Tóm tắt Luận án Tiến sĩ Kỹ thuật: Nghiên cứu giải pháp nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện bằng kỹ thuật xử lý tín hiệu tiên tiến và học máy

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

3
lượt xem 0
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Kỹ thuật "Nghiên cứu giải pháp nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện bằng kỹ thuật xử lý tín hiệu tiên tiến và học máy" được nghiên cứu với mục tiêu: Đề xuất các giải pháp mới nhằm nâng cao độ chính xác, giảm thời gian thực thi trong chẩn đoán lỗi vòng bi động cơ điện bằng cách kết hợp các kỹ thuật xử lý tín hiệu tiên tiến và kỹ thuật học máy, học sâu.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật: Nghiên cứu giải pháp nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện bằng kỹ thuật xử lý tín hiệu tiên tiến và học máy

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ ĐẶNG HỮU HẢI NGHIÊN CỨU GIẢI PHÁP NÂNG CAO HIỆU QUẢ CHẨN ĐOÁN LỖI VÒNG BI ĐỘNG CƠ ĐIỆN BẰNG KỸ THUẬT XỬ LÝ TÍN HIỆU TIÊN TIẾN VÀ HỌC MÁY Ngành : Kỹ thuật điện tử Mã số : 9 52 02 03 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội – 2025
CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ - BỘ TỔNG THAM MƯU Người hướng dẫn khoa học: 1. PGS.TS Bùi Ngọc Mỹ 2. PGS.TS Hoàng Văn Phúc Phản biện 1: GS.TS Trần Đức Tân Trường Đại học Phenikaa Phản biện 2: PGS.TS Nguyễn Thế Quang Học viện Kỹ thuật quân sự Phản biện 3: PGS.TS Lê Vĩnh Hà Viện Khoa học và Công nghệ quân sự Luận án được bảo vệ trước Hội đồng đánh giá luận án Tiến sĩ cấp Viện, họp tại Viện Khoa học và Công nghệ quân sự, vào hồi......giờ......, ngày.......tháng..... năm 2025. Có thể tìm hiểu luận án tại: - Thư viện Viện Khoa học và Công nghệ quân sự - Thư viện Quốc gia Việt Nam
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ [CT1] Dang Huu Hai, Bui Ngoc My, Hoang Van Phuc, Bui Quy Thang, Le Thi Huyen (2023). Bearing fault diagnosis for electric machines using motor current signals and state classification, Tạp chí Nghiên cứu KH&CNQS, số 89(2023),15-24, https://doi.org/10.54939/1859-1043.j.mst.89.2023.15-24. [CT2] Hai Dang Huu, Thang Bui Quy, Ngoc-My Bui, Viet Phan Van, Thuy Dao Thi, Van-Phuc Hoang (2023). Bearing Fault Classification Using Spectral Portrait of Motor Current Signals and Machine Learning, Proceedings of International Conference 2023 International Conference on Advanced Technologies for Communications (ATC), 146-150, https://doi.org/10.1109/ATC58710.2023.10318904 [CT3] Hai Dang Huu, Ngoc-My Bui, Van-Phuc Hoang, Thang Bui Quy, Hai Chu Van (2024). Bearing Fault Classification Based on Residual Component of Motor Current Signal and Machine Learning, Proceedings of The International Conference on Intelligent Systems & Networks (ICISN 2024) 277-284, https://doi.org/10.1007/978-981-97-5504-2_33. [CT4] Hai Dang Huu, Ngoc-My Bui, Van-Phuc Hoang, Thang Bui Quy, Yen Hoang Thi (2025). Improved convolutional neural network- based bearing fault diagnosis using multi-phase motor current signals, International Journal of Electrical and Computer Engineering (IJECE) số 2 (2025), https://doi.org/ 10.11591/ijece.v15i2.pp1656-1669 (Scopus). [CT5] Hai Dang Huu, Ngoc-My Bui, Van-Phuc Hoang, Thang Bui Quy, Van-Sang Doan (2025). Bearing fault diagnosis based on convolutional neural network using estimated motor current signals and their spectral portrait, The Advances in Electrical and Electronic Engineering Journal (AEEE) số 2 (2025), https://advances.vsb.cz/early-access/view/13/pdf (Scopus).
