1. Đặt vấn đề

Trong các hệ thống công nghiệp hiện đại, việc phát hiện và chẩn đoán sự cố kịp thời đóng vai trò quyết định nhằm tránh dừng máy đột xuất và giảm thiểu thiệt hại kinh tế. Mặc dù các kỹ thuật học máy có giám sát (Supervised Learning) đạt độ chính xác cao, chúng phụ thuộc lớn vào tập dữ liệu lỗi đã được gán nhãn — vốn rất khó thu thập đầy đủ trong thực tế.

Thuật toán K-means là giải pháp học không giám sát (Unsupervised Learning) nổi bật nhờ cấu trúc gọn nhẹ, khả năng hội tụ nhanh và không yêu cầu gán nhãn dữ liệu trước. Việc ứng dụng K-means trong chẩn đoán lỗi giúp hệ thống tự động nhận diện độ lệch chuẩn của thiết bị so với trạng thái vận hành bình thường.

2. Phương pháp nghiên cứu và Quy trình xử lý

Quy trình chẩn đoán lỗi bằng K-means gồm 4 bước chính:

Tín hiệu cảm biến ──> Trích xuất Đặc trưng ──> Chuẩn hóa Dữ liệu ──> Phân cụm & Định vị Lỗi (K-means)

2.1. Thu thập và Trích xuất đặc trưng tín hiệu

Tín hiệu thô từ cảm biến (như gia tốc độ rung hoặc dòng điện) được phân tích để trích xuất một tập vectơ đặc trưng đại diện:

• Miền thời gian: Giá trị hiệu dụng (RMS), hệ số đỉnh (Crest Factor), độ nhọn (Kurtosis), độ lệch (Skewness).
• Miền tần số: Tần số biên độ cực đại, tổng công suất phổ (Spectral Power) thu được từ biến đổi Fourier nhanh (FFT).

2.2. Chuẩn hóa dữ liệu

Do các đặc trưng có đơn vị và biên độ khác nhau, dữ liệu được chuẩn hóa về cùng một quy mô bằng phương pháp Z-score (trừ cho giá trị trung bình và chia cho độ lệch chuẩn của tập đặc trưng).

2.3. Thuật toán phân cụm K-means

Thuật toán chia tập dữ liệu mẫu thành k cụm trạng thái bằng cách tối thiểu hóa tổng bình phương khoảng cách Euclidean từ mỗi mẫu dữ liệu đến tâm cụm tương ứng. Tâm của mỗi cụm được cập nhật liên tục bằng trung bình tọa độ của các điểm dữ liệu thuộc cụm đó qua các vòng lặp.

Số lượng cụm k được lựa chọn tối ưu thông qua phương pháp Khuỷu tay (Elbow Method) hoặc chỉ số Silhouette.

3. Chiến lược Chẩn đoán và Định vị lỗi

Quy trình chẩn đoán được chia thành hai giai đoạn:

1. Giai đoạn huấn luyện offline (Offline Training):
   • Thu thập dữ liệu ở các trạng thái làm việc khác nhau (Bình thường, Lỗi nhẹ, Lỗi nặng ở từng linh kiện cụ thể).
   • Chạy thuật toán K-means để xác định các tâm cụm đại diện cho từng dạng trạng thái vận hành.
2. Giai đoạn chẩn đoán online (Online Inference):
   • Vectơ đặc trưng mới thu thập thời gian thực được tính khoảng cách Euclidean đến tất cả các tâm cụm.
   • Mẫu dữ liệu được gán vào cụm có khoảng cách ngắn nhất.
   • Nếu khoảng cách này vượt quá ngưỡng an toàn cho phép, hệ thống sẽ phát cảnh báo xuất hiện sự cố mới chưa từng có trong tập huấn luyện.

4. Kết quả và Thảo luận

• Hiệu năng phân loại: Trong các thử nghiệm chẩn đoán lỗi động cơ và bộ biến đổi công suất, K-means đạt tỷ lệ phân loại chính xác từ 93% đến 97% đối với các dạng lỗi phổ biến (như mòn ổ bi, lệch trục, hở mạch van bán dẫn).
• Tốc độ xử lý: Vì giai đoạn chẩn đoán online chỉ đòi hỏi phép tính khoảng cách cơ bản, thời gian đưa ra kết quả chẩn đoán thường dưới 10ms, đáp ứng tốt yêu cầu thời gian thực.
• Dung lượng bộ nhớ: Mô hình lưu trữ chỉ cần giữ tọa độ của các tâm cụm, tốn chưa tới 5 KB RAM, giúp thuật toán dễ dàng nhúng vào các vi điều khiển (ARM Cortex-M, DSP).

5. Kết luận

Thuật toán K-means là giải pháp đơn giản nhưng hiệu quả cao trong bài toán chẩn đoán lỗi thiết bị công nghiệp. Nhờ không phụ thuộc vào dữ liệu gán nhãn ban đầu và khối lượng tính toán nhẹ, K-means thích hợp làm hạt nhân cho các hệ thống giám sát tình trạng thiết bị tại biên. Hướng nghiên cứu mở rộng có thể kết hợp K-means với các kỹ thuật giảm chiều dữ liệu (như PCA) hoặc sử dụng K-means++ để cải thiện tốc độ hội tụ khi xử lý dữ liệu cảm biến đa chiều phức tạp.