Tải bản đầy đủ (.pdf) (222 trang)

nhận dạng khuyết tật ổ bi dựa trên anfis và giải pháp xử lý dòng dữ liệu từ cảm biến

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (14.19 MB, 222 trang )

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH

<b>TRƯỜNG ĐẠI HỌC BÁCH KHOA </b>

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

ĐẠI HỌC QUỐC GIA TP. HCM

<b>TRƯỜNG ĐẠI HỌC BÁCH KHOA </b>

NGƯỜI HƯỚNG DẪN: 1. TS. Nguyễn Sỹ Dũng2. GS. TS. Ngô Kiều Nhi

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

i

<b>LỜI CAM ĐOAN </b>

Tác giả xin cam đoan đây là cơng trình nghiên cứu của bản thân tác giả. Các kết quả nghiên cứu và các kết luận trong luận án này là trung thực, và không sao chép từ bất kỳ một nguồn nào và dưới bất kỳ hình thức nào. Việc tham khảo các nguồn tài liệu (nếu có) đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định.

Tác giả luận án

Trần Quang Thịnh

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

ii

<b>TÓM TẮT LUẬN ÁN </b>

Ổ bi quay là một chi tiết máy quan trọng, tham gia vào hầu hết các loại máy móc dân dụng và cơng nghiệp. Thực tế đã cho thấy rằng hỏng hóc của ổ bi cũng có thể gây ra những tai nạn thảm khốc cho các phương tiện di chuyển với tốc độ cao hoặc ảnh hưởng không mong muốn đến các hệ thống công nghiệp liên quan đến sự mất an toàn và thiệt hại về kinh tế. Do đó, việc giám sát trực tuyến tình trạng sức khỏe của máy móc, bao gồm cả ổ bi, để đảm bảo an toàn trong vận hành cũng như giúp khai thác các hệ thống kỹ thuật một cách chủ động và hiệu quả luôn là một yêu cầu cấp thiết. Nhiệm vụ này càng có ý nghĩa trên các hệ thống có mức độ tự động cao. Với mục tiêu này, luận án đề xuất một số cơ sở lý thuyết cho việc chẩn đoán khuyết tật ổ bi quay dựa trên trí tuệ nhân tạo và dữ liệu đo sử dụng cảm biến với các nội dung chính như sau.

Trước hết, luận án trình bày phương pháp chẩn đoán lỗi ổ bi quay mang tên ASSBDIM (Bearing Damage Identifying Method based on Adaptive Neuro-Fuzzy Inference System, Singular Spectrum Analysis and Sparse Filtering) dựa trên phân tích phổ đơn, lọc thưa và ANFIS (Adaptive Neuro-Fuzzy Inference System). Ở đây, thay vì tín hiệu chuyển vị như trong các nghiên cứu trước đây, ASSBDIM sử dụng tín hiệu gia tốc để nâng cao độ nhạy của các đặc trưng. Qua phân tích phổ đơn và lọc thưa, tiền xử lý và xây dựng cơ sở dữ liệu cho giai đoạn ngoại tuyến và trực tuyến được thực hiện. Theo đó, ANFIS nhận dạng đáp ứng động của các ổ bi và sau đó cấu trúc của ANFIS được tối ưu hóa trong giai đoạn ngoại tuyến. Tình trạng hỏng hóc của ổ bi được xác định dựa trên ANFIS đã được huấn luyện và cơ sở dữ liệu được thiết lập trực tuyến. Nội dung chính thứ hai của luận án là giải thuật BFDM (Bearing Fault Diagnosis Method) để xác định lỗi ổ bi. Đây là sự kế thừa và phát triển của nghiên cứu đầu tiên được trình bày ở trên trong việc áp dụng phân tích phổ đơn và khai thác tín hiệu gia tốc của dao động cơ học của cơ hệ gắn ổ bi. Từ không gian dữ liệu sáu chiều được cấu trúc ở bước khởi tạo, BFDM kết hợp việc loại bỏ nhiễu tần số cao với tối ưu hóa khơng gian dữ liệu để thiết lập cơ sở dữ liệu dưới dạng các véc tơ đặc trưng. Trong giai đoạn trực tuyến, BFDM chẩn đốn tình trạng sức khỏe của ổ bi thông qua cơ sở dữ liệu này và mạng nơ-ron nhân tạo ANN (Artificial Neural Network) - một khung sườn dùng để thiết lập ANFIS. Ở nội thứ ba, luận án trình bày phương pháp chẩn đốn khuyết tật ổ bi quay có tên là ANFIS-

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

iii

BFDM (Bearing Fault Diagnosis Method based on ANFIS) sử dụng ANFIS. Cùng với sự kế thừa từ hai nghiên cứu trên liên quan đến nguồn tín hiệu gia tốc, ANFIS và phân tích phổ đơn, ANFIS-BFDM đi sâu vào tính năng lọc nhiễu trực tuyến, tìm ra các giải pháp để giảm thiểu sự chênh lệch miền giữa miền nguồn và miền đích và xây dựng miền dữ liệu liên kết. Trước hết, một ngưỡng sàng lọc dữ liệu tối ưu thông qua vùng dữ liệu tần số thấp được mô tả để phát triển một bộ lọc nhiễu xung có tên là FIN (Impulse Noise Filter). Trong giai đoạn ngoại tuyến, ANFIS nhận dạng ứng xử động lực học của cơ hệ qua nguồn dữ liệu được lọc trong miền liên kết. Ở giai đoạn trực tuyến, FIN và ANFIS đã được huấn luyện được sử dụng để nhận biết tình trạng sức khỏe của ổ bi.

Cùng với ba phương pháp nêu trên, luận án còn tập trung thiết kế và xây dựng hệ thống thí nghiệm thu thập số liệu đo dao động của ổ bi. Cơ sở dữ liệu đo được từ thiết bị thí nghiệm này được sử dụng để xác minh tính hiệu quả của các giải thuật đề xuất.

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

iv

<b>ABSTRACT </b>

Bearing is a vital machine component involved in almost all types of machinery. Reality has shown that a failed bearing can cause catastrophic accidents on vehicles moving at high speeds or the unwanted influence on industrial systems related to unsafety and economic loss, etc. Therefore, online monitoring of the operating condition of machines, including bearings, to ensure a safe operation and actively exploiting technical systems is always an urgent requirement. This task is even more significant on systems with a high degree of automation. For this aim, the thesis proposes some theoretical foundations for fault diagnosis of rotation bearings based on artificial intelligence and sensors-based measured data with the following main tasks.

In the first principal content, the thesis proposes a rotating bearing fault diagnosis method named ASSBDIM based on single spectral analysis (SSA), sparse filtering, and ANFIS. Here, instead of the displacement signal as in previous studies, ASSBDIM employs the acceleration signal to enhance the signal sensitivity of features. By applying SSA and sparse filtering, preprocessing and extracting the meaningful information from sensors-based measured streams are implemented to build databases for the offline and online phases. The ANFIS recognizes the dynamic response of the bearings and then is optimized in the offline database. Ultimately, the failure status of the managed-bearing is well defined based on the trained ANFIS and the online database. The thesis's second main content is the BFDM algorithm for bearing fault identification. It is an inheriting and developing the first research above in applying the SSA and the acceleration signal of mechanical vibration. From a six-dimensional data space structured in the early step, the BFDM combines canceling high-frequency noise with optimizing this data space to set up databases in the form of features. It then predicts the bearing status via the databases and ANN - an ANFIS framework. In the last vital content, the thesis presents the third rotating bearing failure diagnosis method named ANFIS-BFDM utilizing ANFIS. Together with the inheritance from the two previous studies related to ANFIS and the SSA, ANFIS-BFDM delves into online noise filtering, finds solutions for minimizing domain disparity between source and target domains, and adaptive domain construction. It depicts an optimal data screening threshold through the low-frequency

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

v

data region to develop an impulse-noise filter named FIN. In the offline phase, the ANFIS identifies the system's dynamic response via the filtered data in the adaptive domain. The FIN and ANFIS are eventually manipulated to filter the noise and recognize the bearing's health status in the online phase.

Along with the above proposed algorithms, the thesis also focuses on designing and building an experimental system for collecting vibration measurement data of bearings. The measured database from this experimental apparatus is employed to verify the effectiveness of the proposed methods.

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

vi

<b>LỜI CẢM ƠN </b>

Tôi xin trân trọng gửi lời cảm ơn sâu sắc tới tập thể hướng đã tận tâm hướng dẫn để tôi thực hiện được cơng trình này. Các Thầy/Cơ hướng dẫn đã động viên, giúp đỡ chân thành những lúc tơi khó khăn vì cơng việc gia đình và những lý do khách quan khác. Tôi xin gửi lời cảm ơn sâu sắc tới các Thầy trong Hội đồng bảo vệ chuyên ngành PGS.TS Trương Tích Thiện, PGS.TS Vũ Cơng Hịa, PGS.TS Nguyễn Quốc Hưng, những nhận xét về chuyên môn của các Thầy đã giúp tơi hồn thiện về việc kết nối các nội dung nghiên cứu một cách khoa học.

Xin cảm ơn các đồng nghiệp trong nhóm Datas-SmartC, Viện khoa học tính tốn (INCOS), Trường Đại học Tôn Đức Thắng, các sinh viên và học viên cao học khoa Cơ khí, Trường Đại học Cơng nghiệp TP. HCM đã giúp đỡ tơi thực hiện thí nghiệm trong quá trình nghiên cứu.

Xin gửi lời cảm ơn tới các đồng nghiệp, các bạn học viên Phịng thí nghiệm Cơ ứng dụng, Khoa Khoa học Ứng dụng, Trường Đại học Bách khoa TP. HCM đã giúp đỡ tôi các công việc liên quan đến các thủ tục liên quan trong quá trình nghiên cứu.

Cuối cùng, xin gửi lời cảm ơn tới tất cả người thân, anh chị em, đồng nghiệp đã đùm bọc, giúp đỡ tôi trong thời gian thực hiện nội dung nghiên cứu của luận án này.