1 MỞ ĐẦU 1. Tính cấp thiết của đề tài luận án Máy điện quay nói chung và động cơ điện nói riêng được sử dụng phổ biến trong các dây chuyền sản xuất tại các nhà máy trong Quân đội, trong các tàu chiến và tàu vận tải của Quân chủng Hải quân, trong các thiết bị dân dụng như xe điện, xe nâng, trong các hệ thống trang thiết bị y tế như máy xét nghiệm tự động, máy lọc thận, máy chụp CT, MRI...Do phải động thường xuyên, các thành phần cấu trúc của chúng phải chịu rất nhiều ứng suất điện và cơ học sẽ dẫn đến bị hỏng dần theo thời gian và có thể hỏng đột ngột bất cứ lúc nào. Để ngăn ngừa các hỏng nghiêm trọng, việc phát hiện lỗi sớm đối với các động cơ điện đã thu hút các nhà nghiên cứu trong nhiều thập kỷ gần đây. Hiện nay, việc phát hiện lỗi động cơ điện trên các tàu chiến và tàu vận tải thường thông qua phán đoán kinh nghiệm của kỹ thuật viên dựa trên tiếng ồn hoặc độ rung khi động cơ hoạt động. Do đó, để đảm bảo tính năng, chất lượng và hiệu quả hoạt động của các động cơ điện cần có giải pháp tự động phát hiện sớm, dự báo, cảnh báo sớm các lỗi trong động cơ điện mà chủ yếu là các lỗi liên quan đến vòng bi là vấn đề hết sức quan trọng. Quy trình chẩn đoán hỏng vòng bi của động cơ điện dựa trên tín hiệu dòng điện của động cơ trong các phương pháp đã công bố thường khử nhiễu tín hiệu thu được từ các cảm biến dòng điện, sau đó trích xuất các đặc trưng điển hình từ tín hiệu đã khử nhiễu và sử dụng bộ phân loại học máy để phân biệt trạng thái của vòng bi hoặc sử dụng kỹ thuật phân tích, giám sát phổ tín hiệu. Tuy nhiên, các tín hiệu dòng điện trong thực tế dễ bị ảnh hưởng bởi nhiễu xung quanh, tạo ra các đỉnh bất thường trong tín hiệu hoặc các tần số nhiễu bằng đúng tần số đặc trưng trong các phương pháp phân tích phổ có thể dẫn đến kết quả chẩn đoán không chính xác. Hơn nữa, bản thân các phép đo tín hiệu mẫu cũng có sai số. Do đó, các phương pháp xử lý tín hiệu truyền thống chỉ hiệu quả trong việc chẩn đoán lỗi vòng bi đối với động cơ điện sử dụng tín hiệu dòng điện động cơ trong phòng thí nghiệm. Đối với các công trình dựa trên kỹ thuật học sâu sử dụng tín hiệu dòng điện chỉ công bố việc trích xuất đặc trưng trên miền thời gian hoặc trên miền tần số, chưa có công trình nào công bố trích xuất đặc trưng đồng thời trên miền thời gian và miền tần số. Ngoài ra, các công trình chưa công bố kết quả mô phỏng với bộ dữ liệu có tạp để sát với tình huống gặp trong thực tế. Với những phân tích trên đây, đề tài “Nghiên cứu giải pháp nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện bằng kỹ thuật xử lý tín hiệu tiến và học máy” là cấp thiết, có giá trị khoa học và thực tiễn. Kết quả của đề tài có thể được phát triển, áp dụng vào thực tế để chẩn đoán lỗi động cơ điện của thiết bị quân sự, máy móc dân dụng như ô tô điện, xe nâng điện, thiết bị y tế để hạn chế những rủi ro, thiệt hại trong quá trình hoạt động. 2. Mục tiêu nghiên cứu Mục tiêu chính của luận án hướng tới là đề xuất các giải pháp mới nhằm nâng cao độ chính xác, giảm thời gian thực thi trong chẩn đoán lỗi vòng bi động cơ điện bằng cách kết hợp các kỹ thuật xử lý tín hiệu tiên tiến và kỹ thuật học máy, học sâu. 3. Đối tượng và phạm vi nghiên cứu - Đối tượng nghiên cứu: các phương pháp tự động phát hiện và chẩn đoán lỗi vòng bi động cơ điện; các kỹ thuật xử lý tín hiệu để phát hiện lỗi, các thuật toán học máy, các mô
