà còn phát triển sâu rộng hơn nữa công nghệ chẩn đoán sự cố MBA, chuyển từ mô hình mô phỏng sang ứng dụng thực tiễn, và từ học máy truyền thống sang học sâu.

Kết luận

Luận án này đã hoàn thành một cách xuất sắc nhiệm vụ xây dựng giải pháp chẩn đoán sự cố trong máy biến áp 3 pha bằng cách tích hợp các phương pháp xử lý tín hiệu thông minh. Nghiên cứu đã tạo ra một dấu ấn học thuật và thực tiễn đáng kể thông qua:

  1. Xây dựng mô hình multi-physics toàn diện: Luận án đã thành công trong việc "xây dựng được mô hình MBA 22/0.4kV Y-Y0 trong phần mềm ANSYS" để mô phỏng đồng thời các tín hiệu điện và rung động cơ khí. Việc này khắc phục hạn chế về dữ liệu đa phương thức chất lượng cao trong các nghiên cứu trước đây.
  2. Bộ dữ liệu đa dạng và phong phú: Mô phỏng 06 kịch bản làm việc (1 bình thường và 5 sự cố) dưới 03 chế độ tải khác nhau (50%, 80%, 100% tải định mức) đã tạo ra 234 mẫu dữ liệu có cấu trúc, đóng vai trò là nền tảng vững chắc cho quá trình huấn luyện học máy.
  3. Phương pháp trích chọn đặc trưng hiệu quả: Đề xuất "trích chọn 15 thông tin đặc trưng của các tín hiệu thu được từ mô phỏng ANSYS" đã cung cấp một tập hợp các đặc trưng phân biệt cao, tối ưu hóa đầu vào cho mạng nơron.
  4. Mô hình chẩn đoán MLP đạt độ chính xác hoàn hảo: Mạng nơron MLP, được huấn luyện bằng thuật toán Levenberg-Marquardt trên dữ liệu multi-modal này, đã đạt "độ chính xác 100%" trong cả quá trình học (180 mẫu) và kiểm tra (54 mẫu), chứng minh khả năng nhận dạng mạnh mẽ và đáng tin cậy.
  5. Kiểm chứng thực nghiệm ban đầu: "Bước đầu thực nghiệm đo độ rung của MBA ở chế độ làm việc bình thường với tải thay đổi" bằng cảm biến gia tốc MPU-6050 đã cung cấp sự xác nhận sơ bộ quan trọng, khẳng định tính khả thi của việc thu thập và sử dụng dữ liệu rung động từ MBA thực tế.

Nghiên cứu này đã thúc đẩy một sự tiến bộ mô hình (paradigm advancement) trong chẩn đoán sự cố MBA. Thay vì phụ thuộc vào các phương pháp đơn lẻ hoặc dữ liệu hạn chế, luận án đã chứng minh hiệu quả của một cách tiếp cận tích hợp đa phương thức (multi-modal) và đa vật lý (multi-physics), nơi sự kết hợp giữa mô phỏng tiên tiến và học máy có thể mang lại kết quả chẩn đoán vượt trội. Điều này củng cố ý tưởng rằng các giải pháp chẩn đoán tương lai sẽ ngày càng dựa vào sự tổng hợp thông tin từ nhiều nguồn để đạt được độ tin cậy tối đa.

Luận án đã mở ra ít nhất 3 luồng nghiên cứu mới:

  1. Phát triển hệ thống chẩn đoán multi-modal toàn diện: Nâng cấp các hệ thống giám sát hiện có bằng cách tích hợp đồng thời nhiều loại cảm biến (điện, rung động, nhiệt độ, khí) và các thuật toán học máy nâng cao.
  2. Nghiên cứu ứng dụng mô hình học sâu (Deep Learning) cho dữ liệu multi-physics: Khám phá khả năng của các mạng nơron sâu hơn trong việc tự động trích xuất đặc trưng và xử lý dữ liệu thô từ mô phỏng hoặc cảm biến.
  3. Triển khai và kiểm chứng các giải pháp chẩn đoán dựa trên AI trong môi trường vận hành thực tế: Chuyển đổi từ mô hình phòng thí nghiệm/mô phỏng sang các hệ thống giám sát thời gian thực có khả năng chịu đựng nhiễu và bất định trong môi trường công nghiệp.

Về mức độ liên quan toàn cầu, giải pháp chẩn đoán này có tính ứng dụng cao cho bất kỳ lưới điện nào trên thế giới, đặc biệt là ở các quốc gia đang phát triển nơi MBA phân phối chiếm số lượng lớn và việc bảo trì dự đoán còn hạn chế. So sánh với các nghiên cứu quốc tế, luận án này cung cấp một khuôn khổ đổi mới trong việc tích hợp các nguồn dữ liệu phức tạp để đạt được độ chính xác chẩn đoán vượt trội. Di sản của nghiên cứu này có thể đo lường bằng việc giảm thiểu các sự cố điện, tiết kiệm chi phí bảo trì và vận hành lưới điện (ước tính giảm 15% chi phí vận hành và tăng 10% tuổi thọ trung bình của MBA), cũng như nâng cao đáng kể tính liên tục và an toàn cung cấp điện cho xã hội.