Nhằm khắc phục những hạn chế đó, nghiên cứu này đề xuất áp dụng thuật toán học máy (Machine Learning) để phát hiện sớm các bất thường thiết bị. Mô hình được lựa chọn là hồi quy tuyến tính đa biến kết hợp điều chuẩn Elastic Net, do có khả năng xử lý hiệu quả hiện tượng đa cộng tuyến giữa các biến đầu vào, đồng thời cân bằng giữa độ chính xác và khả năng giải thích mô hình. Mô hình này sử dụng mối tương quan giữa các tín hiệu vận hành trong điều kiện thiết bị hoạt động bình thường để dự đoán chính xác giá trị mục tiêu. Khi xảy ra sai lệch đáng kể giữa giá trị dự đoán và giá trị đo, hệ thống sẽ nhận diện và phát cảnh báo bất thường. Mô hình được huấn luyện và kiểm thử trên tập dữ liệu lịch sử được thu thập từ PI System của NMNĐ Vĩnh Tân 2, với thiết bị nghiên cứu là Quạt khói – một máy điện quay công suất lớn hoạt động trong môi trường khắc nghiệt.

Trong giai đoạn vận hành thử nghiệm từ đầu năm 2024, mô hình đã phát hiện sớm sự bất thường của nhiệt độ gối đỡ quạt khói trước khi vượt ngưỡng Alarm, giúp đơn vị vận hành chủ động xử lý bằng các biện pháp phù hợp như chạy thêm quạt làm mát gối đỡ, bơm bổ sung mỡ và theo dõi liên tục. Nhờ đó, thiết bị duy trì vận hành ổn định cho đến kỳ bảo dưỡng kế tiếp mà không phát sinh sự cố.

Nghiên cứu khẳng định hiệu quả của mô hình ML trong giám sát thiết bị quay, mở ra hướng tiếp cận mới cho công tác bảo trì dự đoán trong ngành điện, góp phần nâng cao độ tin cậy, tối ưu hóa chi phí và giảm thiểu thời gian dừng máy không mong muốn.

Xem toàn bộ bài tại đây

Nguyễn Duy Khánh, Nguyễn Văn Đạt, Trần Như Trí Tuệ - Công ty EPS