Xây dựng mô hình chẩn đoán trạng thái kỹ thuật hệ thống VSC trên ô tô.

Nội dung tài liệu: Xây dựng mô hình chẩn đoán trạng thái kỹ thuật hệ thống VSC trên ô tô.

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI TRẦN QUANG HÀ XÂY DỰNG MÔ HÌNH CHẨN ĐOÁN TRẠNG THÁI KỸ THUẬT HỆ THỐNG VSC TRÊN Ô TÔ Chuyên ngành: Kỹ thuật Cơ khí động lực Mã số: 62520116 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT CƠ KHÍ ĐỘNG LỰC Hà Nội - 2017
2. Công trình được hoàn thành tại: TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Người hướng dẫn khoa học: 1. PGS.TS Phạm Hữu Nam 2. TS Chu Mạnh Hùng Phản biện 1: PGS.TS Nguyễn Văn Tần Phản biện 2: PGS.TS Đào Mạnh Hùng Phản biện 3: PGS.TS Lê Văn Học Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Trường họp tại Trường Đại học Bách khoa Hà Nội. Vào hồi . giờ, ngày tháng năm Có thể tìm hiểu luận án tại thư viện: 1. Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội 2. Thư viện Quốc gia Việt Nam
3. MỞ ĐẦU 1. Tính cấp thiết của đề tài Số lượng và chủng loại xe ô tô hiện đại chiếm tỷ lệ lớn trong số các xe ô tô sử dụng trong nước hiện nay.Trên ô tô hiện đại, các hệ thống có ĐKĐT lại thường là các hệ thống chính của xe (như hệ thống cấp nhiên liệu cho động cơ, hệ thống đảm bảo an toàn chuyển động (hệ thống phanh, hệ thống lái) Do cấu trúc các hệ thống có ĐKĐT phức tạp hơn nhiều so với các hệ thống thuần cơ khí trên ô tô trước đây, thêm nữa, các lỗi xảy ra trong hệ thống lại thường tập trung vào phần “điều khiển điện tử” nên chẩn đoán TTKT các hệ thống có ĐKĐT khác với các hệ thống thuần cơ khí (trên các ô tô thế hệ cũ) là phải có thêm chẩn đoán TTKT của phần điều khiển điện tử. Phần chẩn đoán này là khâu rất quan trọng và thường phải thực hiện trước tiên trong quy trình chẩn đoán kỹ thuật, sửa chữa xe. Các phương pháp sử dụng trong chẩn đoán các hệ điều khiển điện tử trên ô tô chưa được nghiên cứu nhiều nên việc nghiên cứu xây dựng mô hình chẩn đoán phát hiện lỗi trong các hệ thống có ĐKĐT trên ô tô là rất cần thiết để có thể làm cơ sở khoa học cho việc chủ động thiết kế chế tạo các hệ thống chẩn đoán của công nghiệp ô tô trong nước thay vì bị động mua, cũng như khai thác các thiết bị chẩn đoán nhập ngoại. 2. Nội dung nghiên cứu Nghiên cứu lý thuyết: phân tích lựa chọn phương pháp chẩn đoán phát hiện lỗi các hệ thống có ĐKĐT trên ô tô; nghiên cứu cơ sở khoa học của sử dụng logic mờ Takagi-Sugeno (T-S) trong mô tả các hệ thống có ĐKĐT trên ô tô; Xây dựng mô hình chẩn đoán phát hiện lỗi các hệ thống có điều khiển điện tử bằng mờ T-S. Nghiên cứu thực nghiệm: tiến hành thử nghiệm đánh giá TTKT của hệ thống VSC trên xe Toyota Camry thông qua các trị số đo của các cảm biến của hệ thống: cảm biến góc quay vành lái, cảm biến gia tốc bên, tốc độ góc quay thân xe và tốc độ chuyển động của ô tô trên đường vòng. 3. Ý nghĩa khoa học và thực tiễn - Ý nghĩa khoa học của đề tài: Việc lựa chọn phương pháp chẩn đoán TTKT cũng như xây dựng mô hình chẩn đoán phát hiện trạng thái làm việc có lỗi của các hệ thống có ĐKĐT trên ô tô sẽ là cơ sở khoa học cho phương pháp luận chung cũng như cho thiết kế, chế tạo các hệ thống, thiết bị chẩn đoán TTKT ô tô. Luận án đã sử dụng một công cụ tiến bộ là hệ suy diễn mờ Takagi-Sugeno để xây dựng mô hình chẩn đoán TTKT các hệ thống có ĐKĐT trên xe ô tô hiện đại. Việc xây dựng được mô hình cũng như tự thiết kế chế tạo bộ thu thập dữ liệu từ ECU, xây dựng phần mềm chẩn đoán phát hiện lỗi của hệ thống VSC sẽ góp phần nâng cao năng lực chủ động trong thiết kế, chế tạo các trang thiết bị chẩn đoán của ngành công nghệp ô tô trong nước. - Ý nghĩa thực tiễn, cấp thiết của đề tài: Mô hình bao gồm bộ thu thập dữ liệu từ ECU, phần mềm chẩn đoán có thể sử dụng để chẩn đoán phát hiện trạng thái làm việc có lỗi của hệ thống VSC trên xe Toyota Camry phục vụ thiết thực cho công việc sửa chữa ô tô tại các xưởng sửa chữa xe. Trên cơ sở mô hình chẩn đoán đã đề xuất có thể thiết kế, chế tạo các thiết bị chẩn đoán phục vụ cho nhu cầu chẩn đoán sửa chữa ô tô trong nước một cách chủ động; giảm mức độ phụ thuộc vào các trang thiết bị nhập ngoại. Trong điều kiện ngành Công nghiệp sản xuất ô tô trong nước đang có tiềm năng phát triển, nhờ chính sách hỗ -1-
4. trợ của Nhà nước, việc chủ động về phương pháp luận, thiết kế, chế tạo thiết bị chẩn đoán phục vụ khai thác, sửa chữa các xe ô tô trong nước sản xuất là nhu cầu thiết thực và cấp thiết. 4. Các điểm mới của luận án Phương pháp chẩn đoán phát hiện lỗi trên cơ sở mô hình cấu trúc có nguyên lý và cách thiết kế khác so với các phương pháp chẩn đoán phát hiện lỗi trên cơ sở dữ liệu thống kê thường sử dụng trong chẩn đoán và sửa chữa ô tô hiện nay. Phương pháp này cho phép sử dụng các quan hệ vật lý, các kiến thức đã biết về hệ thống để xây dựng mô hình chẩn đoán, giảm được khối lượng và thời gian tiến hành thu thập các số liệu thống kê, kinh nghiệm về các lỗi, các TTKT khác nhau của hệ thống trong quá trình sử dụng. Sử dụng bộ quan sát mờ cho phép mô tả hệ thống hiệu quả hơn trong trường hợp hệ thống phi tuyến, các dữ liệu không được đầy đủ hoặc phải quan sát từ thực nghiệm. Đặc biệt trong luận án sử dụng công cụ hệ mờ T-S. Công cụ này cho phép kết hợp sử dụng các quan hệ vật lý đã biết về hệ thống VSC (biểu diễn quan hệ toán học giữa các thông số) và các số liệu đo đạc thống kê nhờ đó giảm bớt được khối lượng thống kê, đo đạc thu thập dữ liệu khi xây dựng mô hình hệ thống. 5. Cấu trúc của luận án Luận án bao gồm 113 trang, phần mở đầu (4 trang); chương 1. Tổng quan vấn đề nghiên cứu (32 trang); chương 2. Cơ sở lý thuyết để xây dựng mô hình chẩn đoán phát hiện lỗi bằng mờ Takagi-Sugeno (21 trang); chương 3. Xây dựng mô hình để chẩn đoán phát hiện trạng thái làm việc có lỗi của hệ thống VSC trên xe TOYOTA Camry (29 trang); Chương 4. Nghiên cứu thực nghiệm (26 trang); Kết luận chung và các kiến nghị (1 trang). Các tài liệu tham khảo được sử dụng trong luận án (53 tài liệu). Danh mục các công trình NCKH và bài báo liên quan đến nội dung luận án đã công bố (5 công trình); Phần các phụ lục (4 phụ lục) Các bảng biểu (13) và đồ thị hình vẽ (115). CHƯƠNG 1. TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 1.1. Đặc điểm chẩn đoán TTKT các hệ thống có ĐKĐT trên ô tô Chẩn đoán TTKT là phương pháp sử dụng các cảm biến, trang thiết bị đo các thông số làm việc của hệ thống để đánh giá TTKT mà không làm gián đoạn sự làm việc. Nhiệm vụ đầu tiên của chẩn đoán là xác định thống làm việc bình thường hay có xuất hiện lỗi. Phát hiện hệ thống có lỗi là bước đầu tiên của chẩn đoán, bước tiếp theo là xác định vị trí, nguyên nhân gây ra lỗi. Để đánh giá TTKT của ô tô có trang bị ĐKĐT thì phương pháp tối ưu là sử dụng ngay các cảm biến có sẵn của hệ thống trên xe tích hợp các thiết bị đo, phân tích xử lý dữ liệu trong quá trình chẩn đoán đánh giá TTKT các hệ thống trên xe mà không làm gián đoạn sự làm việc của hệ thống. Tính ưu việt của phương pháp này là có thể đánh giá TTKT, phát hiện hư hỏng mà không cần tháo rời hoặc làm gián đoạn sự làm việc. Phương pháp chẩn đoán này là khách quan. 1.2. Phân tích các phương pháp phát hiện lỗi trong hệ thống có ĐKĐT - Lỗi được định nghĩa là độ sai lệch quá mức cho phép của ít nhất một thông số cấu trúc (thông số làm việc) của hệ thống so với các giá trị chuẩn (hoặc giá trị cho phép) của nó. Lỗi là một trạng thái mà nếu vẫn để hệ thống tiếp tục làm việc (với trạng thái đó) có thể dẫn đến sự cố hoặc làm hư hỏng của hệ thống. Mục tiêu đầu tiên của chẩn đoán TTKT một hệ thống là xác định xem sự làm việc của hệ thống là bình -2-