2 hình mạng nơ-ron học sâu để chẩn đoán lỗi vòng bi động cơ điện. - Phạm vi nghiên cứu của luận án: các phương pháp xử lý tín hiệu như biến đổi Wavelet, biến đổi Fourier, lọc Kalman, phân tích phổ, các mô hình và thuật toán học máy, học sâu để nâng cao độ chính xác chẩn đoán, phân loại lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện động cơ. 4. Nội dung nghiên cứu Luận án tập trung nghiên cứu các nội dung sau: nghiên cứu về cấu tạo, nguyên lý hoạt động, đặc trưng kỹ thuật, ứng dụng của động cơ điện và các phương pháp chẩn đoán lỗi vòng bi; nghiên cứu các kỹ thuật xử lý tín hiệu tiên tiến; các phương pháp nâng cao chất lượng tín hiệu thu thập được; thu thập cơ sở dữ liệu với các tập mẫu tín hiệu đã được công bố; nghiên cứu, tối ưu hóa mô hình, cấu trúc mạng nơ-ron và thuật toán học sâu theo giải pháp mới, ứng dụng trong việc chẩn đoán và phân loại lỗi vòng bi động cơ điện nhằm nâng cao độ chính xác phân loại lỗi, giảm thời gian thực thi; đánh giá kết quả nghiên cứu bằng mô phỏng và mô phỏng với tập dữ liệu mẫu. 5. Phương pháp nghiên cứu Luận án kết hợp giữa nghiên cứu lý thuyết, giải tích với mô phỏng trên phần mềm máy tính, cụ thể: Nghiên lý thuyết về các phương pháp chẩn đoán lỗi vòng bi động cơ điện truyền thống và khả năng ứng dụng các thuật toán học máy, học sâu để chẩn đoán lỗi vòng bi động cơ điện; khảo sát các công trình nghiên cứu có liên quan và đề xuất giải pháp, mô phỏng các mô hình đề xuất bằng phần mềm để đánh giá độ chính xác phân loại lỗi và thời gian thực thi. 6. Ý nghĩa khoa học và ý nghĩa thực tiễn của luận án Ý nghĩa khoa học: Kết quả của luận án sẽ góp phần tạo ra một số mô hình mới, giải pháp xử lý tín hiệu mới hoặc kết hợp kỹ thuật xử lý tín hiệu truyền thống với các mô hình học máy, học sâu để nâng cao độ chính xác phát hiện, chẩn đoán lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện động cơ. Ý nghĩa thực tiễn: Các kết quả đạt được của luận án có thể tham khảo trong nghiên cứu, thiết kế và chế tạo các hệ thống chẩn đoán hỏng hóc vòng bi động cơ điện trực tiếp hoặc theo định kỳ. 7. Bố cục của luận án Luận án được xây dựng bao gồm phần Mở đầu, 3 chương và Kết luận. CHƯƠNG 1. TỔNG QUAN VỀ CHẨN ĐOÁN LỖI VÒNG BI ĐỘNG CƠ ĐIỆN 1.1. Cấu tạo động cơ điện, vòng bi và các phương pháp chẩn đoán lỗi vòng bi động cơ điện 1.1.1. Cấu tạo và nguyên lý hoạt động cơ bản của động cơ điện Động cơ điện là một thiết bị có nhiệm vụ chuyển đổi năng lượng điện thành năng lượng cơ. Cấu tạo của động cơ điện gồm hai phần chính là phần tĩnh hay còn gọi là stator và phần quay hay còn gọi là rotor. Cấu tạo chi tiết điển hình của một động cơ điện được mô tả trong Hình 1.1. 1.1.2. Các hỏng hóc thường gặp trong động cơ điện Hỏng hóc động cơ thường xảy ra ở vòng bi, stator, rotor và các hỏng hóc khác. Trong số các hỏng hóc này, xác suất hỏng vòng bi là cao nhất chiếm đến hơn 40%.