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

vii

<b>MỤC LỤC </b>

DANH MỤC CÁC HÌNH ẢNH ... x

DANH MỤC BẢNG BIỂU ... xii

DANH MỤC CÁC TỪ VIẾT TẮT ... xiii

Giới thiệu Luận án ... 20

1.5.1 Tính cấp thiết của đề tài nghiên cứu ... 20

1.5.2 Mục đích nghiên cứu ... 21

1.5.3 Đối tượng và phạm vi nghiên cứu ... 22

1.5.4 Phương pháp nghiên cứu ... 22

1.5.5 Ý nghĩa khoa học và thực tiễn của đề tài nghiên cứu ... 22

1.5.6 Đóng góp mới của Luận án ... 23

1.5.7 Bố cục Luận án ... 23

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT ... 25

Bài toán thuận trong nhận dạng khuyết tật ổ bi ... 25

2.1.1 Mơ hình động lực học hệ thống rơto - ổ bi ... 26

2.1.2 Mơ hình kết hợp rơto và ổ bi ... 31

2.1.2.1 Động lực học của viên bi... 31

2.1.2.2 Phương trình động lực học của rơto ... 35

2.1.2.3 Phương trình động lực học của vịng ngồi và gối đỡ ổ bi ... 36

2.1.3 Ứng dụng bài toán thuận nhận dạng khuyết tật ổ bi và hạn chế của nó....38

Bài tốn ngược trong nhận dạng khuyết tật ổ bi ... 39

ANFIS: một công cụ trong nhận dạng khuyết tật cơ hệ ... 43

2.3.1 Giới thiệu chung ... 43

2.3.2 Kết cấu của ANFIS ... 44

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

viii

2.3.2.1 Các định nghĩa ... 44

2.3.2.2 Xây dựng các bó dữ liệu đầu vào ... 46

2.3.2.3 Xây dựng các bó đầu ra ... 49

2.3.2.4 Kết cấu của ANFIS ... 51

CHƯƠNG 3 NHẬN DẠNG KHUYẾT TẬT Ổ BI DỰA TRÊN ANFIS ... 55

Phương pháp tiếp cận ... 55

Xử lý dữ liệu đo từ cảm biến ... 58

3.2.1 Nhiễu trong dữ liệu đo ... 58

3.2.2 Phương pháp phân tích phổ đơn ... 60

3.2.3 Phương pháp lọc thưa ... 65

3.2.3.1 Trích xuất đặc trưng trong dữ liệu đo ... 65

3.2.3.2 Xây dựng thuật toán lọc thưa ... 66

3.2.4 Xây dựng thuật toán xác định ngưỡng sàng lọc dữ liệu tối ưu ... 69

3.2.4.1 Các định nghĩa ... 70

3.2.4.2 Thuật toán AfODST ... 71

Xây dựng ANFIS từ một cơ sở dữ liệu đo chứa nhiễu ... 73

3.3.1 Điều kiện hội tụ của phép xấp xỉ dựa trên ANFIS ... 73

3.3.2 Thuật toán AOINF ... 74

3.3.3 Thuật tốn xây dựng ANFIS-JS ... 78

Thích ứng miền và xây dựng véc tơ đặc trưng ... 84

3.4.1 Sự lệch miền ... 84

3.4.2 Xây dựng miền thích ứng ... 85

3.4.3 Xây dựng véc tơ đặc trưng ... 88

Giải thuật ASSBDIM ... 89

3.5.1 Xây dựng cơ sở dữ liệu cho ASSBDIM ... 90

3.5.1.1 Xây dựng không gian dữ liệu đầu vào (IDS) ... 90

3.5.1.2 Xây dựng không gian dữ liệu đầu ra (ODS) và cơ sở dữ liệu ... 92

3.5.2 Phương pháp đánh giá sức khỏe ổ bi của ASSBDIM ... 92

Giải thuật BFDM ... 95

3.6.1 Xây dựng cơ sở dữ liệu ... 96

3.6.1.1 Xây dựng không gian dữ liệu đầu vào (IDS) ... 96

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

ix

3.6.1.2 Xây dựng không gian dữ liệu đầu ra (ODS) và cơ sở dữ liệu ... 97

3.6.2 Đánh giá tình trạng hư hỏng của ổ bi ... 98

Giải thuật ANFIS-BFDM ... 101

3.7.1 Đề xuất phương pháp nhận dạng khuyết tật dựa trên mơ hình dẫn động số……….103

3.7.1.1 Đề xuất thuật toán lọc nhiễu xung FIN ... 103

3.7.1.2 Xây dựng cơ sở dữ liệu cho BFDM ... 104

3.7.2 Thuật toán ANFIS-BFDM ... 107

CHƯƠNG 4 KẾT QUẢ VÀ THẢO LUẬN………...110

Thí nghiệm đo dữ liệu dao động của gối đỡ ổ bi ... 110

4.1.1 Mơ hình thí nghiệm ... 110

4.1.2 Card giao tiếp và cảm biến gia tốc ... 110

Kết quả nhận dạng khuyết tật ổ bi của giải thuật ASSBDIM ... 117

4.2.1 Thu thập dữ liệu ... 117

4.2.2 Kết quả khảo sát và thảo luận ... 119

Kết quả nhận dạng khuyết tật ổ bi của giải thuật BFDM ... 127

4.3.1 Thu thập dữ liệu ... 127

4.3.2 Kết quả khảo sát và thảo luận ... 128

Kết quả nhận dạng khuyết tật ổ bi của giải thuật ANFIS-BFDM ... 132

4.4.1 Thu thập dữ liệu ... 132

4.4.2 Kết quả khảo sát và thảo luận ... 133

CHƯƠNG 5 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ... 141

Kết luận ... 141

5.1.1 Những nội dung chính của luận án ... 141

5.1.2 Đóng góp khoa học của luận án ... 142

5.1.2.1 Lý thuyết ... 142

5.1.2.2 Thực nghiệm ... 145

Hướng phát triển ... 145

DANH MỤC CƠNG TRÌNH ĐÃ CÔNG BỐ ... 148

TÀI LIỆU THAM KHẢO ... 149

PHỤ LỤC ... 161

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

x

<b>DANH MỤC CÁC HÌNH ẢNH </b>

Hình 1.1 Hệ thống giám sát tình trạng trên tàu cao tốc ... 3

Hình 1.2 Nguyên lý hoạt động của SKF... 4

Hình 1.3 Thiết bị chẩn đoán khuyết tật ổ bi của hãng ACOEM ... 20

Hình 2.1 Phần tử cứng của rơto ... 26

Hình 2.2 Mơ hình rời rạc hóa rơto ... 27

Hình 2.3 Tương tác hình học giữa hai phần tử cứng liền kề nhau ... 28

<i>Hình 2.4 Tương tác hình học giữa vịng bi thứ k và phần tử cứng thứ j của rơto ... 32 </i>

Hình 2.5 Lực tác dụng lên viên bi ... 34

Hình 2.6 Tương tác giữa vịng ngồi và gối đỡ ổ bi ... 37

Hình 2.7 Sơ đồ tổng quát giải bài tốn ngược ... 41

Hình 2.8 Hai kiểu phân bố điển hình trong bó dữ liệu <i><sup>k</sup></i> : IN (<i>x<sub>p</sub></i>,<i>y<sub>p</sub></i>) gây ra <i><sup>k</sup></i>phân phối ở một phía ... 46

Hình 2.9 Kết cấu của ANFIS ... 52

Hình 3.1 Quy trình xây dựng bộ giám sát tình trạng kỹ thuật ổ bi ... 56

Hình 3.2 Nguyên tắc tính các chỉ số hư hỏng dựa trên ANFIS ... 57

Hình 3.3 Tập dữ liệu ban đầu trong miền thời gian ... 62

Hình 3.4 Phổ đơn ... 62

Hình 3.5 Các thành phần chính ... 63

Hình 3.6 Phổ tần số (mật độ phổ công suất, PSD) của từng thành phần chính ... 64

Hình 3.7 Hai đặc trưng chính của nhiễu xung và kiểu phân bố dữ liệu điển hình trong bó  tồn tại nhiễu xung ... 75 <i><sup>k</sup></i>Hình 3.8 Các kết quả khác nhau thu được từ các phương pháp chia bó khác nhau: trong X(a) và trong JDS(b) ... 79

Hình 3.9 Kết cấu của ANFIS-JS ... 81

Hình 3.10 Lưu đồ của thuật tốn ANFIS-JS ... 83

Hình 3.11 Minh họa của vấn đề lệch miền và thích ứng miền ... 85

Hình 3.12 Lưu đồ của giải thuật đề xuất ASSBDIM ... 93

Hình 3.13 Kết cấu của ANN ... 98

Hình 3.14 Lưu đồ thuật tốn BFDM ... 100

Hình 4.1 Mơ hình thí nghiệm và sơ đồ ngun lý đo dao động của gối đỡ ổ bi ... 111

Hình 4.2 Vịng bi UCP 204 và sơ đồ kết cấu trục lắp gối đỡ ổ bi ... 112

Hình 4.3 Các thành phần của card giao tiếp ... 113

Hình 4.4 Thu dữ liệu dao động của gối đỡ ổ bi bằng phần mềm Labview ... 116

Hình 4.5 Dữ liệu đo dao động gối đỡ ổ bi ở Trường hợp 4, trạng thái L2D3Ou ... 117

Hình 4.6 Các vết cắt nhân tạo của ổ bi ở vòng trong (a) và vịng ngồi (b) ... 118

Hình 4.7 Đầu ra dự đoán <i><small>y</small></i><small>ˆ</small><i><sub>i</sub></i> của ASSBDIM trong Trường hợp 1 và đầu ra mã hóa <i><small>y</small><sub>i</sub></i> ... 120

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

xi

Hình 4.8 <i><small>y</small></i><small>ˆ</small><i><sub>i</sub></i> và <i><small>y</small><sub>i</sub></i> ở dịng (6) trong Hình 4.7 được phóng to để phản ánh rõ ràng hơn sự

khác biệt giữa chúng ... 120

Hình 4.9 Sai số phản ánh sự khác biệt giữa <i><small>y</small><sub>i</sub></i> và <i><small>y</small></i><small>ˆ</small><i><sub>i</sub></i> trong Hình 4.7 ... 121

<i>Hình 4.10 Ac và MeA của ASSBDIM trong Trường hợp 2 (CASE 2)... 121 </i>

Hình 4.11 Sai số phản ánh sự khác biệt giữa <i><small>y</small><sub>i</sub></i> và <i><small>y</small></i><small>ˆ</small><i><sub>i</sub></i> trong Hình 4.10 ... 122

Hình 4.12 Kết quả nhận dạng khuyết tật của các phương pháp trong Trường hợp 3 . 123 <i>Hình 4.13 Ac và MeA của ASSBDIM trong Trường hợp 4 ... 123 </i>

<i>Hình 4.14 Ac và MeA của ASSBDIM trong Trường hợp 5 ... 123 </i>

Hình 4.15 Phương pháp đề xuất với <i>k =</i>7 và <i>H </i>

200,500

trong Trường hợp 5 <i>(CASE 5): ảnh hưởng của H đến t, t0 và MeA ... 126 </i>

Hình 4.16 Phương pháp đề xuất với <i>k =</i>10 và <i>H </i>

200,500

trong Trường hợp 5 <i>(CASE 5): ảnh hưởng của H đến t, t0 và MeA ... 126 </i>

<i>Hình 4.17 Ac của BFDM được đề xuất trong Trường hợp 1 (Bảng 4.8) khi q = 4 ... 129 </i>

<i>Hình 4.18 MeA của BFDM trong Trường hợp 1 (Bảng 4.8) phụ thuộc vào q ... 129 </i>

<i>Hình 4.19 RMSE của BFDM trong Trường hợp 1 (Bảng 4.8) phụ thuộc vào q ... 130 </i>

<i>Hình 4.20 MeA của BFDM trong Trường hợp 2 (Bảng 4.8) phụ thuộc vào q ... 130 </i>

<i>Hình 4.21 RMSE của BFDM trong Trường hợp 2 (Bảng 4.8) phụ thuộc vào q ... 130 </i>

<i>Hình 4.22 MeA của BFDM trong Trường hợp 3 (Bảng 4.8) phụ thuộc vào q ... 131 </i>

<i>Hình 4.23 RMSE của BFDM trong Trường hợp 3 (Bảng 4.8) phụ thuộc vào q ... 131 </i>

Hình 4.24 Sự tham gia của <i>r t</i>( ) vào InD1L1 thuộc tập dữ liệu trong Trường hợp 2 134 Hình 4.25 Xuất phát từ tập dữ liệu ‘Trường hợp 1’ (Case 1): Vai trò tích cực của bộ <i>lọc FIN được phản ánh qua MeA và RMSE của ANFIS-BFDM trong hai trường hợp, </i>có và khơng có <i>r t</i>( )<i> khi q (trong phương trình 3.69) nhận giá trị từ 1 đến 9 ... 135 </i>

<i>Hình 4.26 ‘Trường hợp 2’ (Case 2): Vai trị tích cực của FIN được thể hiện bởi MeA và RMSE của ANFIS-BFDM thơng qua hai trường hợp, có và khơng có r t</i>( )<i> khi q = </i>1… 9 ... 136