5. thường hay có lỗi. - Công việc chẩn đoán có thể phân chia ra hai bước (hai thủ tục), bao gồm: phát hiện trạng thái lỗi và xác định vị trí xảy ra lỗi. + Phát hiện trạng thái lỗi là thủ tục nhằm phát hiện sự sai lệch quá mức cho phép của ít nhất một thông số làm việc của hệ thống. + Xác định vị trí xảy ra lỗi là thủ tục nhằm khoanh vùng vị trí xảy ra lỗi, đánh giá tính chất, mức độ của lỗi. - Phân tích chọn phương pháp phát hiện lỗi trong hệ thống có ĐKĐT Để phát hiện lỗi, cần tính toán và đánh giá lượng sai lệch r giữa trị số của các thông số làm việc hiện thời của hệ thống so với các thông số tính toán trong thiết kế hoặc các giá trị cho phép khi vận hành được nhà chế tạo quy định. Có nhiều phương pháp phát hiện lỗi đã được nghiên cứu và ứng dụng như: phát hiện lỗi theo giá trị ngưỡng cố định, phát hiện lỗi trên cơ sở lập mô hình hệ thống thực, phát hiện lỗi trên cơ sở mô hình tín hiệu [12,17,18, 19,39]. Trong các hệ thống kỹ thuật hiện đại (như trên ô tô), các hệ thống điều khiển điện tử được sử dụng phổ biến, trên cơ sở phân tích vai trò các tín hiệu của cảm biến và cơ cấu chấp hành trong hệ thống ĐKĐT, chọn phương pháp chẩn đoán phát hiện lỗi trên cơ sở mô hình là hợp lý, hiệu quả và tiết kiệm. Mô hình lý thuyết mô tả hệ thống thực sử dụng trong hệ thống chẩn đoán có thể là loại mô hình định lượng (thường là các mô hình toán học) hoặc là các mô hình xây dựng trên cơ sở tri thức (ví dụ như mô hình trên cơ sở logic mờ (FL), mô hình trên cơ sở mạng Nơ ron (NN) hoặc mô hình mạng Nơ ron - mờ (FNN). Sử dụng mô hình toán học mô tả hệ thống có các ưu điểm cơ bản là biểu diễn các thành phần của hệ thống một cách rõ ràng, tường minh. Tuy nhiên, trong thực tế, có nhiều yếu tố ảnh hưởng khiến cho các biểu thức toán học không thể mô tả chính xác quá trình làm việc của hệ thống thực như: các nhiễu loạn, hạn chế của thiết bị đo, các sai số chế tạo cho phép Mô hình logic mờ (FL) là mô hình xử lý thông tin phỏng theo cách tư duy của con người. Mô hình là tập hợp các lập luận dạng ngôn ngữ của con người để xử lý thông tin, mô tả các trạng thái của hệ thống trên cơ sở các dữ liệu quan sát kết hợp với các kiến thức hiểu biết về hệ thống cần mô tả. Sơ đồ cấu trúc của mờ trình bày trên Hình 1.13. Có hai hệ suy diễn tiêu biểu là hệ suy diễn Mamdani và hệ suy diễn Takagi- Sugeno (T-S). Trong đó hệ suy diễn T- S được sử dụng rộng rãi trong kỹ thuật nhận dạng, điều khiển và chẩn đoán do đặc điểm của luật IF THEN được biểu diễn dưới dạng hàm số bậc nhất của các biến đầu vào và ra: -3-
6. LuËt ℜi : IF x=A vµ y=B THEN z=f(x,y) (1.7) A và B là các tập mờ trong mệnh đề điều kiện, f(x,y) là hàm của các biến vào x và y. Với phương pháp chẩn đoán trên cơ sở mô hình, việc đánh giá TTKT một hệ thống là bình thường hay có lỗi được căn cứ vào trị số lượng sai lệch r (hình 1.13) được biểu diễn dưới dạng toán học như sau: =rJ0 hoÆc (r ≤ th ) th× hÖ thèng kh«ng lçi r= yy − *  (1.8) r >0 hoÆc (r> Jth ) th× hÖ thèng cã lçi  Các giá trị sai lệch r > 0 (hoặc r >Jth) giữa tín hiệu ra đo được (y) của hệ thống thực tế và tín hiệu ra tính toán y* sẽ chỉ thị về xuất hiện trạng thái lỗi. Để hiệu chỉnh các thông số của mô hình, bổ sung các thành phần phản ánh ảnh hưởng các nhiễu, các yếu tố không đo được người ta đã sử dụng nhiều phương pháp (công cụ toán học) như phương pháp ước lượng tham số (Parameter Estimation), phương pháp quan sát và ước lượng trạng thái (State Observers) hoặc các quan hệ tương đương (Parity Relations). Trong luận án này, NCS đã sử dụng phương pháp quan sát và ước lượng trạng thái để phát hiện lỗi khi đã biết cấu trúc của hệ thống thực. Hệ thống động học tuyến tính được mô tả dưới dạng không gian trạng thái: xt()= Axt () + But ()  y() t= Cx () t Ở đây x là biến trạng thái, với các cấu trúc và tham số A, B, C của mô hình hệ thống là đã biết, (trong công thức (1.9), thành phần D được bỏ qua nhằm phân tích cấu trúc chung của bộ quan sát mà không làm ảnh hưởng đến tính tổng quát chung). Cấu trúc bộ quan sát trạng thái trên Hình 1.16 trên cơ sở các biến vào, biến ra đo được có dạng: xˆˆ =+−+ Ax L() y Cx ˆ Bu Trong đó xˆ ∈Rn là véc tơ trạng thái được ước lượng, L∈R là hệ số của bộ quan sát (observer gain). Kết hợp 2 phương trình (1.9 và 1.10) tính được sai số ước lượng e= xx − ˆ và thu được phương trình vi phân của sai số e: e =() A − LC e Theo lý thuyết ma trận [49, 25] nếu tất cả các giá trị riêng của ma trận [A-LC] là xác định thì sai số e sẽ tiệm cận tới 0 và x→ xˆ . Như vậy, việc tính toán thiết kế bộ quan sát đưa về việc xác định hệ số L. Có nhiều phương pháp xác định L, thường sử dụng là phương pháp đổi cực (pole placement) hoặc phương pháp LQR (Linear Quadratic Regulator) [25]. Hình 1.17 trình bày sơ đồ ghép nối song song giữa bộ quan sát với hệ thống thực.Nếu mô hình mô tả hệ thống là chính xác, giá trị tính toán của biến xˆ sẽ bằng giá -4-
7. trị của biến trạng thái trong hệ thống thực. Tuy nhiên, do mô hình có sai khác so với hệ thống thực nên hiệu (x- xˆ ) sẽ khác 0 và do đó trị số ŷ tính toán từ bộ quan sát sẽ khác với giá trị y đo được ở đầu ra của hệ thống. Ký hiệu e là sai số giữa y và ŷ: e = y- ŷ. Bằng cách điều chỉnh (tính toán) trị số của hệ số L của bộ quan sát có thể làm cực tiểu giá trị của sai số e. Khi đó bộ quan sát sẽ trở thành mô hình biểu diễn tốt nhất hệ thống thực. Khi đó, lượng sai lệch tính toán r được tính theo công thức: r= yy − ˆ Bộ quan sát trạng thái là công cụ toán học được ứng dụng nhằm xấp xỉ tốt nhất giá trị đầu ra từ bộ quan sát với giá trị đầu ra đo được từ hệ thống thực. Bộ quan sát được thiết kế để mô tả hệ thống thực trong trường hợp có xét đến ảnh hưởng các nhiễu cũng như các thông tin đầu vào bị thiếu. Tuy nhiên, điều kiện cần để có thể thiết kế bộ quan sát là tính tuyến tính của hệ thống được mô tả. Trong khi đó, nói chung các hệ thống có ĐKĐT trên ô tô là các hệ thống phi tuyến. Để giải quyết vấn đề này, trong luận án, NCS đã sử dụng mô hình T-S để mô tả hệ thống thực nhờ đó hoàn toàn có thể sử dụng công cụ bộ quan sát cho mỗi mô hình tuyến tính địa phương (mô hình con) trong hệ suy diễn T-S chung. 