3 Theo nghiên cứu của G.K.Sing chỉ ra rằng hỏng vòng bi là nguyên nhân chính gây hỏng hóc động cơ. Hình 1.1 Cấu tạo động cơ điện cảm ứng 1.1.3. Cấu tạo của vòng bi động cơ Cấu tạo của vòng bi điển hình và các hỏng hóc thường gặp trong vòng bi được mô tả tại Hình 1.3. Trong đó, Hình 1.3 (a) mô tả cấu tạo của vòng bi, Hình 1.3 (b) và Hình 1.3 (c) minh họa 2 loại hỏng hóc thường gặp trong vòng bi đó là hỏng vòng ngoài và hỏng vòng trong. (a) Cấu tạo vòng bi b) Vòng bi lỗi vòng ngoài (c) Vòng bi lỗi vòng trong Hình 1.3 Cấu tạo vòng bi và lỗi thường gặp Nguyên nhân hỏng vòng bi có thể do bản thân chất lượng của vòng bi, do động cơ hoạt động trong môi trường dễ bị ô-xi hóa hoặc môi trường có nhiều hóa chất gây ăn mòn động cơ điện và vòng bi, ảnh hưởng đến sự vận hành trơn tru và tuổi thọ của vòng bi. Một nguyên nhân nữa là do không bảo trì, bảo dưỡng vòng bi định kỳ dẫn đến vòng bi bị giảm tuổi thọ do ma sát. Vì vậy, để quá trình sản xuất không bị gián đoạn do hỏng hóc động cơ cũng như kéo dài thời gian hoạt động của động cơ và tối ưu hóa hiệu quả đầu tư thì việc phát hiện lỗi và giám sát tình trạng là rất quan trọng. Phát hiện lỗi giúp tránh sự gián đoạn hoạt động không mong muốn và giảm nguy cơ hỏng hóc nghiêm trọng của toàn bộ hệ thống truyền lực, đồng thời giám sát tình trạng động cơ để đảm bảo giảm chi phí bảo trì và tăng độ tin cậy. 1.1.4. Các phương pháp chẩn đoán lỗi vòng bi Nhiều phương pháp đã được nghiên cứu và áp dụng để phát hiện và chẩn đoán lỗi vòng bi động cơ, chẳng hạn như phân tích tín hiệu âm thanh, tín hiệu rung động hoặc kết hợp cả tín hiệu âm thanh và rung động, giám sát trường điện từ, phân tích tín hiệu
4 dòng điện động cơ (MCSA - Motor Current Signal Analysis). Ngoài việc xác định các đặc trưng cụ thể trong các phương pháp dùng các tín hiệu nêu trên, các phương pháp chẩn đoán lỗi dựa trên độ lớn các đại lượng vật lý khác của động cơ cũng được các nhà nghiên cứu trong lĩnh vực này quan tâm, chẳng hạn như dựa vào vị trí rotor, tốc độ rotor, mô-men xoắn, công suất nguồn điện và nhiệt độ. 1.2. Một số kỹ thuật xử lý tín hiệu để chẩn đoán lỗi vòng bi động cơ điện Một số kỹ thuật xử lý tín hiệu thường gặp trong các công trình chẩn đoán lỗi vòng bi động cơ đã công bố là: kỹ thuật phân tích phổ, kỹ thuật biến đổi wavelet rời rạc, kỹ thuật phân rã mô hình thực nghiệm, kỹ thuật phân rã giá trị trung bình và một số kỹ thuật khác. 1.3. Trí tuệ nhân tạo và ứng dụng trong bài toán chẩn đoán lỗi vòng bi động cơ điện Chẩn đoán lỗi vòng bi động cơ điện bằng cách phân tích trực tiếp tín hiệu dòng điện động cơ được thực hiện bằng cách