Hình 4.27 Xuất phát từ tập dữ liệu ‘Trường hợp 3’ (Case 3): Vai trị tích cực của bộ <i>lọc FIN được tái phản ánh qua MeA và RMSE của ANFIS-BFDM trong hai trường </i>hợp, có và khơng có <i>r t</i>( )<i> khi q = 1… 9 ... 137 </i>

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

xii

<b>DANH MỤC BẢNG BIỂU </b>

Bảng 1.1 Tóm tắt các phương pháp nhận dạng khuyết tật ổ bi ... 16

Bảng 4.1 Năm trường hợp khảo sát và các giá trị mã hóa tương ứng (EV) ... 118

Bảng 4.2 Các dạng hư hỏng đơn sử dụng để khảo sát ... 118

Bảng 4.3 Độ chính xác của các phương pháp trong Trường hợp 2 ... 122

<i>Bảng 4.4 Độ chính xác (Ac) của các phương pháp trong Trường hợp 3 ... 124 </i>

<i>Bảng 4.5 MeA (%) và t(s) của các phương pháp trong các Trường hợp 3-5 ... 124 </i>

<i>Bảng 4.6 Khảo sát của ASSBDIM từ Trường hợp 5: sự phụ thuộc của MeA (%) và t0 (phút) vào k và H </i>

200,500

... 125

Bảng 4.7 Các hư hỏng đơn của ổ bi khảo sát trong Trường hợp 3 ... 127

Bảng 4.8 Ba trường hợp được khảo sát và các giá trị được mã hóa tương ứng với các trạng thái hư hỏng ... 128

Bảng 4.9 Kết quả so sánh tương ứng với từng trường hợp được mô tả trong Bảng 4.8 ... 129

Bảng 4.10 Ba trường hợp được khảo sát và các giá trị được mã hóa tương ứng với các trạng thái hư hỏng ... 133

<i>Bảng 4.11 MeA (%) của ANFIS-BFDM trong ba trường hợp dữ liệu (Bảng 4.10) phụ thuộc vào q (WF: có FIN; WOF: khơng có FIN; in đậm là kết quả khi q</i>=<i>q<sub>opt</sub></i> = )136 3<i>Bảng 4.12 RMSE của ANFIS-BFDM trong ba trường hợp dữ liệu (Bảng 4.10) phụ thuộc vào q (WF: có FIN; WOF: khơng có FIN; in đậm là kết quả khi q</i>=<i>q<sub>opt</sub></i> = )137 3Bảng 4.13 So sánh kết quả liên quan đến ba bộ dữ liệu trong hai trường hợp: có và khơng có nhiễu <i>r t</i>( ) ... 138

<i>Bảng 4.14 Lopt tương ứng với các hư hỏng đơn ... 139 </i>

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

Trí tuệ nhân tạo

<b>ANFIS </b> Adaptive Neuro Fuzzy Inference System Hệ thống suy diễn nơron - mờ thích nghi

<b>ANFIS-BFDM </b> BFDM based on ANFIS BFDM dựa trên ANFIS

<b>ANN </b> Artificial Neural Network Mạng nơ-ron nhân tạo

<b>AOINF </b> Adaptive Online Impulse Noise Filter Lọc nhiễu xung trực tuyến thích nghi

<b>ASSBDIM </b> BDIM based on ANFIS, SSA and Sparse Filtering BDIM dựa trên ANFIS, phân tích phổ đơn và lọc thưa

<b>BDIM </b> Bearing Damage Identifying Method Phương pháp nhận dạng khuyết tật ổ bi

<b>BFDM </b> Bearing Fault Diagnosis Method Phương pháp chẩn đoán hư hỏng ổ bi

<b>CDS </b> Cluster Data Space Không gian dữ liệu bó

<b>CNN </b> Convolutional Neural Network Mạng nơ-ron tích chập

<b>CWT </b> Continuous Wavelet Transform Phép biến đổi Wavelet liên tục

<b>DIFD </b> Data Driven Model Based Intelligent Fault Diagnosis Chẩn đốn hư hỏng dựa trên mơ hình dẫn động số

<b>FIN </b> Impulse Noise Filter

<b>Bộ lọc nhiễu xung </b>

Logic mờ

<b>IDS </b> Initial Data Space

Không gian dữ liệu ban đầu

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

Căn bậc hai sai số bình phương trung bình

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

- Phương pháp siêu âm: nguyên tắc chung của phương pháp này là truyền nguồn xung siêu âm vào bề mặt của vật thể cần kiểm tra, phân tích sóng phản hồi từ vật thể được kiểm tra và bề mặt mẫu. Sự sai khác giữa hai nguồn xung phản hồi cho biết vị trí xuất hiện khuyết tật trên bề mặt kiểm tra. Phương pháp này có ưu điểm là khá đơn giản. Hạn chế của phương pháp này là khơng cho kết quả chính xác khi khuyết tật nằm sâu bên trong vật thể.

- Phương pháp nội soi: dùng máy nội soi đưa vào bề mặt vật thể cần kiểm tra, hình ảnh thu được từ máy nội soi cho biết vị trí khuyết tật và mức độ hư hỏng một cách tương đối. Phương pháp nội soi được sử dụng để kiểm tra khuyết tật vòng bi tại các nhà máy điện gió. Phương pháp này chính xác hơn phương pháp siêu âm. Tuy nhiên khi khuyết tật nằm sâu bên trong, phương pháp này không phát hiện được.

- Phương pháp nhận dạng khuyết tật bằng dao động: khi ổ bi quay với vận tốc lớn dưới

<i>điều kiện tải trọng, nhiệt độ thay đổi, mô đun đàn hồi của vật liệu (E), mô men quán tính của mặt cắt ngang (I), độ cứng chống biến dạng (EI) là các đại lượng ảnh hưởng trực </i>

tiếp tới đáp ứng động lực học của ổ bi. Khuyết tật xuất hiện trong ổ bi sẽ làm thay đổi các thông số đặc trưng dao động của gối đỡ ổ bi, chẳng hạn như tần số dao động riêng, dạng dao động. Dựa vào các dấu hiệu nêu trên để kết luận ổ bi có khuyết tật hay không. - Phương pháp kết hợp: phương pháp nhận dạng khuyết tật bằng dao động có nhiều ưu điểm trong khảo sát mơ hình, tuy nhiên khi ứng dụng vào thực tế thường gặp các hạn chế. Chẳng hạn như với mức độ hư hỏng nhỏ, các đại lượng vật lý như tần số riêng, dạng dao động rất khó xác định trên kết cấu thực bằng phương pháp đo đạc bởi sai số có thể

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

2

vượt quá giới hạn cần đo hoặc đo đạc theo thời gian thực. Để khắc phục hạn chế này, tín hiệu dao động thường được chuyển qua những đặc trưng khác có độ nhạy cao hơn như chuyển qua véc tơ Ritz, tín hiệu Wavelet, v.v... Một hướng tiếp cận khác là nhận dạng khuyết tật bằng dao động được kết hợp với các công cụ khác nhằm gia tăng hiệu quả khảo sát. Ví dụ kết hợp với phương pháp tối ưu hóa, hoặc các cơng cụ của trí tuệ nhân tạo (Artificial Intelligence, AI) như logic mờ (Fuzzy Logic, FL), mạng nơ-ron nhân tạo (Artificial Neural network, ANN), hoặc hệ thống suy diễn nơron - mờ thích nghi

<i>(Adaptive Neuro Fuzzy Inference System, ANFIS). </i>

<i><b>1.1.2 Giám sát tình trạng máy </b></i>

Giám sát tình trạng là việc đo các thơng số cụ thể của máy móc, chẳng hạn như dao động, nhiệt độ hoặc tình trạng dầu của máy, v.v… và chú ý đến bất kỳ sự thay đổi đáng kể nào của chúng có thể là dấu hiệu của sự cố sắp xảy ra. Việc liên tục theo dõi tình trạng của máy móc và lưu ý đến mọi sự thay đổi bất thường làm giảm tuổi thọ của máy móc cho phép lên lịch bảo trì hoặc các hành động phịng ngừa khác để giải quyết các vấn đề trước khi chúng phát triển thành những hỏng hóc nghiêm trọng hơn.

Giám sát tình trạng là một thành phần quan trọng của bảo trì dự đốn. Dữ liệu được thu thập từ việc theo dõi tình trạng theo thời gian thực cung cấp thơng tin có giá trị về trạng thái hiện tại và lịch sử của máy móc. Giám sát tình trạng một cỗ máy có thể được sử dụng để dự đốn nó sẽ hoạt động như thế nào theo thời gian và nó có thể xuống cấp như thế nào, cho phép lập lịch bảo trì dựa trên những dự đốn này. Đây được gọi là bảo trì dự đốn - bảo trì dựa trên những hư hỏng nào có thể xảy ra và lên lịch bảo trì các bộ phận tương ứng với hư hỏng đó để ngăn ngừa những hỏng hóc xảy ra.

Kỹ thuật giám sát tình trạng thường được sử dụng trên thiết bị quay (hộp giảm tốc, máy pittông, máy ly tâm, v.v…), hệ thống dự phòng hoặc thứ cấp và các máy móc khác như máy nén, máy bơm, động cơ điện, máy ép và động cơ đốt trong. Thiết kế của một hệ thống giám sát tình trạng phải mạnh mẽ và đáng tin cậy vì nó phải xác định được thời điểm khi sự cố xuất hiện. Đặc điểm quan trọng này đã thu hút hầu hết các nghiên cứu xung quanh hệ thống giám sát tình trạng tập trung vào cảm biến, kỹ thuật phân tích dữ

</div><span class="text_page_counter">Trang 19</span><div class="page_container" data-page="19">

3

liệu, thuật toán dự đoán và các thiết bị đo lường khác nhau. Trong số các hệ thống đo, đo dao động vẫn là kỹ thuật đáng tin cậy nhất để thiết kế hệ thống giám sát tình trạng và nó có thể được cải thiện bằng cách bổ sung dữ liệu với các phép đo thu được bằng các thiết bị khác. Hạn chế của các phép đo dao động là lượng nhiễu chứa trong tín hiệu đo và thiếu kiến thức về các nguồn gây ra nhiễu.

Hệ thống giám sát tình trạng sử dụng dữ liệu dao động và xác định tình trạng của máy dựa trên phân tích biên độ và tần số. Tín hiệu gốc là dữ liệu thơ phải được xử lý để đưa vào hệ thống nhận dạng. Việc lấy dữ liệu trong quá trình vận hành cho biết tình trạng của máy và trong trường hợp hỏng hóc, dữ liệu sẽ có những thay đổi đáng kể. Hệ thống giám sát tình trạng làm tăng độ tin cậy của máy móc vì chúng sử dụng các cảm biến mới để thu dữ liệu; sử dụng phần cứng xử lý nhanh và các thuật toán ngày càng tốt hơn cho q trình xử lý tín hiệu. Việc áp dụng trí tuệ nhân tạo trong các hệ thống giám sát tình trạng gia tăng độ tin cậy của máy móc hiện đại, cho phép kéo dài thời gian hơn giữa các lần bảo trì nhằm tiết kiệm chi phí. Những hệ thống phức tạp này có thể lường trước được những hỏng hóc ở hầu hết các bộ phận cấu thành nên máy móc hiện đại. Hình 1.1 [1] là hệ thống giám sát tình trạng trực tuyến do công ty ASC Sensor của Đức thiết kế và chế

Hình 1.1 Hệ thống giám sát tình trạng trên tàu cao tốc

</div><span class="text_page_counter">Trang 20</span><div class="page_container" data-page="20">

4

tạo áp dụng cho tàu cao tốc. Tất cả các bộ phận quan trọng của con tàu, trong đó có ổ bi, đều được giám sát tình trạng kỹ thuật khi vận hành. Nhờ đó đảm bảo an tồn cho đồn tàu và hành khách trong quá trình khai thác và sử dụng.