1.3. Hệ thống VSC trên ô tô - Nhiệm vụ của hệ thống VSC và các tên gọi của hệ thống Hệ thống VSC (Vehicle Stability Control) làm nhiệm vụ giữ ổn định quỹ đạo cho xe ô tô khi đi trên mặt đường nghiêng ngang, đường vòng. Khi xe chuyển động trên đường vòng, do tác dụng của lực ly tâm tạo các lực ngang tác dụng lên xe. Ảnh hưởng các lực ngang càng lớn khi tốc độ xe đi trên đường vòng lớn, mặt đường nghiêng hoặc bán kính cong quá nhỏ Dưới tác dụng của lực ngang, các bánh xe cầu trước, cầu sau bị biến dạng ngang và trượt ngang cục bộ làm sai lệch quỹ đạo chuyển động trên đường vòng của xe. Trường hợp các bánh xe cầu sau bị trượt ngang nhiều hơn bánh xe trước dẫn đến hiện tượng quay vòng thừa, trường hợp ngược lại, xe bị quay vòng thiếu. Hệ thống VSC tự động tác động các lực phanh phù hợp ở mỗi bánh xe (bên trong và bên ngoài đường vòng, bánh xe trước và bánh xe sau) để tạo mô men ổn định duy trì quỹ đạo chuyển động đúng của xe đồng thời tự động điều chỉnh chế độ tải động cơ (giảm ga) cho phù hợp với tình trạng phanh và tốc độ ô tô. - Đặc điểm chẩn đoán phát hiện lỗi trong hệ thống VSC Hệ thống VSC là hệ thống có ĐKĐT, các lỗi xảy ra có thể có nguyên nhân từ phần ĐKĐT như lỗi các cảm biến, mạch truyền dẫn tín hiệu, các cơ cấu chấp hành van điện từ cũng có thể do các nguyên nhân từ các phần cơ khí như áp suất lốp không đều, lỗi trong hệ thống treo trước, sau Đặc biệt trạng thái lỗi của hệ thống còn liên quan đến quan hệ giữa các thông số vận tốc xe, góc quay bánh xe dẫn hướng với các thông số gia tốc ngang, tốc độ góc quay thân xe. Mối liên hệ này là phi tuyến. Từ các phân tích trên cho thấy việc chẩn đoán TTKT, phát hiện lỗi trong hệ thống VSC không thể thực hiện bằng các phương pháp chẩn đoán hệ thống cơ khí thông thường. Việc xây dựng mô hình chẩn đoán lỗi cho hệ thống VSC sẽ cung cấp cho ta phương pháp chung để chẩn đoán TTKT, phát hiện lỗi trong các hệ thống có ĐKĐT khác trên ô tô. 1.4. Một số công trình nghiên cứu trong lĩnh vực chẩn đoán * Một số công trình ở nước ngoài nghiên cứu chẩn đoán bằng logic mờ - Các nghiên cứu của J. Gertler [19], R. J. Patton, P. M. Frank, R. N. Clark [39] đã đặt nền móng, trình bày các khái niệm cơ bản của lý thuyết chẩn đoán kỹ thuật -5-
8. (phân loại các lỗi, khái niệm lượng sai lệch - Residual). - Các nghiên cứu của Ding SX. [12], Isermann R. [16,17,18] đã nghiên cứu phân tích các phương pháp phát hiện và chẩn đoán lỗi cho các hệ thống có điều khiển điện tử. Phương pháp chẩn đoán lỗi trên cơ sở mô hình toán học được nghiên cứu cùng các phương pháp ước lượng tham số và xây dựng các bộ quan sát để phát hiện lỗi cho trường hợp hệ thống tuyến tính. Về ứng dụng lý thuyết mờ trong điều khiển và chẩn đoán TTKT ô tô: Các tác giả D. Ichalal, Benoit M. Isemann [16] công bố công trình nghiên cứu về sử dụng mô hình TS để chẩn đoán lỗi các cảm biến. Trong các nghiên cứu này đã đưa ra phương pháp xây dựng mô hình toán học biểu diễn các lỗi của cảm biến và cơ cấu chấp hành trong HT có ĐKĐT; Các công trình nghiên cứu chẩn đoán lỗi các hệ thống ĐKĐT trên động cơ bằng các mô hình khác nhau: mô hình Mamdani, hệ suy diễn kết hợp mạng nơ ron. ; Các tác giả Zahedi E., Gahraveis A.A. trong công trình [51] công bố các kết quả ứng dụng mô hình chẩn đoán mờ TS để chẩn đoán lỗi hệ thống phanh ABS. Trong đó tác giả chưa xét được ảnh hưởng của điều kiện chuyển động, các nhiễu từ mặt đường ảnh hưởng đến quá trình phanh. Về chẩn đoán lỗi trong hộp số tự động: các tác giả M.Shahab, M. Moavenian dùng hệ suy diễn T-S xây dựng trên các dữ liệu thống kê; các tácgiả Mo Lian Guang, Xie Zheng nghiên cứu chẩn doán lỗi hộp số tự động bằng mô hình mạng nơ ron. * Các công trình nghiên cứu ứng dụng lý thuyết mờ ở Việt Nam Sử dụng hệ thống logic mờ để giải quyết các bài toán điều khiển, dự báo và chẩn đoán trong lĩnh vực y tế, thủy lợi, truyền tải điện [1, 8]. Các công trình nghiên cứu ứng dụng logic mờ Mamdani trong chẩn đoán TTKT động cơ, hệ thống phanh ô tô, hệ thống treo. Trong lĩnh vực nông lâm nghiệp, tác giả Phạm Văn Lang và cộng sự đã "Nghiên cứu phương pháp tập mờ đánh giá chất lượng thiết kế - chế tạo nhà lưới trồng rau, hoa, cây giống" bằng mô hình suy diễn mờ Mamdani; tác giả Đào Chí Cường trong công trình "Nghiên cứu xây dựng CSDL cho hệ thống chẩn đoán động cơ diesel dùng trong nông nghiệp, nông thôn Việt Nam" (Luận án TSKT 2011) đã sử dụng mờ Mamdani để chẩn đoán lỗi phát hiện hư hỏng cho động cơ; tác giả Lê Hùng Lân và cộng sự nghiên cứu "Tổng hợp điều khiển thích nghi cho hệ thống chống bó cứng bánh xe ô tô khi phanh trên cơ sở hệ suy diễn" (Tạp chí KH GTVT số 21, trang 72-80). Một số đề tài nghiên cứu chẩn đoán hư hỏng trong hệ thống phanh khí nén trên ô tô tải dùng logic mờ Mamdani đã được ứng dụng trong công tác sửa chữa trong nước Trong khi đó, trên các ô tô hiện đại, theo các thông tin giới thiệu của các hãng sản xuất, rất nhiều hệ thống như phanh ABS, hệ thống treo điện tử, hệ thống phun xăng và đánh lửa trên động cơ, điều khiển hộp số tự động đều sử dụng bộ điều khiển mờ (Fuzzy controller) [10,11]. Trong các hệ thống đó, ngoài chức năng điều khiển còn tích hợp cả chức năng tự chẩn đoán TTKT và phát hiện hư hỏng. 1.5. Lựa chọn đề tài và mục tiêu nghiên cứu của luận án Từ các phân tích trên, xuất phát từ nhu cầu xây dựng phương pháp luận cho chẩn đoán TTKT các hệ thống có ĐKĐT trên ô tô hiện đại làm cơ sở ứng dụng, khai thác, thiết kế các hệ thống chẩn đoán các hệ thống của ô tô trong nước, NCS đã chọn đề tài nghiên cứu của luận văn là: “Xây dựng mô hình chẩn đoán trạng thái kỹ thuật hệ thống VSCtrên ô tô” Các mục tiêu nghiên cứu cụ thể của luận án gồm có: 1. Nghiên cứu phương pháp chẩn đoán TTKT phát hiện trạng thái làm việc có -6-
9. lỗi của các hệ thống có ĐKĐT trên ô tô. 2. Nghiên cứu cơ sở lý thuyết của việc chẩn đoán phát hiện trạng thái lỗi của các hệ thống có ĐKĐT trên ô tô bằng hệ suy diễn mờ Takagi-Sugeno, bao gồm việc thiết kế bộ quan sát mờ đối với hệ thống được chẩn đoán và phát hiện trạng thái làm việc có lỗi của hệ thống thông qua lượng sai lệch giữa trị số đầu ra của bộ quan sát với trị số đầu ra đo từ hệ thống thực. 3. Xây dựng mô hình chẩn đoán trạng thái làm việc có lỗi của hệ thống VSC xe Toyota Camry trên cơ sở hệ suy diễn mờ Takagi-Sugeno. 4. Thử nghiệm đánh giá hiệu quả của hệ thống chẩn đoán mờ. Thiết kế chế tạo bộ thu thập dữ liệu từ ECU trên ô tô để phục vụ cho chẩn đoán phát hiện lỗi hệ thống VSC trên xe Toyota Camry. 1.6. Kết luận chương 1 Từ các kết quả nghiên cứu và phân tích trong Chương 1, có thể rút ra một số kết luận sau: - Đối với các hệ thống có ĐKĐT, NCS định hướng sử dụng phương pháp chẩn đoán trên cơ sở mô hình. Phương pháp chẩn đoán này hiệu quả và tiết kiệm vì các lý do: + Sử dụng các thông số chẩn đoán trực tiếp trạng thái làm việc của hệ thống vì vậy đánh giá TTKT hệ thống chính xác, hiệu quả. + Để đo đạc các thông số chẩn đoán, không cần bố trí lắp đặt các thiết bi, cảm biến đo lường mới mà có thể sử dụng ngay tín hiệu ra của các cảm biến trong mạch ĐKĐT của hệ thống nên vừa tiết kiệm chi phí, thời gian thao tác chẩn đoán. - NCS chọn phương pháp sử dụng mờ Takagi Sugeno để mô tả hệ thống. Phương pháp này đã kết hợp được ưu điểm của mô hình toán học (sử dụng các hàm biểu diễn quan hệ vật lý giữa các yếu tố trong hệ thống, giảm bớt khối lượng thống kê dữ liệu) với các ưu điểm của mờ T-S (mô tả hệ phi tuyến bằng tập hợp các mô hình tuyến tính địa phương). - Quá trình chẩn đoán TTKT gồm hai giai đoạn: phát hiện trạng thái làm việc có lỗi của hệ thống và xác định vị trí, nguyên nhân gây ra lỗi để khắc phục. Với khuôn khổ luận án, NCS tập trung nghiên cứu vào phương pháp phát hiện trạng thái làm việc có lỗi và xây dựng mô hình phát hiện lỗi của hệ thống VSC trên xe Toyota Camry. - Trên các ô tô hiện đại, khi tiến hành chẩn đoán TTKT, việc đầu tiên phải làm là chẩn đoán phần ĐKĐT. Mô hình chẩn đoán phát hiện lỗi mà NCS nghiên cứu được sử dụng trong công việc này. Tuy nhiên, mô hình chẩn đoán phát hiện lỗi này không có ý nghĩa hoàn toàn thay thế cho các phần chẩn đoán cơ khí thông thường mà có ý nghĩa bổ sung, hỗ trợ thêm cho công tác chẩn đoán các hệ thống trên ô tô nói chung. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT ĐỂ XÂY DỰNG CHẨN ĐOÁN PHÁT HIỆN LỐI BẰNG HỆ SUY DIỄN MỜ TAKAGI-SUGENO Lý thuyết mờ nhằm kết hợp hai loại thông tin (các tín hiệu từ các cảm biến và các kiến thức chuyên môn về hệ thống) vào trong thiết kế, điều khiển hệ thống kỹ thuật. Nghiên cứu ứng dụng hệ suy diễn mờ để xây dựng mô hình chẩn đoán lỗi là một trong số mục tiêu chính của luận án, vì vậy cần phải tìm hiểu các đặc điểm, phương pháp xây dựng và cơ chế vận hành của hệ suy diễn mờ đặc biệt là hệ mờ Takagi- Sugeno được dùng để xây dựng mô hình chẩn đoán các hệ thống có ĐKĐT trên ô tô 2.1. Hệ suy diễn mờ -7-