phân tích tín hiệu trong miền tần số thông bằng kỹ thuật FFT hoặc phân tích tín hiệu dòng điện trong miền thời gian-tần số bằng kỹ thuật wavelet. Tuy nhiên với các ứng dụng thời gian thực và với số lượng mẫu dữ liệu lớn hoặc có nhiễu tác động thì các phương pháp phân tích trực tiếp kém hiệu quả. Để giải quyết vấn đề nêu trên, các mô hình trí tuệ nhân tạo (gồm học máy, học sâu và đặc biệt là mạng nơ-ron học sâu) đã được nhiều nhà khoa học đề xuất cho bài toán chẩn đoán, phân loại lỗi vòng bi động cơ điện. 1.4. Tình hình nghiên cứu về chẩn đoán lỗi động cơ điện sử dụng dòng điện động cơ và kỹ thuật học máy, học sâu 1.4.1. Tình hình nghiên cứu ngoài nước Trong khuôn khổ luận án, tác giả liệt kê một số công trình tiêu biểu liên quan đến hướng nghiên cứu của đề tài luận án và được sắp xếp theo các nhóm: giám sát phổ dòng điện động cơ, sử dụng kỹ thuật học máy, kỹ thuật học sâu, kết hợp học sâu - học máy, kỹ thuật khác, cụ thể như sau: 1.4.1.1. Chẩn đoán lỗi vòng bi động cơ dựa vào giám sát phổ dòng điện stator Hình 1.9 Phổ của dòng điện stator khi động cơ hỏng vòng bi Hình 1.9 thể hiện kết quả phân tích phổ dòng điện stator khi động cơ bị hỏng vòng bi. Theo Hình 1.9, thành phần tần số fs − fr + 2fi không xuất hiện trong phổ của tín hiệu dòng điện stator khi vòng bi tốt nhưng lại xuất hiện trong trường hợp vòng bi hỏng vì
5 nó là hậu quả của sự lệch tâm quay rotor do hỏng vòng bi gây ra. 1.4.1.2. Chẩn đoán lỗi vòng bi động cơ điện sử dụng kỹ thuật DWT và các thuật toán học máy tăng cường Đây là phương pháp chẩn đoán lỗi vòng bi của nhóm tác giả Rafia Nishat Toma đề xuất, được thể hiện trong Hình 1.10. Các kết quả công bố cho thấy, công trình nhóm tác giả nghiên cứu đạt được độ chính xác tương đối cao (99,3%) nhờ sử dụng kết hợp nhiều phương pháp học máy nâng cao. Tuy nhiên, phương pháp nhóm tác giả đề xuất có độ phức tạp cao do phải sử dụng nhiều kỹ thuật xử lý tín hiệu gồm lọc, biến đổi wavelet, trích chọn đặc trưng từ và cuối cùng là huấn luyện một bộ phân loại tín hiệu. Hơn nữa, nhóm tác giả chưa công bố cấu hình máy tính sử dụng trong việc phân tích dữ liệu, chưa công bố các kết quả mô phỏng khi có tạp hoặc khi thay đổi chiều dài dữ liệu. Do đó, NCS chưa có cơ sở đánh giá tính hiệu quả về mặt thời gian. Hình 1.10 Phương pháp chẩn đoán lỗi vòng bi động cơ do Nishat Toma đề xuất 1.4.1.3. Chẩn đoán lỗi vòng bi động cơ dựa trên phổ tín hiệu dòng điện và mạng CNN Jiaojiao Ma và cộng sự đề xuất phương pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng mạng CNN với dữ liệu đầu vào là phổ tín hiệu dòng điện. Tác giả đề xuất mạng CNN