Hệ thống giám sát tình trạng kỹ thuật yêu cầu các thuật toán phức tạp để xử lý tất cả các tín hiệu. Máy móc được trang bị đủ số lượng cảm biến để ghi dòng dữ liệu. Bộ cảm biến đo dao động, nhiệt độ, dòng điện tại nguồn điện, chất lượng dầu, nhiệt kế, âm thanh, phát xạ âm và bất kỳ biến số nào khác liên quan đến quá trình của từng loại máy cụ thể. Một ví dụ khác là hệ thống nhận dạng và dự báo khuyết tật trực tuyến có tên SKF được sử dụng trên hệ thống tàu cao tốc ở Châu Âu được trình bày trên Hình 1.2 [2]. SKF có

vai trị kiểm tra trực tuyến sự xuất hiện khuyết tật cũng như ngăn ngừa kịp thời sự phát triển của khuyết tật; cung cấp các thông tin khẩn cấp về tình trạng kỹ thuật của hệ thống cho hệ thống điều khiển toàn bộ đoàn tàu. Ngoài ra, SKF cung cấp thơng tin mang tính chất dự báo về tình trạng kỹ thuật của hệ thống cơ khí cho hệ thống bảo trì bảo dưỡng để có thể chủ động tiến hành công việc này ở những mức độ khác nhau, tại các thời điểm phù hợp. Điều này cho phép giảm chi phí trong bảo trì bảo dưỡng cũng như cho phép khai thác hiệu quả hơn tồn bộ con tàu. Tình trạng bánh xe, trục và các bộ phận liên quan được phản ánh thơng qua tín hiệu dao động được đo bởi các cảm biến gắn trên

Hình 1.2 Nguyên lý hoạt động của SKF

</div><span class="text_page_counter">Trang 21</span><div class="page_container" data-page="21">

5

các vị trí tương ứng. Tín hiệu này được truyền về trung tâm xử lý bằng đường truyền không dây GSM. Tình trạng kỹ thuật của các bộ phận này sẽ được trung tâm điều hành nắm bắt kịp thời để có cơ chế quản trị phù hợp.

<b> Một số giải pháp nhận dạng khuyết tật </b>

Có thể chia các giải pháp tiếp cận trong công tác nghiên cứu về giám sát sức khỏe máy móc và cơng trình thành hai nhóm: nhóm mơ hình (Model-based Method) và nhóm phi cấu trúc (hay cịn gọi là nhóm các phương pháp dẫn động số, Data-Driven Method) [3]. Trong nhóm thứ nhất, sự phát hiện khuyết tật trong cơ hệ được dựa vào kết quả nghiên cứu trên mơ hình tương ứng của cơ hệ. Vì trong thực tế, có vơ số các cấu trúc khác nhau và có vơ số kiểu khuyết tật khác nhau có thể xuất hiện trên một cấu trúc cụ thể nên việc xây dựng các mơ hình để nhận dạng khuyết tật như trên là q phức tạp, thường mang tính riêng biệt và khơng tìm ra được phương pháp chung.

Theo phương pháp thứ hai, các thuật toán được xây dựng trên cơ sở đã xác lập được tập dữ liệu đo phản ánh ứng xử động lực học cơ hệ. Phương pháp này dựa trên đặc điểm là

<i>tính chất vật lý của kết cấu, chẳng hạn như mô đun đàn hồi (E), mơ men qn tính của mặt cắt ngang (I), hoặc cả hai (EI), ảnh hưởng trực tiếp tới các đặc trưng trong dao động </i>

của cơ hệ. Khuyết tật xuất hiện trên cơ hệ, cho dù là loại khuyết tật gì cũng sẽ làm giảm

<i>độ cứng chống biến dạng (EI) của hệ (có thể là mơ đun đàn hồi (E), có thể là mơ men qn tính của tiết diện ngang (I), và cũng có thể là cả hai), do đó, sẽ làm thay đổi đặc </i>

tính dao động của cơ hệ, chẳng hạn tần số tự nhiên, đặc tính chuyển vị hoặc thay đổi dạng dao động. Đây là các dấu hiệu để nhận biết khuyết tật [4]. Theo phương pháp này, hiện nay đã có nhiều nghiên cứu thành công với những mức độ khác nhau [4-8]. Ngoài ra, theo hướng này, nhiều giải pháp bổ trợ cần phải được xem xét thêm nhằm gia tăng hiệu quả nhận dạng và dự báo. Có thể điểm qua một số giải pháp như dưới đây.

Phương pháp phi cấu trúc được xây dựng dựa trên tín hiệu đo, theo đó, đặc tính của tín hiệu dao động thường bị ‘méo’ đi do nhiễu. Do đó, cần phải sử dụng các bộ lọc nhiễu phù hợp để xử lý dữ liệu trước khi đưa vào sử dụng. Hiện nay, một trong những công cụ thường được sử dụng để giải quyết vấn đề này là phép phân tích Wavelet [9-11] hoặc

</div><span class="text_page_counter">Trang 22</span><div class="page_container" data-page="22">

6

phương pháp phân tích phổ đơn (Singular Spectrum Analysis, SSA) [12]. Vì ứng xử của tất cả các cơ hệ là phi tuyến nên việc thiết lập trực tiếp các mơ hình toán để khảo sát trực tuyến ứng xử của hệ là khó khăn [13]. Ngồi ra, theo phương pháp xây dựng mơ hình dẫn động số, dữ liệu phải được xác lập tại hai thời điểm khác nhau: thời điểm cơ hệ được xem là chưa có khuyết tật và thời điểm kiểm tra. Yêu cầu này thực sự khó thực hiện nếu dựa vào các phương pháp truyền thống bởi khơng thể lặp lại một chế độ kích thích dao động giống nhau tuyệt đối tại hai thời điểm khác nhau. Chính vì vậy, trong thực tế các cơng cụ toán học như ANN [8, 14-16] hoặc FL [17], hoặc các mơ hình kết hợp, chẳng hạn ANFIS thường được sử dụng [3, 13].

Liên quan tới phân tích Wavelet, trong thực tế, phân tích Wavelet khơng chỉ được dùng trong lọc nhiễu, như đã đề cập ở trên, mà còn được sử dụng khá hiệu quả trong nhận dạng khuyết tật. Với chức năng này, chuyển đổi Wavelet được sử dụng để phân tích tín hiệu trong hai miền: thời gian và tần số. Khác với phân tích Fourier - sử dụng cửa sổ bất biến - trong phân tích Wavelet, độ rộng của cửa sổ dễ dàng được thay đổi phù hợp với đặc thù của tập dữ liệu được phân tích thơng qua một hệ số chuyển đổi, được gọi là

<i>thông số tỷ lệ a. Thơng số này đóng vai trị đưa Wavelet tương thích với tần số của dữ </i>

liệu. Theo cách tiếp cận này, đặc tính địa phương về tần số của dữ liệu khảo sát dễ dàng

<i>nắm bắt thông qua hệ số chuyển đổi Wavelet và hệ số tỉ lệ a đã được sử dụng trong </i>

chuyển đổi này. Nhờ đó, xác định được dấu hiệu xuất hiện khuyết tật trên cơ hệ [11]. Đã có nhiều nghiên cứu về quản trị sức khỏe cơng trình dựa trên phân tích Wavelet cho cả hai dạng khuyết tật: khuyết tật do mỏi hoặc do nứt gãy [9-10]. Một đặc điểm thú vị liên quan tới ứng dụng phân tích Wavelet là phương pháp này dễ dàng kết hợp với các công cụ toán học như ANN, FL hoặc ANFIS để xây dựng các cơng cụ tốn học có các chức năng lọc nhiễu, phân tích dữ liệu, lưu đặc trưng của dữ liệu và suy diễn để tìm ra các thơng tin liên quan [18-19].

<b> Các nghiên cứu liên quan </b>

Trong thời gian gần đây, đã có những công bố của các nhà khoa học trong nước và quốc tế về xây dựng các cấu trúc thông minh hoặc ứng dụng các hệ này trong giám sát sức khỏe của các cơng trình [17, 20].

</div><span class="text_page_counter">Trang 23</span><div class="page_container" data-page="23">

7

Hệ thống giám sát tình trạng kỹ thuật trực tuyến là một hệ thống có chức năng nắm bắt trực tuyến tình trạng kỹ thuật của cơ hệ để có những lời khuyên hoặc lời cảnh báo liên quan tới việc khai thác hê thống, đây là một hệ thống thực sự cần thiết trong các máy móc, thiết bị, các cơng trình xây dựng cao tầng, hệ thống cầu, v.v… Đã có những nghiên cứu cơ bản của các nhà khoa học trong nước về lĩnh vực này. Trong [20], V. K. Nguyen và các cộng sự đã trình bày phương pháp nhận dạng khuyết tật xuất hiện trên cơ hệ dựa trên phân tích Wavelet. Trong [17], Moller, Graf và Hà đã đề xuất phương pháp dự báo tuổi thọ của cấu trúc dựa trên suy diễn mờ.

Trong [21], Dũng và Nhi đã trình bày hai thuật tốn mới về huấn luyện mạng ANFIS dựa trên tập dữ liệu số, các thuật toán mang tên là thuật toán huấn luyện mạng nơron-mờ 1 (HLM1) và thuật toán huấn luyện mạng nơron-mờ 2 (HLM2). Trong các thuật toán này, một phương pháp mới về phân chia không gian dữ liệu vào thành các bó dữ liệu dạng siêu hộp được trình bày. Để đảm bảo tính đơn trị trong phép suy diễn mờ, trong các nghiên cứu này, nhóm tác giả quan tâm tới việc gia tăng tính thuần chủng trong các bó dữ liệu. Để thực hiện mục tiêu này, một thủ tục cắt các siêu hộp lai để xây dựng một tập các bó thuần chủng phủ lên tồn bộ khơng gian dữ liệu vào-ra được đề xuất. Mỗi bó siêu hộp thuần chủng nhận được sau huấn luyện được sử dụng để xây dựng một tập mờ thông qua một hàm liên thuộc được định nghĩa theo các đỉnh max-min của siêu hộp. Cuối cùng, áp dụng luật hợp thành và quy tắc giải mờ cho các tập mờ nêu trên sẽ nhận được ANFIS. Về cơ bản, giai đoạn chia bó dữ liệu của hai thuật toán này là như nhau, chỉ khác nhau ở giai đoạn xác lập tập mờ. Khác với HLM1, thuật toán HLM2 sử dụng một giải pháp tối ưu để hiệu chỉnh biên dạng các hàm liên thuộc sao cho cực tiểu một hàm mục tiêu được định nghĩa theo sai số đáp ứng. Các kết quả kiểm chứng cho thấy rằng độ chính xác cao là ưu điểm của HLM2, tuy nhiên so với HLM1, tốc độ hội tụ của thuật toán này thấp hơn. Đây là một phát triển của thuật toán huấn luyện mạng ANFIS đã được trình bày trong [22] có tên là thuật toán huấn luyện mạng nơron-mờ (HLM). Cũng như HLM, hai thuật tốn HLM1 và HLM2 đã có những ứng dụng hiệu quả trong nhận dạng khuyết tật [23-27].