10. Hình 2.1 trình bày sơ đồ khối hệ suy diễn mờ bao gồm bốn khối chức năng: khối mờ hóa đầu vào, khối cơ sở tri thức, khối suy diễn logic và khối giải mờ đầu ra. Khối mờ hóa đầu vào làm nhiệm vụ chuyển đổi các tín hiệu vào của hệ thống thực từ miền vật lý (miền giá trị rõ) sang miền ngôn ngữ (miền giá trị mờ); khối tri thức bao gồm hai phần, một là các dữ liệu thu thập về các thông số trạng thái, môi trường làm việc của hệ thống, hai là các kiến thức chuyên môn về hệ thống (các quan hệ vật lý toán học, cấu trúc, kinh nghiệm chuyên gia); khối cơ chế suy diễn (IE) là phần lõi của FIS, tại đây thực hiện các tính toán và lập luận xử lý các tín hiệu đầu vào trên cơ sở các tri thức về hệ thống và đưa ra kết quả hoặc quyết định cuối cùng (dưới dạng kết quả mờ); khối giải mờ đầu ra làm nhiệm vụ chuyển đổi các tín hiệu ra từ IE (có giá trị mờ) sang miền giá trị rõ. 2.2. Hệ suy diễn mờ T-S Trong quá trình ứng dụng các hệ suy diễn mờ vào trong lĩnh vực điều khiển các hệ thống kỹ thuật công nghiệp, tác giả Takagi và Sugeno (1975) đề xuất cấu trúc luật mờ cơ sở có dạng đầu ra không phải là biến mờ mà thay bằng hàm số bậc nhất của các biến đầu vào. Đặc điểm của hệ thống suy diễn này là kết quả đầu ra của các luật cơ sở có giá trị rõ dưới dạng hàm số của các biến đầu vào và đầu ra. Ví dụ với hai biến mờ đầu vào x và y; biến mờ đầu ra z với hai luật cơ sở có dạng tổng quát là: Luật ℜi: IFx = Avàyi = BTHENz ii = fxy(), (2.5) Trong đó: Ai và Bi là các tập mờ trong mệnh đề điều kiện; f(x,y) là hàm của các biến vào x và y. Kết quả đầu ra là hàm rõ z = px + qy + r với p, q, r là các hằng số xác định. Khi f là hằng, mô hình FIS T-S gọi là mô hình bậc 0; trị số của biến z ở đầu ra của mô hình được tính trên cơ sở phương pháp giải mờ điểm trọng tâm: wz11+ wz 2 2 z = ww12+ Trong đó wi là các trọng số, được xác định: w= min(µµ ( xy ). ( ))  1 AB11  w= min(µµ ( xy ). ( ))  2 AB22 Ưu điểm cơ bản của hệ suy diễn mờ T-S là ở chỗ: kết quả đầu ra của mỗi luật là hàm bậc nhất nên mô hình T-S thực chất là tổ hợp của các mô hình tuyến tính địa phương. Với tính chất đó, ứng dụng của mô hình T-S vào lĩnh vực có sử dụng các kỹ thuật tuyến tính như nhận dạng, mô tả các hệ thống kỹ thuật phức tạp với mục đích điều khiển và chẩn đoán lỗi, điều khiển hệ thống kỹ thuật (ví dụ điều khiển PID, bộ quan sát trạng thái, tính ước lượng tham số) là rất thuận lợi. 2.3. Xây dựng hệ suy diễn mờ T-S để mô tả hệ thống kỹ thuật -8-
11. Để xây dựng hệ suy diễn T-S, trong trường hợp này thì việc biểu diễn hệ thống bằng không gian trạng thái là hợp lý do có các ưu điểm: (1) Phương trình biểu diễn là bậc nhất, phù hợp với cấu trúc đầu ra của luật mờ T-S; (2) việc lựa chọn các biến vào, biến ra, biến trạng thái phù hợp với khả năng đo được (quan sát được) của các biến trong các mô hình chẩn đoán. Một hệ thống động lực tổng quát biểu diễn trong không gian trạng thái có dạng: x(t)= Ax(t) + Bu(t)  y(t)= Cx(t) + Du(t) Trong đó, x(t) Rn là véc tơ các biến trạng thái; u(t) Rm là véc tơ các biến vào; y(t) Rm là véc tơ các biến đầu ra, A Rn×n, B, D Rnxm và C Rmxn là ma trận các hệ số. Nguyên lý chung∈ để xây dựng hệ suy diễn T-S là phân∈ chia hệ thống thực thành tập ∈hợp các mô hình tuyến tính địa ∈phương bằng∈ cách chọ∈n biến mờ cơ sở (tên biến và khoảng biến thiên của biến) và các hàm liên thuộc tương ứng với mỗi biến mờ cơ sở; sau đó tiến hành xây dựng tập các luật mờ T-S để mô tả mỗi mô hình địa phương. Luật mờ cơ sở thứ i có dạng: ℜ=i:IF z11() t is M i and and zθθ() t is Mi THEN x() t Aii x () t+ B u () t Trong đó: zj(t) là các biến mờ cơ sở, Mij là các tập mờ với i = 1, , p; j = 1, , θ ; x(t), u(t) lần lượt là véc tơ của các biến quan sát và véc tơ các biến vào; Ai và Bi là ma trận các hệ số của mô hình thứ i. Biến mờ cơ sở zj(t) có thể là hàm của các biến trạng thái đo được, các nhiễu ngoài hoặc là biến thời gian. Ứng với mỗi cặp giá trị [x(t),u(t),z(t)], giá trị rõ ở kết quả đầu ra của hệ suy diễn được tính toán thông qua việc giải mờ đầu ra bằng phương pháp điểm trọng tâm:  p = µ + xt()∑ i ( zt ())[ Axt ii () But ()]  i=1  h( zt ( )) θ µ = i =  i (zt ( )) p ,hi ( zt ( ))∏ Mij ( zt ( ))  j=1 ∑ hi ( zt ( ))  i=1 Viết lại phương trình (2.10) dưới dạng: θ ku =+= xi ( t )∑∑ fij (z i (t))x j ( t ) gik (z i (t))u k ( t )? for i1 , ,n jk=11= Trong đó, n và ku tương ứng là số lượng biến trạng thái và biến đầu vào; xi(t), uk(t) là các biến trạng thái và biến đầu vào; fij(z(t)) và gik(z(t)) là các hàm của z(t), với z(t) = [zj(t) zθ(t)] là các biến mờ cơ sở. Đặt các ký hiệu:  aij12≡≡ max fij (z(t)) , aij min fij (z(t))  z(t) { } z(t) { }  bik12≡≡ max{ gik (z(t))} , bik min{ gik (z(t))}  z(t) z(t) Tiếp tục biến đổi để viết lại (2.15) dưới dạng ma trận: nnθ 22ku AB xi ( t )= haa (z(t))a Uij x( t )+ vbb (z(t))b Uik u( t ) ∑∑∑ ijl(i,j) ijl(i,j) ∑∑∑ ikl(i,k) ikl(i,k) = = ab= = i11 jll(i,j)=11ik11(i,k)= n θ 2 n ku 2 = ∑∑∑ haa (z(t))A x( t )+ ∑∑∑ vb (z(t))Bl u( t ) ijl(i,j) ijl(i,j) ikl(i,k) ikl(i,k) = = a = = b ij11ll(i,j)=1 ik11(i,k)=1 -9-
12. 0 000 0 0 000 0        0 000 0 0 000 0  00a a 00 00b b 00 Với: A a = ijl ; B b = ikl ijl(i, j) (i, j) ikl(i,k) (i,k) 0 000 0 0 000 0        0 000 0 0 000 0 Các phương trình 2.18 đến 2.20 để xây dựng các mô hình tuyến tính địa phương thành phần của hệ mờ T-S mô tả hệ thống được chẩn đoán. Hệ phương trình trạng thái (2.13) mô tả hệ thống trong trường hợp biết các thông số cấu trúc, các biến đầu vào, ra của hệ thống là đo được đầy đủ. Tuy nhiên, trong thực tế, các biến đầu vào của hệ thống thực có nhiều trường hợp không đo được hoặc đo không chính xác. Để giảm bớt sai lệch do thiếu thông tin của các biến đầu vào, trong phương trình (2.13) cần được bổ sung thành phần đại diện cho các đại lượng đầu vào không đo được: xt()=++ Axt () But () Edtuu ()  ytCxtDutFdt()=++ () ()uu () Với du(t) là hàm biến đổi theo thời gian bổ sung cho lượng biến đầu vào không đo được và Eu là ma trận phân phối. Như vậy, trong thành phần của hàm du(t) cần chú ý đến các thành phần đầu vào không đo được, các nhiễu và sai số cho phép lớn nhất của các tín hiệu đầu vào. 2.4. Xây dựng bộ quan sát Với mục đích làm cho sai lệch giữa các trị số đo ở đầu ra của hệ thống thực và trị số tính toán từ đầu ra của mô hình mô tả hệ thống là bằng không (hoặc không vượt quá giá trị ngưỡng Jth) trong trường hợp hệ thống không lỗi, NCS đã sử dụng công cụ bộ quan sát UIO trên cơ sở tham khảo phương pháp thiết kế bộ quan sát UIO cho hệ thống tuyến tính. Với mô hình đầu vào không rõ (2.21), cấu trúc của bộ quan sát UIO có dạng: zt()=++ Fzt () TBut () Kyt ()  xˆ() t= z () t + Hy () t Trong đó xˆ Rn×1 là véc tơ trạng thái của bộ quan sát UIO, T, K, H là các ma trận của UIO với kích thước Rn×n. Ký hiệu e là∈ véc tơ sai số giữa biến trạng thái của hệ thống và biến ra của bộ et()=−=−− xt () xtˆ () xt () zt () Hyt () quan sát: (2.26) =−−xt () zt () HCxt () =− ( I HCxt ) () − zt () Lấy đạo hàm của phương trình 2.26: et()=−− ( AHCAKCet11)() +−−− [ F ( AHCAKCzt)]() + [K21 −− ( AHCAKCyt − )] ( ) + [T −+ I HC ]B() u t + ( H − CI ) Euu d () t Từ phương trình 2.27 cho thấy, nếu các điều kiện sau được thỏa mãn: -10-