gồm 3 lớp tích chập, kích thước ảnh đầu vào là 148  180. Các tham số của mạng như tốc độ huấn luyện ban đầu là 0,001, kích thước minibatch là 64, số epoch là 80. Nhóm tác giả cũng sử dụng bộ dữ liệu được cung cấp bởi Đại học Paderborn/Đức với 13 nhóm vòng bi (mỗi nhóm có 3 mã vòng bi) ứng với 3 trạng thái làm việc khác nhau của động cơ để mô phỏng. Kết quả công bố cho thấy độ chính xác của phương pháp đề xuất đạt được từ 77,1% đến 99,8% với trạng thái hoạt động số 1 của động cơ khi mô phỏng với tín hiệu chưa có nhiễu. 1.4.1.4. Chẩn đoán lỗi vòng bi động cơ dựa trên tín hiệu dòng điện động cơ sử dụng học sâu và trộn thông tin Sơ đồ khối của phương pháp chẩn đoán lỗi vòng bi do nhóm tác giả D. T. Hoang và cộng sự đề xuất được thể hiện trong Hình 1.11. Các tác giả sử dụng bộ dữ liệu được
6 cung cấp bởi Đại học Paderborn/Đức để mô phỏng. CNN với bộ Pha 1 của dòng Quyết Ảnh xám phân loại Trộn điện động cơ Softmax định Máy thông cuối điện tin mức cùng quay CNN với bộ quyết Pha 2 của dòng về lỗi Ảnh xám phân loại định điện động cơ Softmax vòng bi Hình 1.11 Phương pháp chẩn đoán lỗi vòng bi do Hoang và cộng sự đề xuất Độ chính xác phân loại lỗi cao nhất là 98.3% khi sử dụng dữ liệu cả 2 pha của dòng điện động cơ với thuật toán CNN + IF + MLP với trạng thái làm việc A của động cơ (tốc độ quay của trục rotor là 1500 vòng/phút, mô-men tải là 0,1 Nm và lực hướng tâm là 1000 N). 1.4.1.5. Chẩn đoán lỗi vòng bi động cơ dựa trên tín hiệu dòng điện sử dụng kết hợp thuật toán học sâu - học máy và kỹ thuật lọc Wavelet Wang và cộng sự đề xuất phương pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng kết hợp thuật toán học sâu và học máy CNN-SVM với dữ liệu đầu vào đã được lọc bỏ nhiễu sử dụng bộ lọc wavelet với ngưỡng cứng và ngưỡng mềm. 1.4.1.6. Chẩn đoán lỗi động cơ điện bằng cách phân tích dòng điện stator dựa trên kỹ thuật DTW Phương pháp chẩn đoán lỗi vòng bi động cơ điện do nhóm tác giả Zhen và cộng sự đề xuất được mô tả trong Hình 1.12. Hình 1.12 Sơ đồ phương pháp chẩn đoán lỗi vòng bi do Zhen và cộng sự đề xuất Đây là một hướng nghiên cứu hợp lý để chẩn đoán lỗi vòng bi máy điện nói chung, động cơ điện nói riêng. Tuy nhiên, phương pháp do nhóm tác giả đề xuất phải thực hiện rất nhiều kỹ thuật xử lý tín hiệu nên chưa phù hợp với các ứng dụng thời gian thực. 1.4.2. Tình hình nghiên cứu trong nước Một số công trình nghiên cứu trong nước có liên quan gần đến lĩnh vực nghiên cứu của đề tài luận án là: 1.4.2.1. Chẩn đoán hỏng hóc bánh răng dựa trên entropy năng lượng EMD và mạng nơ- ron nhân tạo Đây là công trình do TS. Lê Đức Hiếu, Khoa Công nghệ Ô tô- Đại học Công nghiệp Hà Nội đề xuất, dữ liệu sử dụng là tín hiệu rung động của bánh răng được đo từ hai