</div><span class="text_page_counter">Trang 24</span><div class="page_container" data-page="24">

8

Trong [23], tác giả đã trình bày một thuật toán định vị khuyết tật xuất hiện trên dầm. Thuật toán được xây dựng dựa trên mạng nơ-ron nhân tạo (ANN) và phân tích Wavelet. Trong đó, ANN được sử dụng để nhớ thuộc tính ứng xử động lực học của cơ hệ ở giai đoạn được xem là còn nguyên vẹn; phương pháp chuyển đổi Wavelet được sử dụng để phân tích đặc tính tần số của tín hiệu dao động thơng qua một giải pháp định lượng trung bình hệ số Wavelet (Average Quantity of Wavelet Transform Coefficient, AQWTC) được đề xuất. Trước hết, dầm được phân chia thành các phần tử, sau đó được kích thích dao động để đo chuyển vị tại các phần tử. Tín hiệu dao động được lọc nhiễu và chuyển qua AQWTC. Sự thay đổi của AQWTC ở hai thời điểm, thời điểm dầm được xem là chưa bị hư hỏng và thời điểm kiểm tra, là tín hiệu nhận biết sự thay đổi độ cứng chống biến dạng EI của dầm. Các kết quả kiểm chứng trên khung kim loại cho thấy độ tin cậy của giải pháp đề xuất.

Trong [28], nhóm tác giả đã đề xuất một phương pháp mới về chẩn đoán khuyết tật trên cơ hệ. Trong đó, hệ thống nơron - mờ (Neuro-Fuzzy System, NF) được sử dụng để nhận dạng cơ hệ ở giai đoạn chưa có khuyết tật. Để xây dựng NF, trước hết thuật toán định vị khuyết tật xuất hiện trên dầm trong [23] được sử dụng để xây dựng ANFIS với các bó thuần chủng dạng siêu hộp được xác lập trong khơng gian liên kết vào - ra. Tín hiệu ra của ANFIS cùng với tín hiệu vào của tập huấn luyện ban đầu tạo thành ra một cấu trúc mới ở đầu vào cho không gian dữ liệu mới, được dùng cho quá trình huấn luyện ANN nhằm hiệu chỉnh tối ưu các tập mờ của ANFIS. Theo cách này, sự ảnh hưởng của việc định lượng giá trị liên thuộc không thỏa đáng giữa các tập mờ lên kết quả tính tốn sẽ được bù bởi ANN khi tính tín hiệu ra. Nhờ vậy sẽ gia tăng độ chính xác đáp ứng của hệ

<i>thống NF. Ngồi ra, để khắc phục các trở ngại liên quan tới xác định hệ số a phù hợp </i>

trong phân tích tín hiệu dựa vào Wavelet, một phương pháp mới, được gọi là phép phân tích định lượng Wavelet được đề xuất, theo đó, một hệ số định lượng Wavelet được xác lập cho từng phần tử được tính tốn. Sự thay đổi của hệ số này ở hai thời điểm, thời điểm dầm được xem là chưa hư hỏng và thời điểm kiểm tra, là tín hiệu nhận biết sự thay

<i>đổi độ cứng chống biến dạng (EI) của dầm. Các thí nghiệm kiểm chứng để đánh giá độ </i>

</div><span class="text_page_counter">Trang 25</span><div class="page_container" data-page="25">

Thời gian gần đây, trí tuệ nhân tạo và các giải pháp khai thác đặc trưng từ dữ liệu lớn được nhiều người quan tâm. Xu hướng mới trong quản lý và giám sát tình trạng hệ thống dựa trên các luồng dữ liệu đo dưới dạng dữ liệu lớn và các mơ hình dẫn động số bằng cách sử dụng ANN, FL hoặc ANFIS [28, 30, 31-35] đã được hình thành với một tương lai đầy hứa hẹn. Thực tế đã chứng minh rằng, tình trạng nhiễu bao gồm nhiễu xung luôn tồn tại trong các dữ liệu đo đạc [36]. Nhiễu có thể xuất phát từ sự thiếu chính xác của các thiết bị đo, cơng cụ, phương pháp đo, sai số của mơ hình hoặc tác động của điều kiện môi trường nơi thiết lập quá trình đo, v.v... [28-30, 36-39]. Về việc nhận dạng trực tuyến khuyết tật của ổ bi theo xu hướng này, rõ ràng cần thiết lập một cơ chế lọc nhiễu theo thời gian thực để đảm bảo độ tin cậy trong giai đoạn trực tuyến. Với mục đích này, để cải thiện khả năng tiền xử lý, phân tích và trích xuất thơng tin có giá trị từ các bộ dữ liệu dao động đo được, phân tích phổ đơn (SSA) và lọc thưa (Sparse Filtering, SF) đã được sử dụng như các cơng cụ có tính khả thi cao [12, 35]. Bên cạnh đó, tính năng lọc nhiễu xung trực tuyến dựa trên ANFIS như trong [36] cũng có thể được khai thác như một phương án thích hợp.

</div><span class="text_page_counter">Trang 26</span><div class="page_container" data-page="26">

10

Các mơ hình tốn học FL và ANN cho trí tuệ nhân tạo có thể ghi nhớ và xử lý thơng tin để thiết lập các mối quan hệ phức tạp và phi tuyến tính cao giữa khơng gian dữ liệu đầu vào và đầu ra. Nó thậm chí có thể xử lý các cơ sở dữ liệu khơng chính xác để suy luận và tiếp tục học tập nhằm nâng cao hiệu quả của mình thơng qua cơ sở dữ liệu huấn luyện cập nhật. Trên thực tế, đối với từng ứng dụng cụ thể, một cấu trúc thích hợp của ANN cần được giải quyết. Cấu trúc của mạng càng hợp lý thì càng có thể thể hiện tốt mối quan hệ động lực học của hệ thống. Điều này làm tăng độ chính xác của ứng dụng cũng như tỷ lệ hội tụ trong cả quá trình vận hành và huấn luyện [36]. Tuy nhiên, khơng có câu trả lời rõ ràng và chính xác cho câu hỏi có bao nhiêu lớp và bao nhiêu nơ-ron trong mỗi lớp nên được thiết lập cho từng trường hợp. Tương tự, hiệu quả của FL phụ thuộc đáng kể vào độ chính xác của các tập mờ liên quan đến số luật mờ, loại hàm quan hệ và mối quan hệ logic giữa các tập mờ trong không gian đầu vào và đầu ra. Để giải quyết vấn đề này, một số cách tiếp cận đã được đề xuất như sử dụng thuật tốn tiến hóa vi phân (Differential Evolution, DE) [40] hoặc kết hợp ANN và FL để xây dựng ANFIS [41-44]. Sự kết hợp giữa FL và ANN dưới dạng ANFIS trong đó lợi thế của cả ANN và FL được khai thác đã được áp dụng cho nhiều lĩnh vực, bao gồm cả đánh giá sự cố của hệ thống cơ khí [28-30, 31, 41-47].

Trong [30, 35], hai cơng cụ tốn học phân tích phổ đơn và lọc thưa có thể kết hợp với FL, ANN hoặc ANFIS theo một số phương pháp chẩn đoán hư hỏng khác nhau. Phân tích phổ đơn là một kỹ thuật phân tích chuỗi thời gian dựa trên các nguyên tắc của thống kê đa biến. Nó phân rã một chuỗi thời gian nhất định thành một tập hợp chuỗi thời gian có tính cộng được. Về cơ bản, bằng cách sử dụng quy trình phân tích thành phần chính, phân tích phổ đơn chiếu chuỗi thời gian gốc lên cơ sở véc tơ thu được từ chính chuỗi đó. Tập hợp của chuỗi thu được từ sự phân tích có thể được hiểu là một xu hướng thay đổi chậm biểu thị giá trị trung bình của tín hiệu tại mỗi thời điểm, một tập chuỗi tuần hồn và nhiễu khơng theo chu kỳ [30]. Do đó, một số thơng tin tương quan với phản ứng động của hệ thống được xem như là các đặc điểm thể hiện các thuộc tính của hệ thống có thể được trích xuất [48-50]. Trong khi mục đích của lọc thưa là tối ưu hóa việc

</div><span class="text_page_counter">Trang 27</span><div class="page_container" data-page="27">

Gần đây, để nhận dạng khuyết tật mà ít phụ thuộc vào kiến thức trước đó và chun mơn chẩn đốn khi xử lý dữ liệu lớn (Big Data), một phương pháp nhận dạng khuyết tật ổ bi đã được đề xuất trong [35] thơng qua một q trình học khơng giám sát gồm hai giai đoạn. Trong giai đoạn đầu, lọc thưa và một mạng nơ-ron hai lớp học không giám sát được sử dụng để tìm hiểu trực tiếp các đặc trưng từ các tín hiệu dao động cơ học. Trong giai đoạn tiếp theo, việc chẩn đốn tình trạng sức khỏe thơng qua các đặc trưng đã học và mơ hình hồi quy Soft-max được sử dụng. Mặc dù phương pháp này có thể tạo ra một mơ hình thơng minh để xử lý dữ liệu lớn, nhưng tiền xử lý dữ liệu khơng được chú ý thích đáng. Điều này dẫn đến hiệu quả của nó nhạy cảm với chất lượng cơ sở dữ liệu. Rõ ràng, để trích xuất trực tuyến các đặc trưng đáng tin cậy từ luồng dữ liệu lớn và nhanh với nhiễu từ hệ thống đo, cần phải thiết lập các giải pháp trực tuyến cho cả tiền xử lý dữ liệu và trích xuất thơng tin có ý nghĩa.

Chẩn đốn khuyết tật dựa trên mơ hình dẫn động số (Data-Driven-Model Based Intelligent Fault Diagnosis, DIFD) trên các máy công nghiệp và kế cấu cơ khí đã được phát triển rộng rãi. DIFD đã trở thành một công cụ đầy hứa hẹn do khả năng xử lý nhanh

</div><span class="text_page_counter">Trang 28</span><div class="page_container" data-page="28">

12

các tín hiệu thu thập được và cung cấp kết quả nhận dạng đáng tin cậy [28, 53-55]. Nói chung, theo cách tiếp cận này, miền nguồn có nhãn được xây dựng để nhận dạng ứng xử động lực học của hệ thống cơ học trong giai đoạn huấn luyện trong khi miền đích được thiết lập trong quá trình vận hành hệ thống phục vụ cho cơng việc quản trị sức khỏe của hệ thống [56]. Thực tế chỉ ra rằng, khi nhận dạng khuyết tật trực tuyến, dữ liệu đặc trưng của miền đích hầu hết chưa biết nhãn. Nhận dạng khuyết tật, nói chung là phân loại/dán nhãn dữ liệu đặc trưng của miền đích dựa trên các mẫu đã được dán nhãn. Trong [57], các phương pháp của DIFD để giám sát và chẩn đoán hư hỏng theo quan điểm trên đã được khảo sát. Trong [58], một phương pháp phát hiện hư hỏng sớm trong các điều kiện thay đổi theo thời gian được đề cập. Nó trình bày một mơ hình học sâu để tự động chọn các đáp ứng xung từ các tín hiệu dao động trong q trình vận hành lâu dài. Trong [59], việc dự đoán thời gian sử dụng còn lại của hộp số trong hệ thống truyền động tuabin gió được xem xét. Nghiên cứu tập trung vào thực tế là dữ liệu giám sát hạn chế và thiếu một mơ hình vật lý giảm thiểu hư hỏng chính xác. ANFIS được thiết kế để học hàm biến đổi trạng thái trong mơ hình giảm thiểu hư hỏng. Một chỉ báo lỗi được trình bày dựa trên đặc trưng được trích xuất từ dữ liệu giám sát. Trong [60], một sự kết hợp của các phương pháp dẫn động số dựa trên dữ liệu và phương pháp dựa trên kinh nghiệm để dự báo và quản trị sức khỏe của ổ bi được trình bày. Sự hư hỏng của ổ bi được phát hiện bằng kỹ thuật phân loại không giám sát. Đánh giá thời gian sử dụng còn lại được đề xuất dựa trên ANFIS và mơ hình Markov ẩn. Điểm tương đồng có thể dễ dàng nhận ra trong các cách tiếp cận của [57-60] cũng như của các DIFD truyền thống khác như [28, 53, 57] là việc khai thác riêng lẻ các miền nguồn và miền đích.

