Chẩn đoán lỗi máy biến áp sử dụng GeNIe Modeler
Chẩn đoán lỗi là một khâu quan trọng đối với các kỹ thuật viên và kỹ sư trong việc phát hiện, cách ly và
nhận dạng sự cố của các hệ thống. Trước kia, chẩn đoán và dự báo lỗi chủ yếu dựa trên các mô hình giải
tích và kinh nghiệm chuyên gia. Tuy nhiên, trong thực tế, việc xây dựng một mô hình giải tích cho một quá
trình chẩn đoán lỗi là khó khăn hay không thể thực hiện được. Hơn thể nữa, khi một hệ thống có một mức
độ của sự không chắc chắn, thì cần thiết phải có một công cụ toán học để kiểm soát được vấn đề này. Các
mạng Bayes là các mô hình đồ họa xác suất đối phó hiệu quả với sự không chắc chắn và được sử dụng
rộng rãi trong chẩn đoán lỗi. Gần đây, có một số công cụ miễn phí và thương mại được phát triển cho việc
mô hình hóa và suy luận lỗi của các hệ thống dựa trên mạng Bayes. Bài báo này trình bày việc sử dụng
mạng Bayes trong môi trường GeNIe Modeler và kỹ thuật phân tích khí hòa tan để phát triển các mô hình
chẩn đoán lỗi của máy biến áp dầu.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Tóm tắt nội dung tài liệu: Chẩn đoán lỗi máy biến áp sử dụng GeNIe Modeler
tượng không khởi động được của laptop. Câu hỏi này được trả lới bằng cách tính các xác suất bằng các phương trình toán học sau đây. Tính toán xác suất: Giả thiết ta cần tính các xác suất có điều kiện P B loaded | S True và P M deg raded | S True . Quan hệ giữa các xác suất có điều kiện và xác suất liên kết được xác định theo phương trình sau: , | |P a b P a b P b P b a P a (2) Phương trình (2) dẫn đến công thức Bayes nổi tiếng như sau: | | P b a P a P a b P b (3) Phương trình (2) có thể được biểu diễn dưới dạng tổng quát như sau: | , | | , | P b a c P a c P a b c P b c (4) Theo phương trình (1) ta có: P B loaded | S True P B loaded,S True P S True M ok ,deg raded M ok ,deg raded S true, fault P S True,M ,B loaded P S True,M ,B (5) Tử số của phân số (5) là tổng của hai xác suất kết hợp như sau: M ok ,deg raded P S True,M ,B loaded P S True,M ok ,B loaded P S True,M deg raded ,B loaded Trong đó: 0 05 0 95 0 9 0 0428 P S True,M ok ,B loaded P S True | M ok ,B loaded P M ok | B loaded P B loaded , , , , 0 9 0 05 0 9 0 0405 P S True,M deg raded ,B loaded P S True | M deg raded ,B loaded P M deg raded | B loaded P B loaded , , , , Mẫu số của phân số (5) là tổng của bốn xác suất kết hợp như sau: M ok ,deg raded S true, fault P S True,M ,B P S True,M ok ,B loaded P S True,M deg raded ,B loaded P S True,M ok ,B not _ loaded P S True,M deg raded ,B not _ loaded Trong đó: 0 0428P S True,M ok ,B loaded , 0 0405P S True,M deg raded ,B loaded , 1 0 95 0 1 0 095 P S True,M ok ,B not _ loaded P S True | M ok ,B not _ loaded P M ok | B not _ loaded P B not _ loaded , , , Tạp chí Khoa học và Công nghệ 145 (2020) 007-013 10 1 0 05 0 1 0 005 P S True,M deg raded ,B not _ loaded P S True | M deg raded ,B not _ loaded P M deg raded | B not _ loaded P B not _ loaded , , , Cuối cùng ta có: 0 0428 0 0405 0 0428 0 0405 0 095 0 005 0 4543 P B loaded | S True , , , , , , , 1 0 4543 0 5457P B not _ loaded | S True , , Tương tự, ta tính được các xác suất điều kiện như sau: 0 7517P M ok | S True , 0 2483P M deg raded | S True , Từ các xác suất được tính toán ở trên, ta có nhận xét như sau: Khi quan sát thấy bằng chứng là laptop không khởi động được ( S True ), xác suất của pin được nạp là 0,4543 và xác suất của pin không được nạp là 0,5457. Do đó, nguyên nhân làm cho laptop không khởi động được có thể là do pin không được nạp (do xác suất của pin không được nạp cao hơn xác suất pin được nạp). Tương tự, khi quan sát thấy bằng chứng là laptop không khởi động được ( S True ), xác suất của bo mạch mẹ bình thường là 0,7517 và xác suất của bo mạch mẹ xuống cấp là 0,2483. Do đó, nhiều khả năng bo mạch mẹ vẫn bình thường (do xác suất của bo mạch mẹ bình thường cao hơn xác suất bo mạch mẹ bị xuống cấp). 3. GeNIe Modeler GeNIe Modeler là một phần mềm phát triển bởi công ty BayesFusion, LLC (Hoa Kỳ). Phần mềm này có thể tải về miễn phí từ địa chỉ sau: https://www.bayesfusion.com/downloads/ Với một giao diện đồ họa, người sử dụng có thể phát triển các ứng dụng phức tạp của mạng Bayes trong GeNIe Modeler với các bước suy luận như đã đề cập trong phần 2 mà không mất nhiều thời gian phải làm quen với công cụ này. GiNIe Modeler có thể được xem như là một công cụ lý tưởng để triển khai các mô hình chẩn đoán lỗi của các hệ thống sử dụng mạng Bayes bao gồm chẩn đoán lỗi của thiết bị điện như máy biến áp dầu sẽ đề cập chi tiết trong phần sau. Tính năng của GeNIe Modeler bao gồm: Trình soạn thảo đồ họa để tạo / tìm hiểu / tinh chỉnh các mô hình mạng. Hoàn thành tích hợp với MS Excel, cắt và dán dữ liệu vào chế độ xem bảng tính nội bộ của GeNIe. Mở nhiều mạng và cắt và dán các phần của mô hình giữa chúng. Xử lý dữ liệu linh hoạt, bao gồm nhập từ cơ sở dữ liệu bên ngoài. Bao gồm các thuật toán học cấu trúc và tham số. Hỗ trợ các nút phương trình và phân phối xác suất liên tục trong các mô hình liên tục và lai. Hỗ trợ quản lý trường hợp (lưu và truy xuất nhiều bộ bằng chứng). Tương thích chéo với các phần mềm khác. Hỗ trợ tất cả các loại tệp mạng Bayes chính (ví dụ: Hugin, Netica, Ergo). Hình 2 là mạng Bayes trong GeNIe cho bài toán không khởi động được của một laptop. Sau khi quan sát được hiện tượng laptop không khởi động được ( S True ), GeNIe Modeler cho phép tính được xác suất có điều kiện như Hình.2: 75P M ok | S True % 25P M deg raded | S True % 45P B loaded | S True % 55P B not _ loaded | S True % Hình 2. Mạng Bayes trong GeNIe Modeler. 4. Ứng dụng của GeNIe Modeler trong chẩn đoán lỗi máy biến áp dầu Máy biến áp là một thiết bị điện quan trọng trong các hệ thống truyền tải và phân phối điện. Để cải thiện độ tin cậy của máy biến áp và giảm chi phí cho công tác bảo trì, các kỹ thuật chẩn đoán và theo dõi là rất cần thiết. Dây quấn của máy biến áp bao gồm cách điện bằng giấy được ngâm trong dầu cách điện, do đó các cách điện giấy và dầu cách điện được xem như là đối tượng chính dùng cho việc phát hiện các sự cố. Phân tích khí hòa tan của dầu cách điện máy biến áp được xem như là một kỹ thuật hiển thị tốt nhất về điều kiện tổng thể của một