13. 0(=HC − I ) Eu  T= I − HC (2.28)  =−− F AHCAKC1  K2 = FH Thì phương trình vi phân của sai số sẽ có dạng: et()= Fet .() Nếu chọn ma trận F có dạng ma trận Hurwitz (các giá trị riêng của ma trận F là ổn định [49]) thì phương trình sai số sẽ tiệm cận tới 0 và biến xˆ của bộ quan sát sẽ có giá trị bằng biến trạng thái x của hệ thống thực. Trị số biến đầu ra của bộ quan sát sẽ tiệm cận tới giá trị biến ra đo được của hệ thống thực. Trong phương trình sai số (2.27) ta thấy không có mặt của thành phần đầu vào không rõ Eudu(t). Như vậy, trong trường hợp này, sử dụng công cụ bộ quan sát đã được loại bỏ được ảnh hưởng của yếu tố đầu vào không rõ. Thuật toán để xác định các hệ số của bộ quan sát trình bày trên Hình 2.12. Các hệ số A, B, C, Eu, D, của phương trình không gian trạng thái (2.24) là các thông số đầu vào của chương trình tính (Bước 1). Bước 2 nhằm kiểm tra tính phù hợp về hạng của các ma trận phân phối Eu và ma trận tích C*Eu. Nếu kết quả là không phù hợp, bộ quan sát UIO không thể xây dựng được. Trong MatLab, sử dụng lệnh “rank“ để tính hạng của ma trận. Bước 3 là thủ tục tính các ma trận hệ số H, T và ma trận A* theo các công thức: −  TT1 H= E CE CE CE  uuu( ) ( u)  T= I − HC A= TA  1  Bước 4 là thủ tục kiểm tra tính quan sát được của cặp C, A*. Nếu cặp này không đảm bảo "tính quan sát được", Bộ quan sát UIO sẽ không thể xây dựng được. Trong MatLab, sử dụng lệnh “obsv“ [7, 49]. Bước 5, 6, 7 là các thủ tục tính hệ số K1, K2 và K = K1+K2. Xây dựng bộ quan sát mờ T-S Hệ phương trình không gian trạng thái của hệ thống trong trường hợp có các yếu tố đầu vào không rõ được biểu diễn bằng công thức (2.24). Tương ứng, hệ suy diễn T-S mô tả hệ thống có dạng tập hợp của p luật. Mỗi luật thứ i có dạng như sau: Luật ℜi: IF z11 is Mii and and zθθ is M THEN (2.31) x(t)=++ Ai x(t) Bi u(t) Eu ,i d u (t)  =++ y(t) Ciiu x(t) Du(t) F,iu d(t) Các ma trận Ai, Bi, Ci, Eu,i Fu,i với các kích thước phù hợp. Tương ứng với mỗi luật Ri, ta có một mô hình tuyến tính địa phương. Do đó ta có thể xây dựng bộ -11-
14. quan sát UIO cho mỗi mô hình tuyến tính địa phương này. Như vậy bộ quan sát mờ UIO cũng là một hệ suy diễn T-S được biểu diễn dưới dạng tập của p luật mờ T-S. 2.5. Tính toán giá trị ngưỡng Lượng sai lệch rt()= yt () − ytˆ ()là một véc tơ chứa các phần tử tương ứng là lượng sai lệch của các thông số thành phần của các biến đầu ra ytˆ()của bộ quan sát và đầu ra của hệ thống thực. Để phát hiện trạng thái lỗi của cần phải tiến hành so sánh trị số của lượng sai lệch với giá trị ngưỡng Jth. r =0 hoÆc (r ≤ Jth ) th× hÖ thèng kh«ng lçi r= y − ytˆ()  (2.34) r >0 hoÆc (r >Jth ) th× hÖ thèng cã lçi ()≤≤ () Trường hợp hệ thống không có lỗi: rt2,ττ rd t2, Jth, d () t Với giá trị ngưỡng Jth,d(t) tính theo công thức: J = suprt ( ) thdt, () dt ()∈ L2 d 2,τ Trong đó "sup" là ký hiệu toán học với ý nghĩa là cận trên đúng (suprenum) của dãy số thực. Cuối cùng giá trị ngưỡng được tính theo công thức: JJth= th, d () t Như vây, giá trị ngưỡng được tính riêng cho từng thông số chẩn đoán, xác định trong trường hợp hệ thống không có lỗi và chứa các thành phần sai số cho phép của thông số chẩn đoán (bao gồm sai số tĩnh và sai số động), các đặc trưng của tín hiệu đầu vào không đo được (tính theo phương pháp xác suất thống kê chuẩn L2. 2.6. Sử dụng bộ quan sát mờ T-S để phát hiện trạng thái làm việc có lỗi của hệ thống Sau khi đã xác định được các thông số cấu trúc, bộ quan sát mờ (2.32) sẽ được sử dụng để chẩn đoán phát hiện trạng thái lỗi cho hệ thống như sơ đồ Hình 2.13. Đầu ra y của hệ thống thực cũng như đầu ra yˆ của bộ quan sát là các véc tơ mà thành phần của nó là các trị số tương ứng của các thông số chẩn đoán đo được từ hệ thống thực và các thông số tính toán từ bộ quan sát. Vì vậy, kết quả so sánh giữa r và Jth không những đánh giá được hệ thống làm việc bình thường hay đang làm việc với trạng thái có lỗi mà còn khoanh vùng được lỗi đó liên quan đến thông số chẩn đoán nào. Đây là một ưu điểm quan trọng với mục đích chẩn đoán TTKT hệ thống. Từ các kết quả nghiên cứu trên, NCS đề xuất xây dựng hệ suy diễn T-S để chẩn đoán phát hiện trạng thái lỗi các hệ thống có ĐKĐT theo sơ đồ trên Hình 2.14. 2.7. Kết luận chương 2 - Trong chương này, NCS đã nghiên cứu cơ sở lý thuyết việc ứng dụng hệ suy diễn mờ T-S để xây dựng mô hình lý thuyết mô tả hệ thống cần chẩn đoán trong trường hợp hệ thống không có lỗi. Hệ suy diễn mờ mô tả hệ thống là tập các luật dạng IF THEN (biểu thức 2.14). Các biểu thức (2.15, 2.16) trình bày cách tính toán để giải -12-
15. mờ đầu ra của hệ. - Để loại bỏ ảnh hưởng của các nhiễu và các thành phần đầu vào không đo được đầy đủ, NCS đã xây dựng bộ quan sát mờ của hệ thống. Tính toán các thông số cấu trúc của bộ quan sát được trình bày ở các biểu thức (2.28 và 2.30). Bộ quan sát sẽ là mô hình lý thuyết mô tả hệ thống (khi không có lỗi) trong sơ đồ ứng dụng để chẩn đoán phát hiện lỗi (Hình 2.13). - NCS đã nghiên cứu cách xác định trị số ngưỡng làm cơ sở để đánh giá, phân biệt trạng thái làm việc bình thường và trạng thái làm việc có lỗi của hệ thống. Các công thức tính toán giá trị ngưỡng được trình bày ở (2.34, 2.39). - Mô hình chẩn đoán phát hiện lỗi cho một hệ thống có ĐKĐT trên ô tô bao gồm các thành phần: hệ suy diễn mờ, bộ quan sát mờ UIO và véc tơ các giá trị ngưỡng của các tín hiệu đầu ra của hệ thống cần chẩn đoán. Cách nối ghép mô hình chẩn đoán với hệ thống cần chẩn đoán được trình bày trên Hình 2.13. Trên cơ sở các kết quả nghiên cứu lý thuyết ở chương này NCS sẽ tiến hành xây dựng mô hình chẩn đoán phát hiện lỗi cho hệ thống VSC trên xe Toyota Camry. CHƯƠNG 3. XÂY DỰNG MÔ HÌNH CHẨN ĐOÁN PHÁT HIỆN TRẠNG THÁI LÀM VIỆC CÓ LỖI CỦA HỆ THỐNG VSC TRÊN XE TOYOTA CAMRY 3.1. Hệ thống VSC trên xe Toyota Camry Hệ thống VSC (Vehicle Stability Control) làm nhiệm vụ giữ ổn định cho xe ô tô khi đi trên mặt đường nghiêng ngang, đường vòng. Khi xe chuyển động trên đường vòng, do tác dụng của lực ly tâm tạo các lực ngang tác dụng lên xe. Ảnh hưởng các lực ngang càng lớn khi tốc độ xe đi trên đường vòng lớn, mặt đường nghiêng hoặc bán kính cong quá nhỏ. Trường hợp các bánh xe cầu sau bị trượt ngang nhiều hơn bánh xe trước dẫn đến hiện tượng quay vòng thừa, trường hợp ngược lại, xe bị quay vòng thiếu. Hệ thống VSC tự động tác động các lực phanh phù hợp ở mỗi bánh xe (bên trong và bên ngoài đường vòng, bánh xe trước và bánh xe sau) để tạo mô men ổn định duy trì quỹ đạo chuyển động đúng của xe đồng thời tự động điều chỉnh chế độ tải động cơ cho phù hợp với tình trạng phanh và tốc độ ô tô. 3.2. Hệ phương trình trạng thái mô tả động lực học bên của xe Mô hình 3-DOF được sử dụng rộng rãi trong các thiết kế điều khiển trực tuyến chuyển động dọc và ổn định bên của xe. Theo các số liệu nghiên cứu [12,43], mô hình này đáp ứng được điều kiện chuyển động của ô tô trên đường vòng mặt đường bằng phẳng có hệ số bám cao với gia tốc bên tới 0,4g. Các giả thiết sử dụng cho mô hình gồm có: - Ô tô có trục đối xứng dọc; - Ô tô chuyển động ổn định trên đường vòng ( 0), không có trượt dọc; - Sử dụng mô hình lốp tuyến tính: 𝑣𝑣𝑥𝑥̇ ≈ -13-