Trong [61], một mơ hình chẩn đốn dựa trên học chuyển giao sâu được trình bày. Mơ hình tập trung vào các nhiệm vụ áp dụng kiến thức chẩn đoán từ máy này sang máy khác có liên quan. Một phương pháp cải tiến để xác định chênh lệch trung bình tối đa (Maximum Mean Discrepancy, MMD) được đề xuất với mục đích giảm chênh lệch phân phối. Mặc dù mang tính thực tiễn cao nhưng hiệu quả của nó phụ thuộc nhiều vào sự giống nhau giữa hai máy, một máy dùng để huấn luyện và máy còn lại dùng để chẩn đoán. Trong [62], các tác giả chú ý đến DIFD cho hộp số liên quan đến những thay đổi

</div><span class="text_page_counter">Trang 29</span><div class="page_container" data-page="29">

13

trong kết cấu và điều kiện làm việc. Một mơ hình phân loại hư hỏng của bánh răng mà giải pháp thích ứng miền (Domain Adaptation) được thiết lập cho phép học chuyển đổi. Bản chất của thích ứng miền ở đây chỉ là sự lựa chọn kênh tín hiệu phù hợp nhất trong trường hợp nhiều kênh cùng hoạt động, tuy nhiên khơng có bất kỳ giải pháp nào cho sự lệch miền trong mỗi kênh. Một cách tiếp cận khác có thể được tìm thấy trong [55, 63]. Mơ hình mạng nơ-ron tích chập để nhận dạng các dạng hư hỏng của ổ bi xuyên miền dựa trên tín hiệu dao động được trình bày trong [63]. Phương pháp này kết nối thơng tin có ý nghĩa của các tín hiệu dao động miền nguồn và thông tin phân phối của các tín hiệu dao động miền đích bằng cách cùng thực hiện việc phân tách đặc trưng xuyên miền và thích ứng miền. Sau đó tích hợp sự liên kết miền vào mơ hình Mean Teacher để tăng cường chẩn đoán hư hỏng của ổ bi xuyên miền. Mạng nơ-ron tích chập gồm hai mạng riêng biệt, một mạng sinh viên và một mạng giáo viên đồng thời tiến hành sự thích ứng phân phối dữ liệu và học các đặc trưng tốt. Hai mạng thúc đẩy lẫn nhau với ràng buộc nhất quán trong dự đoán nhãn để kiến thức tốt có thể chuyển đổi giữa các miền. Trong [55], các tác giả đề xuất phương pháp chẩn đoán hư hỏng của ổ bi xuyên miền dựa trên mạng nơ-ron. Miền nguồn và dữ liệu ‘sạch’ từ miền đích được triển khai để tạo ra các mẫu giả, sau đó cộng tác với dữ liệu nguồn một lần nữa để tạo miền chéo. Một mạng nơ-ron được huấn luyện từ miền chéo để đưa ra kết quả chẩn đoán. Các hướng chung giữa [55] và [63] là chúng cố gắng giảm sự khác biệt về phân phối giữa miền nguồn và miền đích trong mỗi kênh dữ liệu. Ngoài ra, sự cộng tác của miền nguồn và dữ liệu ‘sạch’ từ miền đích được thực hiện để xây dựng miền chéo cho thích ứng miền. Đây là một chiến lược phù hợp và đầy hứa hẹn. Tuy nhiên, việc tạo ra các mẫu giả như trong [55] hoặc điều chỉnh trọng số mạng nơ-ron như trong [63] đều dẫn đến một nhược điểm chung là kết quả nhận được ln bị sai số tích lũy từ các phép nội suy dựa trên mạng. Tình trạng này sẽ trở nên trầm trọng hơn khi chịu tác động của nhiễu. Có một thực tế là nhiễu ln tồn tại trong tất cả các phép đo, đặc biệt là các phép đo dựa trên cảm biến như trên các hệ thống này. Một chiến lược khác của thích ứng miền được gọi là phân tích thành phần chuyển giao (Transfer Component Analysis, TCA) [64] đã được áp dụng hiệu quả trong phân tích mẫu để nhận dạng khuyết tật của ổ bi. TCA học chuyển giao một số thành phần giữa các miền trong không gian Hilbert kernel tái tạo bằng cách sử

</div><span class="text_page_counter">Trang 30</span><div class="page_container" data-page="30">

14

dụng MMD. Trong không gian con được mở rộng bởi các thành phần chuyển giao này, các thuộc tính dữ liệu được bảo toàn và các phân phối dữ liệu trong các miền khác nhau trở nên gần nhau hơn.

Xu hướng xây dựng các mơ hình dẫn động số dựa trên kỹ thuật học sâu như mạng ron tích chập (Convolutional Neural Network, CNN) hoặc kết hợp CNN với học chuyển giao (Transfer Learning) được phát triển mạnh mẽ trong thời gian gần đây để cải thiện độ chính xác các phương pháp chẩn đoán lỗi ổ bi [65-67]. Trong [65], các tác giả đã đề xuất mơ hình chẩn đoán lỗi ổ bi dựa trên mạng nơ-ron đa tích chập (Multi-scale Convolutional Neural Network, MCNN) và bộ nhớ dài-ngắn hạn (Long Short Term Memory, LSTM). MCNN-LSTM bao gồm bộ trích xuất đặc trưng và bộ phân loại, cho phép nhập trực tiếp dữ liệu thơ vào mơ hình mà khơng cần xử lý trước. Bộ trích xuất đặc trưng bao gồm hai mạng nơ-ron tích chập (CNN) với kích thước cửa sổ trượt khác nhau để tự động trích xuất các đặc trưng đại diện trong tín hiệu đo rung động của ổ bi hư. Các đặc trưng được trích xuất sau đó được đưa vào bộ phân loại, một mạng LSTM xếp chồng lên nhau được sử dụng để đánh giá lỗi ổ bi. Ưu điểm của MCNN-LSTM là cấu trúc mạng nhỏ gọn và đầu vào dữ liệu thô, cho phép phát hiện trạng thái ổ bi theo thời gian thực; tự động học các tính năng từ tín hiệu thơ mà không cần tiền xử lý; phương pháp huấn luyện và phân loại đạt hiệu quả cao với tập dữ liệu nhỏ chứa nhiễu. Trong [66], nghiên cứu tập trung vào việc sử dụng học chuyển giao sâu để gia tăng tốc độ quá trình huấn luyện và học các đặc trưng phân tầng. Điều này được thực hiện bằng cách sử dụng mạng nơ-ron tích chập sâu đã được huấn luyện trước sử dụng tập dữ liệu lớn gồm các hình ảnh tự nhiên. Như chúng ta thấy, cấu trúc mạng, tham số mơ hình và siêu tham số mơ hình có thể được chuyển sang mơ hình đích để chẩn đoán lỗi máy. Các trọng số cấp thấp hơn của mạng nơ-ron mục tiêu được lấy từ mơ hình được huấn luyện trước và các trọng số cấp cao hơn được tinh chỉnh cho nhiệm vụ chẩn đoán lỗi cụ thể. Bằng cách này, học chuyển giao cung cấp cho mơ hình mục tiêu khởi tạo hợp lý và giảm số lượng tham số cần cập nhật. Do đó, học chuyển giao cải thiện đáng kể quá trình huấn luyện cho mạng nơ-ron nhiều lớp. Trong [67], mạng nơ-ron tích chập (CNN) và máy véc tơ hỗ trợ (Support Vector Machine, SVM) được kết hợp để xây dựng một cấu trúc mạng

</div><span class="text_page_counter">Trang 31</span><div class="page_container" data-page="31">

nơ-15

học sâu CNN-SVM để chẩn đoán khuyết tật ổ bi. Đầu tiên, phép biến đổi Wavelet liên tục (Continuous Wavelet Transform, CWT) được sử dụng để trích xuất đặc trưng trong quá trình tiền xử lý dữ liệu. Sau đó, mơ hình mạng CNN-SVM được xây dựng bằng phương pháp học chuyển giao. Cuối cùng, các đặc trưng trích xuất được sử dụng để huấn luyện mơ hình mạng để chẩn đốn lỗi ổ bi. Phương pháp này tận dụng tối đa khả năng trích xuất đặc trưng tuyệt vời của CNN và hiệu suất phân loại đặc biệt của SVM, giúp giải quyết vấn đề trích xuất đặc trưng tín hiệu chuyên sâu và khó khăn trong việc lấy mẫu lớn trong các ứng dụng chẩn đoán khuyết tật.

Trong các phương pháp dẫn động số chẩn đốn lỗi vịng bi ở trên đã khai thác rộng rãi tín hiệu dao động vì nó chứa các thơng tin phong phú về tình trạng sức khỏe của vịng bi. Tuy nhiên, phương pháp này rất tốn kém vì việc đo tín hiệu dao động cần có gia tốc kế bên ngồi cũng như chi phí thu thập dữ liệu. Hơn nữa, trong các hệ thống máy móc khơng thể tiếp cận hoặc khơng thể lắp đặt các cảm biến bên ngồi, ví dụ các ổ bi lắp bên trong động cơ điện, các phương pháp dựa trên tín hiệu rung động khơng thể thực hiện được. Do đó, phương pháp chẩn đốn lỗi vịng bi dựa trên tín hiệu dịng điện động cơ đã thu hút được sự quan tâm đáng kể từ các nhà nghiên cứu [68-70]. Tuy nhiên, hiệu suất của phương pháp này vẫn chưa tốt bằng phương pháp dựa trên tín hiệu rung động, đặc biệt trong trường hợp chẩn đoán khuyết tật cho các ổ bi lắp bên ngoài động cơ điện. Trong [68], một phương pháp chẩn đoán lỗi ổ bi quay mới đã được đề xuất. Ở đây, dòng điện stato được sử dụng làm nguồn khai thác đặc trưng thay vì tín hiệu dao động của ổ bi. Trong nghiên cứu này, các tác giả trình bày hai phương pháp trích xuất đặc trưng. Đầu tiên là một kỹ thuật học không giám sát kết hợp mạng nơ-ron tích chập 1D-CNN và phép biến đổi Wavelet Packet. Tiếp theo là một phương pháp phân loại kết hợp học có giám sát và lớp Softmax để phân loại động cơ đồng bộ nam châm vĩnh cửu thành năm trạng thái khác nhau. Trong [69] trình bày phương pháp chẩn đốn dựa trên tín hiệu dịng điện động cơ sử dụng phương pháp học sâu và kết hợp thơng tin trong tín hiệu dịng điện pha áp dụng cho các ổ bi lắp bên ngoài trên các hệ thống máy quay. Phương pháp đề xuất sử dụng tín hiệu thơ từ nhiều pha của dịng điện động cơ làm đầu vào trực tiếp, các đặc trưng được trích xuất từ tín hiệu dịng điện của từng pha. Sau đó, mỗi bộ

</div><span class="text_page_counter">Trang 32</span><div class="page_container" data-page="32">