máy biến áp và được sử dụng rộng rãi nhất trong chẩn đoán lỗi của Tạp chí Khoa học và Công nghệ 145 (2020) 007-013 11 máy biến áp. Do các ứng xuất nhiệt và điện, sự phân ly của giấy và dầu dẫn tới các lỗi nghiêm trọng. Một số khí thoát ra do quá trình phân ly làm giảm cường độ cách điện và khả năng giảm nhiệt của dầu máy biến áp. Ethane (C2H6), methane (CH4), hydrogen (H2), acetylene (C2H2) và ethylene (C2H4) là các khí tạo ra do phân ly của dầu. Carbon dioxide (CO2) và carbon monoxide (CO) được tạo ra do phân ly của giấy. Các lỗi bên trong của máy biến áp có thể được chia thành hai nhóm: (1) nhóm các lỗi nhiệt và (2) nhóm các lỗi điện. Nhóm các lỗi nhiệt: Lỗi dầu (C2H4, C2H6), giấy (CO, CO2). Nhóm các lỗi điện: Phóng điện cục bộ (H2, CH4), hồ quang (C2H2). Ngoại trừ khí CO và CO2, các khí còn lại sinh ra do sự phân ly của dầu. Tỷ lệ CO/CO2 có thể được sử dụng để đánh giá sự xuống cấp của cách điện giấy. Phương pháp tam giác Duval là một công cụ phân tích khí hòa tan được xây dựng bằng kinh nghiệm từ đầu những năm 1970 và được sử dụng bởi IEC. Phương pháp này đã chứng tỏ được hiệu quả và do đó được sử dụng rộng rãi. Bảng 2. Các kiểu lỗi và các mã kết hợp Kiểu lỗi Mã Phóng điện cục bộ PD Phóng điện năng lượng thấp D1 Phóng điện năng lượng cao D2 Các lỗi nhiệt T<300oC T1 Các lỗi nhiệt 300oC<T<700oC T2 Các lỗi nhiệt T>700oC T3 Hỗn hợp của các lỗi điện và nhiệt DT Hình 3. Tam giác Duval. Phương pháp tam giác Duval sử dụng các giá trị của ba khí: CH4, C2H2 và C2H4 và vị trí của chúng trong một tam giác như Hình.3. Bên trong tam giác có bảy vùng lỗi bao gồm lỗi phóng điện cục bộ, các lỗi nhiệt với các dải nhiệt độ khác nhau và hồ quang điện. Các kiểu lỗi và các mã kết hợp được trình bày trong Bảng 2. Các công thức sau đây xác định ba tọa độ của tam giác Duval dựa trên kết quả phân tích khí: 2 2 100 a C H % a b c (6) 2 4 100 b C H % a b c (7) 4 100 c CH % a b c (8) Trong đó: 2 2a C H ppm , 2 4b C H ppm , 4c CH ppm Bảng 3 là các giới hạn các vùng trong tam giác Duval. Để tìm các lỗi dùng tam giác Duval, trước tiên chúng ta tính phần trăm của các khí theo (6), (7) và (8). Tiếp đó, vẽ đường thẳng của đại lượng 4%CH song song với cạnh 2 2C H , vẽ đường thẳng của đại lượng 2 4%C H song song với cạnh 4CH và vẽ đường thẳng 2 2%C H song song với cạnh 2 4C H . Giao của ba đường sẽ xác định lỗi cho các kết quả phân tích khí hòa tan trong máy biến áp. Bảng 3. Giới hạn các vùng lỗi trong tam giác Duval PD 498%CH 4100%CH D1 2 423%C H 2 213%C H 2 2100%C H D2 2 423%C H 2 440%C H 2 213%C H 2 229%C H T1 2 24%C H 2 420%C H T2 2 24%C H 2 420%C H 2 450%C H T3 2 215%C H 2 450%C H 2 4100%C H DT 2 24%C H 2 213%C H 2 215%C H 2 229%C H 2 440%C H 2 450%C H Theo các giá trị tính theo phần trăm của giới hạn của các vùng lỗi (từ Bảng 3), ta có thể định nghĩa các trạng thái của ba khí như Bảng 4. Cấu trúc của một mạng Bayes dùng để chẩn đoán lỗi sẽ có dạng như Hình 4. Mạng có 3 biến đầu vào ứng với các phần trăm của ba khí và có 7 biến đầu ra ứng với 7 loại sự cố khác nhau. Các trạng thái khác nhau của 3 biến đầu vào có thể quan sát được hay