16. FCy = − αα (3.1) Hình 3.5 là sơ đồ biểu diễn mô hình 3-DOF của xe trong mặt phẳng ngang. Từ các quan hệ vật lý, hệ phương trình vi phân mô tả động lực học bên có dạng:  11   mv( y+=−++−−ψδ. v xf) C( v y a ψ)  C r( v y b ψ)   vvxx    (3.13)  11   ψδ= −+−−− ψ ψ Izf  aC( v y a .)  bC . ry( v b .)   vvxx   Phương trình không gian trạng thái có bổ sung thành phần không đo được của biến vào:  C+− C bC aC C −−fr r f f   2 1   mv mv β β xx mvx = ++δ *Ed () t  22ψ  uu ψ aCfr−+ bC a C f b C r aC f  −−  (3.16)  Iz Ivzx. I z  +−  Cfr C bC r aC f C f ay − β  = m mv ++δ *Fd () t x  m uu ψ ψ   0 1  0 Trong đó: x(t) là véc tơ các biến quan sát và y(t) đầu ra đo được của mô hình; d(t) là ma trận hàm thời gian của các yếu tố đầu vào, ra không đo được. T = βψT = ψ δδ= xt() [ ] ; yt()  ay ; *.vli l 3.3. Xây dựng hệ suy diễn mờ mô tả động lực học bên Hệ suy diễn mờ T-S mô tả hệ thống được được trình bày dưới dạng các luật:Luật ℜi: If zii ( t ) is MF xi() t=++ Ax i () t B iδ (t) Ed iu () t (3.19) Then  yi() t=++ C i x () t D iδ (t) Fd iu () t Các kết quả tính toán các hệ số: -51.8400 5.0031 -25.9200 0.5008 -17.2800 -0.3330 A1= ; AA 23= ;;=  29.5660 -82.7201 29.5660 -41.3600 29.5660 -27.5734 -12.9600 -0.6248 -10.3680 -0.7599 -8.6400 -0.8332 A4= ; AA 56= ; =  29.5660 -20.6800 29.5660 -16.5440 29.5660 -13.7867 -10.3680 -0.7599 -8.6400 -0.8332  21.6000  10.8000  AA56=  ; =  BB12=  ; =  29.5660 -16.5440 29.5660 -13.7867 57.8298  57.8298  7.2000 5.4000 4.3200 3.6000 BB34= ; = BB56= ;;= 57.8298 57.8298 57.8298 57.8298  -144.0000 16.6752 -144.0000 8.3376 -144.0000 5.5584 C1=  ;; CC 23= =  0 1 01 01  -144.0000 4.1688 -144.0000 3.3350 -144.0000 2.7792 CCC456=  ;;= =  01 01 01 -14-
17. 60 21.6000  10.8000  = = FDii E12=  ;E = ; 0 57.8298  57.8298  7.2000 5.4000 4.3200 3.6000 EEEE3456= ;;;;= = = 57.8298 57.8298 57.8298 57.8298 3.4 Thiết kế bộ quan sát mờ Bộ quan sát mờ UIO của mô hình được biểu diễn dưới dạng 6 luật cơ sở tương ứng như xây dựng hệ suy diễn mô tả hệ thống. Bộ quan sát mờ thứ i (i=1, ,6) được biểu diễn dưới dạng luật như sau: If zii( t ) is MF Then zti()=++ Fzt ii () TBut i i () Kyt i () Luật ℜi:  (3.25) xˆii() t= z () t + Hyt i ()  yˆˆi() t= Cx ii () t Cấu trúc bộ quan sát mờ thứ i được mô phỏng trong chương trình Matlab Simulink ( Phụ lục 1). 3.5. Tính giá trị ngưỡng Lượng sai lệch r(t) được so sánh với các giá trị ngưỡng tương ứng để đưa ra kết luận về hệ thống có lỗi hay không có lỗi. Giá trị ngưỡng được tính cho từng thông số chẩn đoán trong trường hợp hệ thống không có lỗi. Giá trị ngưỡng được tính theo công thức JJth= th,() d t Trong mô hình chẩn đoán này, lượng sai lệch r(t) là véc tơ gồm 2 thành phần: sai lệch của trị số gia tốc ngang ay và sai lệch của trị số tốc độ góc quay thân xe ψ. Giá trị ngưỡng sẽ được tính riêng cho từng thông số, cụ thể là: ay 2 - Giá trị ngưỡng đối với gia tốc ngang ay: Jth = ±0.25 ms / ψ - Giá trị ngưỡng đối với tốc độ góc quay thân xe ψ: Jth = ±0.04 rad / s 3.6 Các trường hợp mô phỏng và phân tích các kết quả Các trường hợp chạy mô phỏng trên máy tính bao gồm: Trường hợp 1: Kiểm tra, đánh giá mức độ phù hợp giữa kết quả tính toán đầu ra của hệ thống suy diễn mờ so với kết quả tính toán đầu ra của hệ thống thực khi không lỗi (gọi tắt là hệ thống lấy mẫu). Trường hợp 2: Chạy chương trình tính các ma trận hệ số của các bộ quan sát mờ địa phương và đánh giá mức độ phù hợp giữa kết quả đầu ra của hệ thống lấy mẫu khi không lỗi với đầu ra của bộ quan sát sau khi được thiết kế. Trường hợp 3: Sử dụng bộ số liệu thu thập qua thí nghiệm trên xe để chẩn đoán TTKT cho hệ thống VSC trong các trường hợp hệ thống không có lỗi và có lỗi. Hình 3.10 trình bày quy luật đánh lái 1 sử dụng chạy mô phỏng. Các Hình 3.11, , 3.16 trình bày các kết quả tính toán trị số gia tốc ngang, tốc độ góc quay thân xe của hệ suy diễn mô tả hệ thống so sánh với các trị số tính toán từ hệ thống thực với vận tốc quay vòng ổn định 20km/h. -15-
18. 3 0.4 0.06 ) 0.35 2 2.5 0.05 0.3 ) 2 2 0.04 0.25 1.5 0.2 0.03 0.15 1 0.02 Gia tèc ngang ay (m/s ngang ay tèc Gia 0.1 0.5 (rad/s) r1 xe th©n quay Tèc ®é gãc 0.01 0.05 L­îng sai lÖch gia tèc ngang aYY (m/s aYY ngang tèc gialÖch sai L­îng 0 0 0 0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 Thêi gian (s) 0 5 10 15 20 25 30 35 40 Thêi gian (s) Thêi gian (s) Hình 3.11: Gia tốc ngang tính toàn Hình 3.12: Tốc độ góc quay thân xe Hình 3.15: Lượng sai lệch gia tốc từ hệ thống lấy mẫu tính toàn từ hệ hệ thống lấy mẫu ngang giữa hệ suy diễn mờ và hệ thống lấy mẫu 3 0.4 0.35 2.5 ) 0.3 2 2 0.25 1.5 0.2 0.15 1 Gia tèc ngang aYY (m/s aYY ngang tèc Gia 0.1 0.5 Tèc ®é gãc quay th©n xe r1YY (rad/s) r1YY xe th©n quay gãc ®é Tèc 0.05 0 0 0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 Thêi gian (s) Thêi gian (s) Hình 3.13: Gia tốc ngang tính toàn Hình 3.14: Tốc độ góc quay tính Hình 3.16: Lượng sai lệch tốc độ góc từ hệ suy diễn mờ toàn từ hệ suy diễn mờ quay thân xe giữa hệ suy diễn mờ và hệ thống lấy mẫu Các Hình 3.17, , 3.22 trình bày các kết quả tính trị số gia tốc ngang, tốc độ góc quay thân xe của hệ suy diễn mờ so sánh với các trị số thu được từ hệ thống lấy mẫu với vận tốc ổn định 35km/h, qui luật đánh lái 1. 6 0.7 0.07 5 0.6 0.06 ) 2 0.5 0.05 ) 4 2 0.4 0.04 3 0.3 0.03 Gia tèc ay (m/s 2 0.2 0.02 L­îng sai lÖch gia tèc (m/s tèc gialÖch sai L­îng 1 (rad/s) r1 xe th©n quay Tèc ®é gãc 0.1 0.01 0 0 5 10 15 20 25 30 35 40 0 0 0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 Thêi gian (s) Thêi gian (s) Thêi gian (s) Hình 3.17: Gia tốc ngang của hệ Hình 3.18: Tốc độ góc quay thân xe Hình 3.21: Lượng sai lệch gia tốc thống lấy mẫu của hệ thống lấy mẫu ngang giữa hệ suy diễn mờ và hệ thống lấy mẫu 6 0.7 0.025 5 0.6 0.02 0.5 ) 2 4 0.015 0.4 3 0.3 0.01 Gia tèc aYY (m/s 2 0.2 0.005 1 Tèc ®é gãc quay th©n xe r1aYY (rad/s) r1aYY xe th©n quay gãc ®é Tèc 0.1 L­îng sai lÖch tèc ®é gãc quay th©n xe (rad/s) xe th©n quay gãc ®é tèc lÖch sai L­îng 0 0 0 5 10 15 20 25 30 35 40 0 0 5 10 15 20 25 30 35 40 Thêi gian (s) 0 5 10 15 20 25 30 35 40 Thêi gian (s) Thêi gian (s) Hình 3.19: Gia tốc ngang tính toàn Hình 3.20: Tốc độ góc quay tính toàn Hình 2.22: Lượng sai lệch tốc độ góc từ hệ suy diễn mờ từ hệ suy diễn mờ quay thân xe giữa hệ suy diễn mờ và hệ thống lấy mẫu Nhận xét: Từ các đồ thị biểu diễn trên cho thấy: -16-
