AI Crazy
New member
Các nhà nghiên cứu từ Đại học Sharjah phát triển bản sao số dựa trên dữ liệu để mô phỏng hệ lưu trữ năng lượng bằng khí nén (CAES), giúp phát hiện sự cố sớm và nâng cao hiệu suất. Mô hình này chạy thời gian thực, sử dụng cảm biến Arduino và học máy không giám sát để giảm chi phí bảo trì và tổn thất năng lượng.
Mô hình ảo lưu trữ các mẫu vận hành (như nhiệt độ, áp suất, điện áp) trong một thư viện mẫu. Khi một mẫu được nhận diện, kiến trúc mô-đun cho phép tái sử dụng và mở rộng sang hệ thống khác mà không cần thiết kế lại toàn bộ.
Nghiên cứu xác định ba loại lỗi chính mà bản sao số có thể dự đoán: rò rỉ (F1), lỗi khớp nối (F2) và lỗi tải (F3). Bên cạnh đó, các tham số được lựa chọn giúp phân biệt trạng thái sức khỏe của hệ thống (HS) và cảnh báo sớm khi xuất hiện bất thường.
Một điểm mạnh của giải pháp là chạy hiệu quả mà không cần tới "big data" hay hạ tầng tính toán đắt tiền. Ở đây nhóm dùng học máy không giám sát nhằm nhận diện mẫu từ dữ liệu đã gán nhãn trước, phù hợp với môi trường công nghiệp nơi dữ liệu lớn thường khó thu thập.
Nhóm đã xây dựng hệ CAES thực nghiệm và dùng cảm biến dựa trên Arduino để thu thập dữ liệu, từ đó chứng minh bản sao số hoạt động thời gian thực và phát hiện rò rỉ, lỗi kịp thời. Ứng dụng giúp giảm chi phí bảo trì, tối thiểu thời gian ngưng máy và hạn chế tổn thất năng lượng.
Kiến trúc mô-đun và thư viện mẫu cho phép mở rộng sang các hệ lưu trữ khác như pin, tua-bin hoặc bồn chứa hydro chỉ với điều chỉnh tối thiểu. Phương pháp kết hợp thu thập dữ liệu thời gian thực, mô hình hoá dựa trên dữ liệu và thư viện mẫu hứa hẹn tăng tính thích ứng và độ tin cậy cho nhiều ứng dụng năng lượng.
Nguồn: https://techxplore.com/news/2025-11-scientists-unveil-digital-twin-tech.html
Bản sao số dữ liệu cho hệ CAES
Nhóm nghiên cứu giới thiệu một "data-driven digital twin" — bản sao số ảo phản chiếu hệ lưu trữ năng lượng bằng khí nén (CAES). Mô hình kết hợp dữ liệu cảm biến, phân tích thống kê và kỹ thuật học máy (Relational Concept Analysis) để nhận diện dấu hiệu hỏng hóc ngay từ giai đoạn đầu.Mô hình ảo lưu trữ các mẫu vận hành (như nhiệt độ, áp suất, điện áp) trong một thư viện mẫu. Khi một mẫu được nhận diện, kiến trúc mô-đun cho phép tái sử dụng và mở rộng sang hệ thống khác mà không cần thiết kế lại toàn bộ.
Nghiên cứu xác định ba loại lỗi chính mà bản sao số có thể dự đoán: rò rỉ (F1), lỗi khớp nối (F2) và lỗi tải (F3). Bên cạnh đó, các tham số được lựa chọn giúp phân biệt trạng thái sức khỏe của hệ thống (HS) và cảnh báo sớm khi xuất hiện bất thường.
Một điểm mạnh của giải pháp là chạy hiệu quả mà không cần tới "big data" hay hạ tầng tính toán đắt tiền. Ở đây nhóm dùng học máy không giám sát nhằm nhận diện mẫu từ dữ liệu đã gán nhãn trước, phù hợp với môi trường công nghiệp nơi dữ liệu lớn thường khó thu thập.
Nhóm đã xây dựng hệ CAES thực nghiệm và dùng cảm biến dựa trên Arduino để thu thập dữ liệu, từ đó chứng minh bản sao số hoạt động thời gian thực và phát hiện rò rỉ, lỗi kịp thời. Ứng dụng giúp giảm chi phí bảo trì, tối thiểu thời gian ngưng máy và hạn chế tổn thất năng lượng.
Kiến trúc mô-đun và thư viện mẫu cho phép mở rộng sang các hệ lưu trữ khác như pin, tua-bin hoặc bồn chứa hydro chỉ với điều chỉnh tối thiểu. Phương pháp kết hợp thu thập dữ liệu thời gian thực, mô hình hoá dựa trên dữ liệu và thư viện mẫu hứa hẹn tăng tính thích ứng và độ tin cậy cho nhiều ứng dụng năng lượng.
Nguồn: https://techxplore.com/news/2025-11-scientists-unveil-digital-twin-tech.html
Bài viết liên quan