nói cách khác các bằng chứng của các đầu vào có thể thu được qua tam giác Duval. Đối với các biến đầu vào (các biến cha mẹ), các xác suất cận biên trước có thể thu được từ kinh nghiệm hoặc kiến thức Tạp chí Khoa học và Công nghệ 145 (2020) 007-013 12 chuyên gia. Đối với các biến đầu ra (các biến con), các bảng xác suất điều kiện trước được xác định từ Bảng 3 và Bảng 4. Bảng 4. Định nghĩa các trạng thái của ba khí Trạng thái (state) 4%CH 2 2%C H 2 4%C H 0 0-98 0-4 0-20 1 98-100 4-13 20-23 2 13-15 23-40 3 15-29 40-50 4 29-100 50-100 Từ Bảng 4, ta có thể định nghĩa các bảng xác suất có điều kiện ví dụ cho biến PD (phóng điện cục bộ) như Bảng 5. Do biến PD chỉ phụ thuộc vào hai trạng thái của 4%CH cho nên xác suất của PD chỉ phụ thuộc vào trạng thái 0 và trạng thái 1. Như vậy, xác suất lỗi PD bằng 0 ứng với trạng thái 0 của 4%CH và xác suất PD bằng 1 ứng với trạng thái 1 của 4%CH . Từ Bảng 3 ta thấy giới hạn vùng D1 trong tam giác Duval bao gồm: 2 423%C H sẽ ứng với trạng thái 0 và trạng thái 1 của 2 4%C H (theo Bảng 4). 2 2 13%C H và 2 2 100%C H sẽ ứng với trạng thái 1 hoặc 2 hoặc 3 hoặc 4 (theo Bảng 4). Bảng 5. Bảng xác suất có điều kiện của biến PD 4%CH Trạng thái 0 Trạng thái 1 2 2%C H Tất cả các trạng thái Tất cả các trạng thái 2 4%C H Tất cả các trạng thái Tất cả các trạng thái PD Đúng 0 1 Sai 1 0 Bảng 6. Bảng xác suất có điều kiện của biến D1 4%CH Trạng thái 0 Trạng thái 1 2 2%C H Trạng thái 2 hoặc 3 hoặc 4 Tất cả các trạng thái 2 4%C H Trạng thái 0 hoặc 1 Tất cả các trạng thái D1 Đúng 1 0 Sai 0 1 Bảng 7. Bảng xác suất có điều kiện của biến D2 4%CH Trạng thái 0 Trạng thái 1 2 2%C H Trạng thái 2 hoặc 3 Trạng thái 4 Tất cả các trạng thái 2 4%C H Trạng thái 2 Trạng thái 2 hoặc 3 hoặc 4 Tất cả các trạng thái D2 Đúng 1 1 0 Sai 0 0 1 Từ các trạng thái thu được cho biến D1, ta xây dựng được bảng xác suất có điều kiện trước của biến D1 như Bảng 6. Bảng 8. Bảng xác suất có điều kiện của biến T1 4%CH Trạng thái 0 Trạng thái 1 2 2%C H Trạng thái 0 Tất cả các trạng thái 2 4%C H Trạng thái 0 Tất cả các trạng thái T1 Đúng 1 0 Sai 0 1 Bảng 9. Bảng xác suất có điều kiện của biến T2 4%CH Trạng thái 0 Trạng thái 1 2 2%C H Trạng thái 0 Tất cả các trạng thái 2 4%C H Trạng thái 1 hoặc 2 hoặc 3 Tất cả các trạng thái T2 Đúng 1 0 Sai 0 1 Bảng 10. Bảng xác suất có điều kiện của biến T3 4%CH Trạng thái 0 Trạng thái 1 2 2%C H Trạng thái 0 hoặc 1 hoặc 2 Tất cả các trạng thái 2 4%C H Trạng thái 4 Tất cả các trạng thái T3 Đúng 1 0 Sai 0 1 Bảng 11. Bảng xác suất có điều kiện của biến DTf 4%CH Trạng thái 0 Trạng thái 1 2 2%C H Trạng thái 1 Trạng thái 2 Trạng thái 3 Tất cả các trạng thái 2 4%C H Trạng thái 0 hoặc 1 hoặc 2 hoặc 3 Trạng thái 3 Trạng thái 3 hoặc 4 Tất cả các trạng thái DT Đúng 1 1 1 0 Sai 0 0 0 1 Bảng 12. Các xác suất trước của ba khí Khí Trạng thái Xác suất (%) 4%CH Trạng thái 0 85,71 Trạng thái 1 14,28 2 2%C H Trạng thái 0 71,42 Trạng thái 1 7,14 Trạng thái 2 14,28 Trạng thái 3 0 Trạng thái 4 7,14 2 4%C H Trạng thái 0 35,17 Trạng thái 1 21,42 Trạng thái 2 35,71 Trạng thái 3 0 Trạng thái 4 7,14 Tạp chí Khoa học và Công