19. + Ứng với vận tốc 20km/h thì lượng sai lệch gia tốc ngang giữa hệ suy diễn mờ và hệ thống lấy mẫu lớn nhất xấp xỉ là 0.055m/s2, trong khi đó ở tốc độ 35km/h thì sai lệch lớn nhất xấp xỉ là 0.065m/s2. Điều này chứng tỏ lượng sai lệch ở tốc độ cao tăng hơn ở tốc độ thấp. + Ứng với vận tốc 20km/h lượng sai lệch tốc độ góc quay thân xe giữa hệ suy diễn mờ và hệ thống lấy mẫu lớn nhất xấp xỉ là 1.9×10-2rad/s, trong khi đó ở tốc độ 35km/h thì sai lệch lớn nhất xấp xỉ là 2.3×10-2rad/s, chứng tỏ lượng sai lệch ở tốc độ cao có xu hướng tăng. + Xu hướng sai lệch tăng khi tốc độ chuyển động của xe tăng, điều này có thể được giải thích bởi tính phi tuyến của mô hình toán học theo thông số vận tốc v. Các Hình 3.23, , 3.26 trình bày các kết quả tính trị số gia tốc ngang, tốc độ góc quay thân xe ở đầu ra bộ quan sát so sánh với các trị số tính toán từ hệ thống thực ở tốc độ quay vòng ổn định 20km/h. 3 2.5 ) 2 2 1.5 1 Gia tèc ngang aydot (m/s ngang aydot tèc Gia 0.5 0 0 5 10 15 20 25 30 35 40 Thêi gian (s) Hình 3.23: Gia tốc ngang tính toán từ bộ Hình 3.24: Tốc độ góc quay thân xe tính toán quan sát từ bộ quan sát Hình 3.25: Lượng sai lệch gia tốc ngang giữa Hình 3.26 Lượng sai lệch tốc độ góc quay bộ quan sát và hệ thống lấy mẫu thân xe giữa bộ quan sát và hệ thống lấy mẫu Nhận xét: các trị số đầu ra của bộ quan sát khảo sát với đầu ra hệ thống lấy mẫu là rất sát (sai số cỡ 10-3), cụ thể là: + Ứng với vận tốc 20km/h thì lượng sai lệch trị số gia tốc ngang giữa bộ quan sát và hệ thống lấy mẫu lớn nhất xấp xỉ là 4.2×10-3m/s2, ở tốc độ 35km/h thì sai lệch lớn nhất xấp xỉ là 8.8×10-3m/s2 và ở tốc độ 45km/h thì sai lệch lớn nhất xấp xỉ là 7.5×10-2m/s2; + Ứng với vận tốc 20km/h lượng sai lệch tốc độ góc quay thân xe giữa bộ quan sát và hệ thống lấy mẫu lớn nhất xấp xỉ là 3.4×10-3rad/s, ở tốc độ 35km/h thì sai lệch lớn nhất xấp xỉ là 1.4×10-2rad/s và ở tốc độ 45km/h thì sai lệch lớn nhất xấp xỉ là 4.6×10-2rad/s; Như vậy, khi xây dựng hệ suy diễn mờ để khảo sát động lực học của hệ thống có xét đến sự ảnh hưởng của yếu tố không rõ ở đầu vào thì việc sử dụng bộ quan sát là cần thiết. -17-
20. Các kết quả mô phỏng ở phần 3.5 cho thấy bộ quan sát với các thông số được tính toán thiết kế luôn bám sát hệ thống lấy mẫu. Chạy chương trình máy tính trong phần này nhằm mô tả cách sử dụng chương trình phần mềm Bộ quan sát trong việc chẩn đoán TTKT hệ thống VSC thực tế. Để đánh giá TTKT hệ thống VSC cần các dữ liệu đo thực tế trên xe: tốc độ xe, góc quay vành lái, trị số gia tốc ngang và trị số tốc độ góc quay thân xe. Các Hình 3.36, 3.37 là các số liệu đo được trong thí nghiệm trên xe có hệ thống VSC hoạt động bình thường, không lỗi (xem Chương 4, phần kết quả thí nghiệm) tương ứng với các trị số góc quay vành lái, gia tốc ngang và tốc độ góc quay thân xe. Vận tốc xe khi quay vòng là 20km/h. 3.7 Kết luận chương 3 - Trên cơ sở các kết quả nghiên cứu lý thuyết ở chương 2 về ứng dụng hệ suy diễn mờ T-S để mô tả hệ thống trong chẩn đoán TTKT, trong chương này, NCS đã tiến hành xây dựng mô hình chẩn đoán TTKT cho hệ thống VSC có ĐKĐT trên xe Toyota Camry. Các thông số sử dụng để chẩn đoán TTKT của hệ thống VSC bao gồm: góc quay vành lái, tốc độ ô tô, gia tốc ngang của xe, tốc độ góc quay thân xe. - NCS đã xây dựng hệ suy diễn mờ T-S để mô tả hệ thống VSC (trong trường hợp hệ thống không có lỗi) với các yếu tố đầu vào không đo được (các nhiễu, các sai số của cảm biến đầu vào ); thiết kế bộ quan sát mờ UIO để hiệu chỉnh và loại bỏ ảnh hưởng các nhiễu đến sai lệch giữa đầu ra của mô hình tính toán và đầu ra đo từ hệ thống thực; Tính toán xác định giá trị ngưỡng sai lệch của các thông số chẩn đoán ở đầu ra tương ứng là gia tốc ngang và tốc độ góc quay thân xe. - Các kết quả chạy chương trình mô phỏng cho thấy, sai lệch giữa kết quả tính toán đầu ra của Bộ quan sát so với các trị số tương ứng từ hệ thống mẫu (hệ thống thực có ảnh hưởng của nhiễu nhưng không có lỗi) là nhỏ hơn 7 lần so với các sai lệch tương ứng tính từ hệ suy diễn mờ với hệ thống mẫu. Điều này chứng tỏ Bộ quan sát mô tả hệ thống thực (trong trường hợp các thông số đầu vào bị nhiễu hoặc đo không đầy đủ) là -18-
21. tốt hơn so với dùng hệ suy diễn mờ thông thường. CHƯƠNG 4. NGHIÊN CỨU THỰC NGHIỆM 4.1. Mục đích nghiên cứu, đối tượng và thông số thực nghiệm * Mục đích: Các thực nghiệm nhằm mục đích đánh giá khả năng ứng dụng và hiệu quả của mô hình do NCS nghiên cứu để chẩn đoán phát hiện lỗi trong hệ thống VSC xe Toyota Camry. * Đối tượng thực nghiệm Hệ thống VSC trên xe Toyota Camry 2.4, sản xuất năm 2009 tại Việt Nam (trên xe cụ thể là xe phục vụ giảng dạy và NCKH của Trường Cao đẳng nghề Kỹ thuật Công nghệ Đông Anh - Bộ Lao động, Thương binh và Xã hội). * Thông số đo trong thực nghiệm Bảng 4-1 là các thông số đo trong quá trình thực nghiệm được lấy ra từ ECU của hệ thống điều khiển điện tử trên ô tô. Để chủ động đo các thông số chẩn đoán trong thí nghiệm cũng như trong công tác sửa chữa thực tế, NCS đã nghiên cứu chế tạo Bộ thu thập dữ liệu, đây là thiết bị kết nối giữa ECU của ô tô với máy tính cá nhân nhằm thu thập thông tin từ các cảm biến gửi về ECU của xe. Thiết bị này đã giúp truy cập tức thời các số liệu trong thí nghiệm cũng như lưu trữ các số liệu này vào máy tính, nhập dữ liệu vào chương trình xử lý của bộ quan sát đã thiết kế để tiến hành chẩn đoán phát hiện lỗi của hệ thống VSC trên xe thí nghiệm. 4.2. Chế tạo bộ thu thập dữ liệu * Cơ sở thiết kế, chế tạo bộ thu thập dữ liệu Bộ thu thập dữ liệu là thiết bị điện tử được thiết kế theo chuẩn OBD2. Đây là hệ thống chuẩn của SAE quy định về giao tiếp thông tin giữa người, thiết bị ngoại vi với hệ thống điều khiển điện tử (thông qua ECU) trên ô tô. * Thiết kế các mạch của thiết bị Về nguyên tắc, muốn giao tiếp với ECU của một xe cụ thể cần có thiết bị kết nối với ECU qua đầu nối chuẩn DLC3 và bộ xử lý của thiết bị phải tương thích với giao thức truyền tin mà hãng sản xuất xe đã sử dụng. Các module chính của bộ kết nối gồm có: - Module chuyển đổi các chuẩn giao tiếp. - Module chuyển đổi giao tiếp UART-USB để chuyển đổi giao tiếp từ cổng COM của máy tính PC sang máy tính Laptop. -19-
22. * Kiểm tra sự làm việc của bộ thu thập dữ liệu Để kiểm tra khả năng làm việc và độ chính xác của các số liệu mà Bộ thu thập dữ liệu được thiết kế chế tạo, NCS đã tiến hành thí nghiệm kiểm tra đối chứng các dữ liệu kết quả thu được từ mạch đo dùng cảm biến MPU 6050 và kết quả mà Bộ thu thập dữ liệu nhận được từ ECU của xe Camry. Sơ đồ nối ghép hệ thống đo như trên Hình 4.10. Để phục vụ việc thu thập dữ liệu đối chứng từ 2 nguồn dữ liệu (Thiết bị thu thập dữ liệu từ cảm biến trên xe và Mạch cảm biến MPU 6050), NCS đã thiết kế chương trình máy tính trên cơ sở phần mềm LabView (Phụ lục 4) để thu thập và lưu trữ các kết quả thí nghiệm. Giao diện màn hình thu thập dữ liệu trong thí nghiệm kiểm chứng giữa mạch đo dùng cảm biến MPU 6050 và bộ kết nối ELM327 được thể hiện trên Hình 4.11. Các đồ thị trên các Hình 4.12-4.15 trình bày so sánh đối chiếu các trị số nhận được từ Bộ thu thập dữ liệu và từ cảm biến MPU. -20-