16

đặc trưng được phân loại riêng biệt bởi một mạng nơ-ron tích chập. Để nâng cao độ chính xác chẩn đốn, một kỹ thuật mới quyết định mức độ thơng tin kết hợp được triển khai để hợp nhất thông tin từ tất cả các mạng nơ-ron tích chập được sử dụng. Vấn đề quyết định mức độ thông tin kết hợp được chuyển thành một nhiệm vụ phân loại mẫu đơn giản có thể được giải quyết hiệu quả bằng các thuật tốn học có giám sát quen thuộc. Trong [70], các tác giả đã đề xuất một cách tiếp cận dựa trên mơ hình để định lượng mức độ nghiêm trọng của sự cố ổ bi bằng cách sử dụng tín hiệu dịng điện stator. Mơ hình được xây dựng dựa trên sự dịch chuyển khe hở giữa các rung động hướng tâm và các thành phần quang phổ dòng điện stato. Sự dịch chuyển khe hở này được xây dựng lại từ sự thay đổi độ tự cảm lẫn nhau, được ước tính từ một mơ hình điện định lượng lấy dòng điện stato làm đầu vào. Sự chồng chất của nhiều chuỗi Fourier đã được sử dụng

để ước tính mức độ nghiêm trọng của khuyết tật ổ bi. Cách tiếp cận này có lợi thế hơn so với các phương pháp dẫn động số dựa trên dữ liệu đo rung động của ổ bi vì nó khơng u cầu phải thu thập trước một lượng lớn dữ liệu đo dao động của ổ bi hư hỏng để huấn luyện các thuật toán được sử dụng, đồng thời tiết kiệm chi phí hơn. Ngồi ra, mơ hình

Bảng 1.1 Tóm tắt các phương pháp nhận dạng khuyết tật ổ bi

<small>Nhóm mơ hình (Model-based Method) </small>

<small>Nhận dạng khuyết tật ổ bi dựa trên việc xây dựng mơ hình ổ bi (loại ổ bi) có khuyết tật và mơ hình khuyết tật (kiểu hư hỏng) của ổ bi khảo sát </small>

<small>- Tiết kiệm chi phí thu thập dữ liệu. </small>

<small>- Phù hợp đối với ổ bi quay với tốc độ thấp và cần phân tích ứng xử của ổ bi khi xuất hiện hư hỏng (nứt, vỡ, v.v…) </small>

<small>- Khó xây dựng mơ hình chính xác với thực tế. </small>

<small>- Cần tìm lời giải chính xác hệ phương trình vi phân động lực học ổ bi nếu xét toàn bộ điều kiện biên và các yếu tố không chắc chắn. </small>

<small>- Không phù hợp nhận dạng trực tuyến hư hỏng của ổ bi. Nhóm phi cấu trúc </small>

<small>(Nhóm các phương pháp dẫn động số - Data-Driven Method) </small>

<small>Nhận dạng khuyết tật ổ bi dựa trên tập dữ liệu đo phản ánh ứng xử động lực học của ổ bi quay </small>

<small>- Phù hợp với bài toán nhận dạng trực tuyến hư hỏng của ổ bi theo thời gian thực. - Có thể kết hợp các </small>

<small>phương pháp để cải thiện độ chính xác trong chẩn đốn hư hỏng. </small>

<small>- Tốn chi phí thu thập dữ liệu. - Khó khăn trong xử lý dữ liệu </small>

<small>đo như lọc nhiễu, trích xuất đặc trưng, vấn đề lệch miền, dữ liệu lớn, v.v… </small>

<small>- Cần xây dựng mô hình nhận dạng khuyết tật với độ chính xác cao và chi phí tính tốn thấp. </small>

</div><span class="text_page_counter">Trang 33</span><div class="page_container" data-page="33">

<b> Nhận xét và kết luận </b>

Trong quá trình làm việc, ổ bi thường gặp một số dạng hư hỏng như sau:

• Tróc mề mặt: nguyên nhân do mỏi, do tải trọng ban đầu quá lớn, do vịng bi bị bóp méo, do lực ép dọc trục quá lớn, do vòng bi lắp lệch trục, do bơi trơn kém, v.v… • Nứt - vỡ: nguyên nhân do thực hành tháo lắp không đúng như đóng mạnh bằng búa

trực tiếp vào vịng bi khi lắp ráp, do rung động khi ổ bi làm việc, do màng dầu bôi trơn trên bề mặt tiếp xúc bị gián đoạn do tải trọng hướng tâm quá mức, vật thể lạ mắc kẹt hoặc tải ban đầu q lớn.

• Bề mặt bị dính: ngun nhân do vịng ngồi, vịng trong hoặc viên bi bị trượt trong khi chuyển động, do đặc tính của chất bơi trơn khơng đủ để chống trượt.

• Mịn: nguyên nhân do sự xâm nhập của các vật thể rắn bên ngoài, do bụi bẩn và các vật thể lạ khác trong chất bôi trơn, do bôi trơn kém, v.v...

• Vịng trong, vịng ngồi xuất hiện các vết lõm: nguyên nhân do vòng bi lắp đặt sai hoặc do quá tải.

Khi vận hành, ổ bi luôn làm việc dưới điều kiện tải trọng lớn và biến thiên theo thời gian. Các điều kiện trong quá trình làm việc của ổ bi như nhiệt độ, áp suất, ma sát, v.v... luôn thay đổi và do các nguyên nhân phân tích ở trên làm cho cơ tính vật liệu và độ cứng chống biến dạng của ổ bi suy giảm. Những điều này dẫn đến sự hỏng hóc của ổ bi. Các máy móc làm việc hoặc chuyển động với vận tốc lớn, nếu xuất hiện hỏng hóc của ổ bi ln gây ra những hậu quả khơn lường. Do đó, nhận dạng khuyết tật và giám sát tình trạng của ổ bi là việc làm cần thiết nhằm phát hiện các hư hỏng khi chúng bắt đầu phát sinh để ngăn ngừa những tai nạn đáng tiếc có thể xảy ra. Ngồi ra, nhận dạng khuyết

</div><span class="text_page_counter">Trang 34</span><div class="page_container" data-page="34">

18

tật và giám sát tình trạng của ổ bi giúp dự đốn và tìm ra ngun nhân xuất hiện các hỏng hóc để bảo dưỡng, bảo trì kịp thời nhằm tiết kiệm chi phí. Do đặc điểm làm việc của ổ bi, sử dụng nhóm phương pháp dẫn động số (nhóm phi cấu trúc) là hoàn toàn phù hợp trong việc nhận dạng khuyết tật và giám sát tình trạng của ổ bi. Nghiên cứu sinh và các cộng sự đã triển khai nhóm phương pháp này để nhận dạng các đối tượng khác nhau và đạt được những kết quả nhất định, làm cơ sở thực hiện các nội dung nghiên cứu của luận án. Xin được tóm tắt như sau:

Như phân tích trong [28], để xây dựng hệ thống suy diễn nơron-mờ thích nghi (ANFIS), khơng gian dữ liệu được phân loại để thiết lập các cụm dữ liệu có các đặc điểm chung. Tác động của quá trình phân loại dữ liệu trên đối với hệ thống có thể được coi là một q trình lọc nhiễu cho tập dữ liệu. Đây là một trong những ưu điểm nổi bật của ANFIS được xây dựng dựa trên cách này. Tuy nhiên, hiệu quả của quá trình phân loại dữ liệu phụ thuộc vào mức độ phù hợp của hàm liên thuộc của ANFIS đối với các đặc trưng của tập dữ liệu. Thông thường, để điều chỉnh vai trị của từng cụm dữ liệu trong q trình tính tốn giá trị đầu ra của mạng, hàm liên thuộc được điều chỉnh bằng cách sử dụng một tham số điều chỉnh. Việc lựa chọn tham số điều chỉnh phụ thuộc vào đặc điểm của từng không gian dữ liệu. Trên thực tế, nó ảnh hưởng đáng kể đến độ chính xác dự đốn của mơ hình. Tuy nhiên, rất khó để tìm ra các giá trị thích hợp của điều này cho từng ứng dụng thực tế. Để khắc phục khó khăn trên, trong [28], nhóm nghiên cứu đã đề xuất cách tiếp cận mới để nhận dạng khuyết tật của dầm có thể áp dụng dễ dàng trong thực tế. Cách tiếp cận được đề xuất tập trung vào sự kết hợp của cấu trúc ANFIS và các phương pháp biến đổi Wavelet. Như phân tích ở phần 1.3, kết quả của phương pháp là tăng độ chính xác của mơ hình và khắc phục khó khăn về việc tìm ra quy mơ tối ưu trong biến đổi Wavelet cho mỗi ứng dụng. Liên quan đến Type-1 Fuzzy Logic System (T-1FLS) sử dụng trong [28], nếu nó được xây dựng dựa trên tập dữ liệu khơng có nhiễu, ảnh hưởng của sự lựa chọn tùy ý ban đầu của các tham số hàm liên thuộc sẽ giảm sau khi q trình huấn luyện hồn thành; ngược lại, nếu tập dữ liệu bị nhiễu, điều này có thể khơng xảy ra. T-1FLS được sử dụng một cách hữu ích khi sử dụng các tập dữ liệu khơng bị nhiễu hoặc có nhiễu nhưng mức độ nhiễu không nghiêm trọng. Ngược lại, thực tế cho

</div><span class="text_page_counter">Trang 35</span><div class="page_container" data-page="35">

19

thấy rằng khi xử lý các tập dữ liệu có độ nhiễu cao, hiệu quả của T-1FLS bị ảnh hưởng nghiêm trọng. Nguyên nhân chính của vấn đề này liên quan đến khả năng của T-1FLS để đối phó với tình trạng nhiễu của tập dữ liệu. Trong [29], nhóm nghiên cứu đã đề xuất một giải pháp nền tảng là thiết kế và sử dụng Interval Type-2 Fuzzy Logic System (IT-2FLS) thay vì sử dụng T-1FLS. Đối với T-2FLS, vì các hàm của T-2FLS khơng chắc chắn về hình dạng hoặc/và các thơng số, do đó T-2FLS có thể đối phó với cả một cơ sở dữ liệu nhiễu. Có nghĩa là, T-2FLS có thể xử lý các loại trạng thái không chắc chắn khác nhau trong cơ sở dữ liệu tốt hơn so với T-1FLS. Trong [30], chúng tơi đã đề xuất thuật tốn chia bó mờ trong trường dữ liệu tiềm năng thay cho phương pháp chia bó cứng để tổng hợp ANFIS. Thuật tốn chia bó mờ này đã khắc phục nhược điểm của phương pháp chia bó cứng là thiếu khả năng linh hoạt để biểu diễn các hàm liên thuộc của mỗi mẫu trong một tập dữ liệu liên quan tới một hệ thống phi tuyến sâu. Đồng thời phương pháp phân tích phổ đơn được sử dụng để lọc nhiễu và trích xuất các đặc trưng từ dữ liệu gốc. Dựa trên cơ sở dữ liệu được phân tích phổ đơn tạo ra và thuật tốn chia bó mờ được đề xuất, ANFIS có thể nhận dạng tốt hơn đáp ứng động lực học của hệ thống.

Từ những nhận xét ở trên và nội dung trình bày trong Bảng 1.1 đã cho thấy một số vấn đề chưa được giải quyết như sau:

1) Dữ liệu đo dao động của ổ bi luôn chứa nhiễu. Vấn đề là làm thế nào để lọc nhiễu trực tuyến nhằm gia tăng độ chính xác của các mơ hình nhận dạng?

2) Dữ liệu đo trực tuyến với quy mô lớn (Big Data) luôn chứa đựng thông tin khách quan về tình trạng của cơ hệ, tuy nhiên việc chắt lọc thơng tin hữu ích từ dữ liệu đo này luôn là thách thức lớn.

3) Giải pháp nào để xử lý sự lệch miền (Drift Domain) trong các tập dữ liệu đo trực tuyến do sự khác biệt về phân phối trong các tập dữ liệu?