nghệ 145 (2020) 007-013 13 Bằng cách lập luận tượng tự, ta thu được các Bảng 7, 8, 9, 10 và 11 là các bảng xác suất có điều kiện trước của 5 biến còn lại bao gồm D2, T1, T2, T3 và DT. Ví dụ nếu %C2H2 bao gồm tất cả các trạng thái (từ trạng thái 0 đến trạng thái 4), %C2H4 bao gồm tất cả các trạng thái (từ trạng thái 0 đến trạng thái 4) và %CH4 chỉ bao gồm trạng thái 0 thì lỗi không phải là PD (phóng điện cục bộ). Chúng ta giả thiết các xác suất cận biên của ba biến đầu vào có dạng như Bảng 12 [5]. Hình.5 là một mạng Bayes với giao diện cột xác suất trong GeNIe Modeler dùng để chẩn đoán lỗi của máy biến áp. Thông số xác suất của 7 nút con ứng với 7 lỗi của máy được xác định theo Bảng 5, 6, 7, 8, 9, 10 và 11. Xác suất trước của 3 nút mẹ được xác định theo thực nghiệm [5]. Từ kết quả suy luận của mạng Bayes trong GeNIe Modeler ta thấy xác suất của biến T2 với trạng thái Đúng (True) là cao nhất với giá trị bằng 35%. Do đó, nhiều khả năng sự cố bắt nguồn từ các lỗi nhiệt nằm trong dải nhiệt độ từ 300oC đến 700 oC. Hình 4. Mạng Bayes cho tam giác Duval trong GeNIe Modeler. Hình 5. Mạng Bayes cho tam giác Duval với giao diện của các cột xác suất trong GeNIe Modeler. 5. Kết luận Tính mới về khoa học của bài báo là ứng dụng thành công một lý thuyết của trí tuệ nhân tạo (mạng Bayes) để chẩn đoán lỗi của máy biến áp dầu với kỹ thuật phân tích khí hòa tan. Mạng Bayes có thể sử dụng để dự báo khả năng của các lỗi của các hệ thống ở dưới dạng các xác suất của một cấu trúc mạng nhân quả. Hướng nghiên cứu tiếp theo của nghiên cứu này là ứng dụng phần mềm GeNIe Modeler với các phương pháp học cấu trúc và học tham số để từ đó có thể áp dụng cho chẩn đoán lỗi hiệu quả cho các đối tượng nghiên cứu khác. Thêm vào đó, kết quả của phương pháp đề cập trong bài báo này cần được so sánh với các kết quả của phương pháp khác bao gồm cả thực nghiệm. Lời cảm ơn Nghiên cứu này được tài trợ bởi Trường Đại học Bách khoa Hà Nội (HUST) trong đề tài mã số T2018- PC-063. Tài liệu tham khảo [1] S.X.Ding, Model-based Fault Diagnosis Techniques- Design Schemes, Algorithms, and Tools, 2008 Springer-Verlag Berlin Heidenberg, ISBN 978-3-540- 76303-1. [2] Qi-Ping Yang, Meng-Qun Li, Xue-Yun Mu, Jun Wang, Application of Artificial Intelligence (AI) in Power Transformer Fault Diagnosis, 2009 International Conference on Artificial Intelligence and Computational Intelligence. [3] Xiaodong Yu, Hongzhi Zang, Transfomer fault diagnosis based on rough sets theory and artificial neural networks, 2008 International Conference on Condition Monitoring and Diagnosis. [4] Wang Yongqiang, Lu Fangcheng, Li Heming, The Fault Diagnosis Method for Electrical Equipment Using Bayesian Network, 2009 First International Workshop on Education Technology and Computer Science. [5] Abdelaziz Lakehal, Fouad Tachi, Hocine Cheghib, A new contribution for fault prediction of electrical power transformers, 2017 6th International Conference on Systems and Control (ICSC). [6] GeNIE: https://www.bayesfusion.com/genie/
File đính kèm:
- chan_doan_loi_may_bien_ap_su_dung_genie_modeler.pdf