Học máy kết hợp quang phổ để giám sát tình trạng cơ sở hạ tầng năng lượng: Bài tổng quan trên Processes tập trung vào dầu máy biến áp và hệ thống hydro
Ngày: 30 tháng 5, 2026
Annie Nguyễn
Trên tạp chí Processes (MDPI, tập 14, số 2, tháng 1 năm 2026), nhóm tác giả Hainan Zhu, Chuanshuai Zong, Linjie Fang, Hongbin Zhang, Yandong Sun, Ye Tian, Shiji Zhang và Xiaolong Wang đã công bố bài tổng quan mang tên "Intelligent Machine Learning-Based Spectroscopy for Condition Monitoring of Energy Infrastructure: A Review Focused on Transformer Oils and Hydrogen Systems". Công trình này phân tích một cách có hệ thống việc tích hợp các kỹ thuật quang phổ với học máy (ML) để chẩn đoán và dự báo sự cố thiết bị năng lượng, đặc biệt tập trung vào hai ứng dụng quan trọng: phát hiện rò rỉ hydro và đánh giá sự lão hóa của dầu máy biến áp.
Bối cảnh: Nhu cầu cấp bách về giám sát thông minh
Với sự phát triển của các hệ thống công nghiệp ngày càng phức tạp và giá trị tài sản ngày càng cao, sự cố thiết bị bất ngờ có nguy cơ gây gián đoạn sản xuất nghiêm trọng, thiệt hại kinh tế đáng kể và nguy cơ mất an toàn. Các chiến lược bảo trì truyền thống, chủ yếu là phản ứng (sau sự cố) hoặc dựa trên lịch trình định kỳ, đã được chứng minh là không đủ để ngăn chặn thời gian chết ngoài kế hoạch, làm nổi bật nhu cầu cấp bách về các giải pháp giám sát thông minh hơn.
Phát hiện bằng quang phổ thông minh (intelligent spectral detection) đã nổi lên như một phương pháp mang tính chuyển đổi để thu hẹp khoảng cách này.
Tích hợp quang phổ và học máy: Phương pháp tiếp cận mang tính chuyển đổi
Bài tổng quan khám phá việc tích hợp các kỹ thuật quang phổ với học máy để chẩn đoán và dự báo sự cố thiết bị, với trọng tâm cụ thể là hai ứng dụng:
-
Phát hiện rò rỉ hydro: Rò rỉ hydro là một mối nguy hiểm nghiêm trọng về an toàn trong các hệ thống năng lượng. Các kỹ thuật quang phổ, khi kết hợp với các thuật toán ML, có thể phát hiện nhanh chóng và chính xác nồng độ hydro trong môi trường, ngay cả ở mức độ rất thấp, cho phép cảnh báo sớm và ngăn ngừa các sự cố tiềm ẩn.
-
Đánh giá sự lão hóa của dầu máy biến áp: Dầu cách điện trong máy biến áp bị suy giảm theo thời gian, tạo ra các sản phẩm phụ như furfural. Phân tích quang phổ có thể phát hiện các chỉ số lão hóa này, và ML có thể dự báo tình trạng cách điện còn lại, từ đó lên kế hoạch bảo trì tối ưu.
Các chỉ số lão hóa chính có nguồn gốc từ dữ liệu quang phổ được đánh giá một cách có hệ thống để thiết lập cơ sở vững chắc cho việc giám sát tình trạng.
Những thách thức hiện tại
Bài báo cũng xác định những thách thức phổ biến trong lĩnh vực này:
-
Khan hiếm dữ liệu quang phổ: Dữ liệu quang phổ có nhãn cho các ứng dụng công nghiệp thường khan hiếm, gây khó khăn cho việc huấn luyện các mô hình ML mạnh mẽ.
-
Khả năng giải thích mô hình còn hạn chế: Nhiều mô hình ML phức tạp hoạt động như "hộp đen", khiến các kỹ sư khó tin tưởng và chấp nhận chúng trong các ứng dụng an toàn quan trọng.
-
Khả năng tổng quát hóa kém: Các mô hình được huấn luyện trên một tập dữ liệu cụ thể thường không hoạt động tốt trên các thiết bị hoặc điều kiện vận hành khác.
Hướng nghiên cứu trong tương lai
Để giải quyết những thách thức này, bài báo đề xuất một lộ trình nghiên cứu với ba hướng chính:
-
Xây dựng cơ sở dữ liệu quang phổ lớn, có chú thích: Cần có những nỗ lực phối hợp để tạo ra các bộ dữ liệu quang phổ tiêu chuẩn hóa, có gắn nhãn, có thể được sử dụng để đào tạo và đánh giá các mô hình ML.
-
Phát triển các khuôn khổ hợp nhất dữ liệu đa phương thức (multimodal data fusion): Kết hợp dữ liệu quang phổ với các nguồn dữ liệu cảm biến khác (như rung động, nhiệt độ, âm thanh) có thể cung cấp một bức tranh toàn diện hơn về tình trạng thiết bị.
-
Tối ưu hóa các thuật toán nhẹ (lightweight algorithms): Để triển khai thực tế, theo thời gian thực, các mô hình ML cần phải đủ nhẹ để chạy trên các thiết bị biên (edge devices) với tài nguyên hạn chế.
Mục tiêu cuối cùng: Bảo trì dự báo (Predictive Maintenance)
Mục tiêu cuối cùng của công việc này là cung cấp một lộ trình rõ ràng để thực hiện các mô hình bảo trì dự báo. Bằng cách dự báo chính xác thời điểm thiết bị có khả năng bị hỏng, các nhà khai thác có thể lên kế hoạch bảo trì một cách chủ động, giảm thời gian chết ngoài kế hoạch, giảm chi phí bảo trì và tăng cường an toàn.
Liên kết với các xu hướng AI khác trong ngành hydro
Nghiên cứu này bổ sung vào danh sách ngày càng tăng các ứng dụng AI trong ngành hydro, bao gồm khám phá chất xúc tác, tối ưu hóa thiết kế, vận hành thông minh và bảo trì dự báo. Cụ thể, việc phát hiện rò rỉ hydro bằng quang phổ kết hợp ML là một công cụ quan trọng để đảm bảo an toàn cho các trạm tiếp nhiên liệu hydro, hệ thống đường ống và các cơ sở lưu trữ. Khi ngành công nghiệp hydro mở rộng quy mô, các hệ thống giám sát tình trạng mạnh mẽ và đáng tin cậy sẽ rất cần thiết để duy trì niềm tin của công chúng và đảm bảo an toàn vận hành.