4) Các công cụ tốn của trí tuệ nhân tạo như ANN, FL, hoặc ANFIS cần phát triển và sử dụng như thế nào nhằm gia tăng độ chính xác và cải thiện tốc độ nhận dạng khuyết tật của ổ bi?

<i><b>Kết quả của những phân tích trên đây là lý do NCS chọn đề tài “Nhận dạng khuyết tật ổ bi dựa trên anfis và giải pháp xử lý dòng dữ liệu từ cảm biến”. </b></i>

</div><span class="text_page_counter">Trang 36</span><div class="page_container" data-page="36">

20

<b> Giới thiệu Luận án </b>

<i><b>1.5.1 Tính cấp thiết của đề tài nghiên cứu </b></i>

Ổ bi là một trong những bộ phận được sử dụng rộng rãi nhất trong các loại máy móc công nghiệp. Là một thành phần quan trọng của máy, ổ bi chịu phần lớn tải trọng trong quá trình máy móc vận hành. Nếu ổ bi bị hư hỏng sẽ phát sinh các vấn đề nghiêm trọng, dẫn đến giảm hiệu quả sản xuất và gây thiệt hại lớn về kinh tế. Các hồ sơ theo dõi sức khỏe của máy móc cho thấy rằng hư hỏng của ổ bi bị chiếm khoảng 30% các hỏng hóc trong số các thiết bị quay. Do đó, việc nhận dạng khuyết tật và giám sát tình trạng cho ổ bi có vai trị rất quan trọng. Khi máy móc vận hành, sự cố liên quan tới tình trạng kỹ thuật có thể xuất hiện bất ngờ. Để đảm bảo an toàn trong quá trình khai thác và sử dụng, cần thiết phải xây dựng hệ thống giám sát tình trạng kỹ thuật cho các bộ phận của máy, trong đó có ổ bi. Hệ thống này phải có khả năng nhận dạng và dự báo trực tuyến tình trạng khuyết tật để đưa ra những thơng báo kịp thời về tình trạng kỹ thuật các bộ phận của máy. Đây là một vấn đề quan trọng, đã thu hút nhiều nhà nghiên cứu trong nước và thế giới.

Về mặt cơng nghệ, hiện nay trên thế giới đã có một số công ty sản xuất các thiết bị và hệ thống giám sát tình trạng kỹ thuật của máy móc với các phạm vi sử dụng khác nhau. Ví dụ: Thiết bị chẩn đoán khuyết tật ổ bi do hãng ACOEM sản xuất trong Hình 1.3 [71]

Hình 1.3 Thiết bị chẩn đoán khuyết tật ổ bi của hãng ACOEM

</div><span class="text_page_counter">Trang 37</span><div class="page_container" data-page="37">

21

được sử dụng tại công ty sản xuất xi măng Wonder Cement của Ấn Độ; một ứng dụng khác là hệ thống nhận dạng và dự báo khuyết tật trực tuyến SKF được sản xuất tại Đức được sử dụng trên hệ thống tàu cao tốc ở Châu Âu, v.v…

Trong nước, gần đây đã có những nghiên cứu và thử nghiệm hệ thống giám sát sử dụng trên xe tự hành. Viện nghiên cứu dữ liệu lớn VinBigData của Tập đoàn Vingroup đã triển khai thử nghiệm thành công xe điện tự hành cấp độ 4 hồn tồn khơng cần người lái giám sát. Xe có khả năng nhận diện vật cản trên đường như người đi bộ, phương tiện, biển báo với độ chính xác cao nhờ áp dụng cơng nghệ trí tuệ nhân tạo, kết hợp dữ liệu đo từ các camera. Cơng ty FPT Software thuộc tập đồn FPT cũng đã thử nghiệm thành công xe tự hành ở cấp độ 3. Đây là những kết quả quan trọng để phát triển các nghiên cứu và ứng dụng hệ thống giám sát tình trạng liên quan đến vị trí và hành trình của xe tự hành trong thực tế. Tuy nhiên, việc nghiên cứu và ứng dụng hệ thống giám sát liên quan đến tình trạng kỹ thuật của máy móc vẫn chưa được triển khai rộng rãi và còn rất nhiều hạn chế.

Hệ thống giám sát tình trạng kỹ thuật các bộ phận máy, trong đó có ổ bi được triển khai sẽ ngăn ngừa được những tai nạn đáng tiếc xảy ra khi máy móc vận hành. Mặt khác, nó cũng giúp chúng ta dự đốn được các bộ phận của máy móc sẽ hoạt động như thế nào, hư hỏng ở mức độ nào theo thời gian, từ đó lập lịch bảo trì các bộ phận tương ứng với hư hỏng đó để ngăn ngừa những hỏng hóc xảy ra nhằm tiết kiệm thời gian, chi phí và

<i><b>nâng cao hiệu quả sản xuất. Xuất phát từ những thực trạng trên, đề tài: “Nhận dạng khuyết tật của ổ bi dựa trên ANFIS và giải pháp xử lý dòng dữ liệu đo từ cảm biến” </b></i>

được thực hiện nhằm mục đích đề xuất một số giải pháp để xây dựng bộ giám sát trực tuyến tình trạng kỹ thuật của ổ bi khi máy móc vận hành.

<i><b>1.5.2 Mục đích nghiên cứu </b></i>

Mục đích của đề tài là nghiên cứu và đề xuất các giải thuật để nhận dạng khuyết tật của bi, đồng thời triển khai hệ thống thí nghiệm kiểm chứng các giải thuật được đề xuất, làm cơ sở để xây dựng bộ giám sát trực tuyến tình trạng kỹ thuật của ổ bi trong các loại máy móc cơng nghiệp.

</div><span class="text_page_counter">Trang 38</span><div class="page_container" data-page="38">

22

<i><b>1.5.3 Đối tượng và phạm vi nghiên cứu </b></i>

Đối tượng nghiên cứu của đề tài là nhận dạng khuyết tật của các loại ổ bi được sử dụng rộng rãi trong các máy công nghiệp. Thực tế có rất nhiều loại hư hỏng khác nhau xuất hiện khi ổ bi quay như nứt vỡ, tróc bề mặt, dính bề mặt, v.v… Các hư hỏng này có thể xuất hiện dưới dạng hư hỏng đơn hoặc nhiều hư hỏng cùng xuất hiện (đa khuyết tật). Đề tài này tập trung vào nhận dạng khuyết tật của ổ bi với các hư hỏng đơn xuất hiện trong quá trình ổ bi làm việc. Mỗi dạng hư hỏng đơn của ổ bi chẩn đoán khuyết tật được tạo ra bằng phương pháp nhân tạo, sử dụng máy cắt dây để tạo khuyết tật.

<i><b>1.5.4 Phương pháp nghiên cứu </b></i>

Đề tài được thực hiện dựa trên phương pháp lý thuyết kết hợp với phương pháp thực nghiệm khoa học.

Phân tích lý thuyết: nghiên cứu nội dung và phương pháp luận các cơng trình khoa học liên quan đến nhận dạng khuyết tật và giám sát tình trạng của cơ hệ nói chung và ổ bi nói riêng trên các tạp chí trong nước và quốc tế, trong các đề tài nghiên cứu khoa học liên quan. Trên cơ sở đó và lựa chọn giải pháp nhận dạng khuyết tật của ổ bi theo nhóm giải pháp dẫn động số hay nhóm phi cấu trúc, đồng thời xây dựng cơ sở khoa học cho vấn đề cần giải quyết và đề xuất các giải thuật nhận dạng khuyết tật có tính khả thi cao. Các giải thuật đề xuất có tính kế thừa những kết quả nghiên trước đây của tác giả và các nghiên cứu liên quan đến chẩn đoán hư hỏng của cơ hệ và ổ bi.

Thực nghiệm khoa học: xây dựng mơ hình thí nghiệm và thu thập dữ liệu đo dao động của ổ bi với các loại hư hỏng đơn khác nhau để kiểm chứng các giải thuật đề xuất và làm rõ khả năng ứng dụng vào thực tế là xây dựng hệ thống nhận dạng trực tuyến tình trạng kỹ thuật của ổ bi.

<i><b>1.5.5 Ý nghĩa khoa học và thực tiễn của đề tài nghiên cứu </b></i>

Ý nghĩa khoa học của đề tài: đề xuất các giải thuật mới có tính khả thi cao để nhận dạng khuyết tật của ổ bi dựa trên các cơng cụ trí tuệ nhân tạo và dữ liệu đo từ cảm biến. Nội dung của đề tài phù hợp với sự phát triển của khoa học và công nghệ trong cuộc cách

</div><span class="text_page_counter">Trang 39</span><div class="page_container" data-page="39">

23

mạng công nghiệp 4.0 dựa trên nền tảng của sự kết hợp công nghệ cảm biến mới, phân tích dữ liệu lớn, điện tốn đám mây và kết nối internet vạn vật nhằm thúc đẩy sự phát triển của máy móc tự động hóa và hệ thống sản xuất thông minh.

Ý nghĩa thực tiễn của đề tài: chủ động nghiên cứu, từng bước xây dựng và làm chủ cơng nghệ giám sát tình trạng kỹ thuật của ổ bi khi máy móc vận hành nhằm đảm bảo an toàn, nâng cao hiệu suất, giảm thời gian và chi phí bảo trì máy móc.

<i><b>1.5.6 Đóng góp mới của Luận án </b></i>

Luận án có những đóng góp mới như sau:

• Đã đề xuất và xây dựng giải thuật ASSBDIM nhận dạng trực tuyến khuyết tật của ổ bi dựa trên phân tích phổ đơn, lọc thưa và hệ thống suy diễn nơron - mờ thích nghi (ANFIS).

• Kế thừa và phát triển giải thuật ASSBDIM, đề xuất và xây dựng giải thuật mới có tên BFDM nhận dạng khuyết tật của ổ bi dựa trên phân tích phổ đơn, xây dựng véc tơ đặc trưng và mạng nơ-ron nhân tạo (ANN) - khung sườn cấu thành ANFIS.

• Tiếp tục mở rộng và phát triển hai giải thuật ở trên để đề xuất giải thuật mới BFDM dựa trên phân tích phổ đơn, giải pháp xây dựng miền thích ứng, thuật tốn FIN lọc nhiễu xung và ANFIS.

ANFIS-• Xây dựng và triển khai hệ thống thí nghiệm đo dữ liệu dao động của ổ bi để kiểm chứng các giải thuật đề xuất.

<i><b>1.5.7 Bố cục Luận án </b></i>

Luận án được tổ chức như sau:

<b>Chương 1: Nghiên cứu tổng quan về nhận dạng khuyết tật và giám sát tình trạng máy </b>

và chỉ ra những vấn đề chưa được giải quyết.

<b>Chương 2: Trình bày cơ sở lý thuyết liên quan đến động lực học ổ bi, bài toán thuận và </b>

bài toán ngược trong nhận dạng khuyết tật ổ bi và ANFIS với vai trị là một cơng cụ trong nhận dạng khuyết tật cơ hệ.

</div><span class="text_page_counter">Trang 40</span><div class="page_container" data-page="40">

24

<b>Chương 3: Trình bày phương pháp tiếp cận, xây dựng mơ hình thí nghiệm, các cơng cụ </b>

toán liên quan, đề xuất và xây dựng các giải thuật nhận dạng khuyết tật ổ bi.

<b>Chương 4: Trình bày các kết quả nhận được từ các giải thuật đề xuất dựa trên dữ liệu </b>

đo dao động của gối đỡ ổ bi từ cảm biến và các vấn đề cần thảo luận.

<b>Chương 5: Kết luận và hướng phát triển. </b>

</div>

×