23. 4.3. Thí nghiệm phát hiện lỗi trong hệ thống VSC xe Camry * Mục đích thí nghiệm Các thí nghiệm được thực hiện nhằm: - Kiểm tra khả năng sử dụng hệ thống chẩn đoán bao gồm Bộ thu thập dữ liệu từ ECU, phần mềm hệ suy diễn mờ, bộ quan sát (mà NCS đã nghiên cứu thiết kế, chế tạo) và các giá trị ngưỡng tính toán để chẩn đoán phát hiện lỗi trong hệ thống VSC của xe Toyota Camry. - Đánh giá ảnh hưởng các yếu tố mặt đường, độ cứng vững hệ dẫn động lái đến các thông số liên quan đến sự làm việc của hệ thống VSC như gây lệch hướng của bánh xe dẫn hướng, gây biến động của gia tốc ngang và tốc độ góc quay thân xe trong khi xe chuyển động ổn định trên đường thẳng, mặt đường bằng phẳng. * Điều kiện thí nghiệm: xe không tải và chuyển động với vận tốc ổn định. * Các thông số đo và trang thiết bị đo, quan sát trong thí nghiệm Trong thí nghiệm, thiết bị Carman Scan VG+ (Hình 4.18) được sử dụng để thực hiện các nhiệm vụ: Kiểm tra hiệu chỉnh theo quy trình hướng dẫn của hãng xe về đặt vị trí 0 của cảm biến góc quay vành lái, cảm biến gia tốc ngang và cảm biến tốc độ góc quay thân xe; xóa các mã lỗi sau khi thực hiện thí nghiệm đánh lỗi các cảm biến. Để kết nối giữa Carman VG với ECU của xe, sử dụng đầu nối tiêu chuẩn DLC3 16 chân (Hình 4.21). Vị trí của đầu nối DLC3 cũng được chuẩn hóa (Hình 4.22). * Sơ đồ lắp đặt bộ thu thập dữ liệu với ECU và máy tính trong thí nghiệm Kết nối Bộ thu thập dữ liệu, thông tin của các cảm biến tốc độ ô tô, gia tốc ngang, tốc độ góc quay thân xe và góc quay vành lái từ ECU của ô tô với máy tính được thể hiện trên Hình 4.23. Giao diện chương trình điều khiển được trình bày trên -21-
24. hình 4.24. * Phân tích kết quả các thí nghiệm chẩn đoán phát hiện lỗi hệ thống VSC Thí nghiệm 1 (Trường hợp hệ thống VSC hoạt động bình thường, không có lỗi) - Các đồ thị trên Hình 4.25 4.27 là kết quả đo các thông số góc quay vành lái, gia tốc ngang, tốc độ góc quay thân xe trong thí nghiệm với điều kiện hệ thống VSC hoạt động bình thường (không có lỗi). So sánh lượng sai lệch r với giá trị ngưỡng của các cảm biến tốc độ góc quay thân xe và gia tốc ngang.(Hình 4.28 và 4.29). Thí nghiệm 2 (Trường hợp xuất hiện lỗi trong hệ thống VSC) Các hình 4.30 4.33 trình bày đồ thị tín hiệu nhận được từ cảm biến gia tốc ngang và tốc độ góc quay thân xe cũng như thời điểm xuất hiện lỗi trong thí nghiệm có xuất hiện lỗi trong hệ thống VSC. -22-
25. Thí nghiệm 3 (Thí nghiệm trong chuyển động thẳng) Kết quả thí nghiệm phát hiện sự lệch hướng của xe khi giữ nguyên vành lái theo hướng chuyển động thẳng. Độ lệch hướng chuyển động của xe qua 3 lần đo. Các trị số dao động của cảm biến gia tốc ngang, góc quay vành lái và tốc độ góc quay thân xe. Từ các đồ thị trên cho thấy, khi xe chuyển động thẳng, tín hiệu các cảm biến vẫn có thể có trị số khác không. Với cảm biến gia tốc ngang, giá trị max của nhiễu đạt tới 0.27m/s2; với cảm biến đo tốc độ góc quay thân xe, tín hiệu nhiễu max có giá trị 0.8o/s; với cảm biến góc quay vành lái, trị số tương ứng là 4.8o. Các số liệu thí nghiệm cho thấy các yếu tố ngẫu nhiên không đo được từ mặt đường, cấu trúc hệ thống, sai lệch thông số kỹ thuật (ví dụ áp suất lốp không đúng quy định, lốp mòn ) sẽ làm ảnh hưởng đến sai lệch giữa mô hình và hệ thống thực. Việc sử dụng công cụ bộ quan sát UIO cho mô hình chẩn đoán là cần thiết. 4.5. Nhận xét và kết luận chương 4 Các nội dung và kết quả nghiên cứu trong chương 4 liên quan đến các thực nghiệm mà NCS đã tiến hành nhằm đánh giá hiệu quả làm việc của mô hình chẩn đoán phát hiện lỗi trong hệ thống VSC của xe Toyota Camry. - NCS đã thiết kế chế tạo được Bộ thu thập dữ liệu của các cảm biến góc quay vành lái, tốc độ ô tô, gia tốc ngang và tốc độ góc quay thân xe gửi về ECU. Các dữ liệu này là các thông số đầu vào của chương trình tính toán đánh giá trạng thái kỹ -23-
26. thuật, phát hiện lỗi trong hệ thống VSC của Toyota Camry. Bộ thu thập dữ liệu đã được kiểm chứng qua thí nghiệm và chứng tỏ sự hoạt động chính xác, tin cậy. - Các kết quả thí nghiệm 1 và 2 đánh giá tính năng làm việc của hệ thống chẩn đoán lỗi (bao gồm Bộ thu thập dữ liệu, chương trình máy tinh L2.xlsx) cho thấy hệ thống chẩn đoán đã chẩn đoán được trạng thái kỹ thuật của hệ thống VSC xe Toyota, phát hiện các trạng thái làm việc có lỗi của hệ thống thông qua bộ các thông số chẩn đoán là góc quay vành lái, tốc độ ô tô, gia tốc ngang và tốc độ góc quay thân xe - Các kết quả thí nghiệm 3 cho thấy ảnh hưởng của các yếu tố ngẫu nhiên mặt đường, ảnh hưởng của độ cứng vững trong dẫn động lái, các thông số cấu trúc của cơ cấu truyền động bánh xe dẫn hướng . đến quỹ đạo chuyển động mong muốn của xe khi chuyển động thẳng cũng như quay vòng. Các thông số này là các thông số đầu vào, không đo được và là nguyên nhân gây ra tính không chính xác của mô hình lý thuyết khi mô tả hệ thống thực. KẾT LUẬN CHUNG VÀ CÁC KIẾN NGHỊ 1. Kết luận chung 1. Đã lựa chọn phương pháp chẩn đoán trên cơ sở mô hình để xây dựng mô hình chẩn đoán phát hiện lỗi hệ thống có ĐKĐT trên xe ô tô nói chung và cụ thể là hệ thống VSC trên xe Toyota Camry. Đã ứng dụng hệ suy diễn mờ T-S để mô tả hệ thống VSC trên ô tô, trong đó đã sử dụng các hàm biểu diễn quan hệ vật lý giữa các yếu tố trong hệ thống, giảm bớt khối lượng thống kê dữ liệu so với phương pháp sử dụng hệ suy diễn mờ Mamdani. 2. Xây dựng mô hình chẩn đoán phát hiện trạng thái làm việc có lỗi của hệ thống VSC trên xe Toyota Camry, bao gồm các thành phần: bộ thu thập dữ liệu thông tin chẩn đoán từ các cảm biến góc quay vành lái, tốc độ ô tô, gia tốc ngang, tốc độ góc quay thân xe; hệ suy diễn mờ mô tả hệ thống VSC được chẩn đoán; bộ quan sát trạng thái UIO được lập trình để đánh giá lượng sai lệch làm căn cứ để phát hiện trạng thái làm việc có lỗi của hệ thống VSC trên xe Toyota Camry. 3. Kết quả các thí nghiệm về đánh giá TTKT của hệ thống VSC xe Toyota Camry (được trình bày ở mục 4.3) đã chứng tỏ mô hình chẩn đoán TTKT hệ thống VSC do NCS nghiên cứu và đề xuất làm việc tốt, hiệu quả. 4. Đã thiết kế, chế tạo được bộ thu thập dữ liệu của các cảm biến góc quay vành lái, tốc độ ô tô, gia tốc ngang, tốc độ góc quay thân xe gửi về ECU thông qua đầu nối chẩn đoán DLC3 và đưa trực tiếp vào chương trình chẩn đoán lỗi được cài đặt trên máy tính. 5. Các kết quả nghiên cứu phương pháp chẩn đoán cũng như thiết kế mô hình chẩn đoán phát hiện lỗi hệ thống VSC trên xe ô tô có thể làm cơ sở cho tính toán thiết kế chế tạo các hệ thống chẩn đoán đối với các xe được sản xuất trong nước. 2. Kiến nghị 1. Phát triển ứng dụng mờ T-S cùng bộ quan sát mờ UIO để chẩn đoán các hệ thống có ĐKĐT trên ô tô như hệ thống phanh, lái trợ lực điện, hộp số tự động, các hệ thống by-wire. 2. Phương pháp luận về chẩn đoán lỗi các hệ thống có ĐKĐT trên ô tô được trình bày trong luận án có thể sử dụng làm cơ sở cho thiết kế chế tạo các thiết bị, hệ thống chẩn đoán lỗi (phần cứng và phần mềm) các hệ thống có ĐKĐT trên ô tô. -24-
27. DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 1. Phạm Hữu Nam, Nguyễn Thanh Tùng, Nguyễn Trọng Minh, Trần Quang Hà (2011). Hệ thống tự chẩn đoán lỗi trên động cơ phun xăng điện tử EFI, Tạp chí Giao thông vận tải, số tháng 4 năm 2011,trang 35, 36, 37 và 38. 2. Phạm Hữu Nam, Chu Mạnh Hùng, Trần Quang Hà (2011). Ứng dụng mạng Nơ ron để chẩn đoán trạng thái kỹ thuật động cơ, Tạp chí Giao thông vận tải, số tháng 12 năm 2011, trang 40, 41 và 42. 3. Trần Quang Hà (2013). Ứng dụng mạng Nơ ron mờ trong chẩn đoán lỗi hộp số tự động, Tạp chí Giao thông vận tải, số tháng 6 năm 2013, trang 16, 17 và 71. 4. Trần Quang Hà, Phạm Hữu Nam (2013). Sử dụng phương trình tương đương trong chẩn đoán lỗi các hệ thống trên ô tô, Tạp chí Giao thông vận tải, số tháng 8 năm 2013, trang 27, 28 và 29. 5. Tran Quang Ha, Pham Huu Nam, Pham Van Thoan (2015). Application of Takazi-Sugeno fuzzy system for automotive fault detection and isolation, The International conference on automotive technology for Vietnam Hosted by Vietnamese Society of Automotive Engineers. Hanoi, October 9-11,2015. -25-