7 cảm biến gắn trên vỏ hộp số tại các tần số 30, 35, 40, 45 và 50 Hz ở các tải trọng thấp và cao với tần số lấy mẫu Fs =200/3 kHz. Phương pháp chẩn đoán mà nhóm tác giả Lê Đức Hiếu và cộng sự sử dụng được thể hiện trong Hình 1.14. Hình 1.14 Phương pháp chẩn đoán hỏng hóc bánh răng bằng EMD-ANN 1.4.2.2. Ứng dụng mạng nơ ron trong chẩn đoán tình trạng kỹ thuật động cơ điện kéo của đầu máy Đây là công trình nghiên cứu của tác giả Nguyễn Văn Nghĩa, Viện Nghiên cứu điện tử, tin học, tự động hóa/Bộ Công thương. Tác giả nghiên cứu phương pháp phân tích triệu chứng lỗi ứng dụng mạng nơ ron RBF trong ước lượng thông số chẩn đoán dựa trên mô hình áp dụng cho bài toán phát hiện lỗi dựa trên nhiệt độ và xây dựng triệu chứng lỗi cho bài toán chẩn đoán lỗi đánh lửa cổ góp của động cơ điện kéo. Tác giả thực hiện mô phỏng trên máy tính và trên mô hình thí nghiệm để đánh giá kết quả chẩn đoán. 1.4.2.3. Khảo sát kỹ thuật học sâu trên bài toán chẩn đoán hư hỏng động cơ điện dựa trên tiếng ồn vận hành Đây là công trình nghiên cứu của nhóm tác giả Nguyễn Chí Ngôn và cộng sự. Công trình nghiên cứu này trình bày phương pháp chẩn đoán lỗi động cơ điện dựa trên nguyên tắc nhận diện ảnh phổ tín hiệu âm thanh thu được trong lúc vận hành dùng mạng GoogLeNet và kỹ thuật lọc nhiễu, tạo ảnh phổ 2 chiều bằng phép biến đổi wavelet. Việc bố trí thí nghiệm để ghi âm tiếng ồn phát ra trong lúc động cơ vận hành (là động cơ không đồng bộ 3 pha điện áp định mức 220/380V, dòng định mức 1,2 A, tốc độ 960 vòng/phút, công suất định mức 0,37 kW (0,5 HP) và tần số 50 Hz bằng điện thọai di động đã được thiết lập để ghi âm các tình huống sự cố thông dụng, bao gồm: vỡ bạc đạn, mất pha và cọ phim cách điện. Dữ liệu âm thanh sau đó được tiền xử lý thông qua việc lọc nhiễu bằng phép biến đổi wavelet và chuẩn hóa biên độ tín hiệu về giá trị [-1, 1]. Tập dữ liệu sau khâu tiền xử lý được biến đổi thành tập ảnh phổ tần số hai chiều, bằng phép biến đổi Morse wavelet. Kết quả cho thấy mạng có khả năng nhận diện 3 sự cố động cơ đã thiết lập đạt tỷ lệ chính xác 94,21%. Qua khảo sát một số công trình tiêu biểu về chẩn đoán lỗi vòng bi động cơ điện hiện nay NCS nhận thấy: Quy trình chẩn đoán hỏng vòng bi của động cơ cảm ứng dựa trên tín hiệu dòng điện của động cơ trong các phương pháp học máy đã công bố thường khử nhiễu tín hiệu, lọc tín hiệu thu được từ các cảm biến dòng điện, sau đó trích xuất các đặc trưng điển hình từ tín hiệu đã khử nhiễu và sử dụng bộ phân loại để phân biệt trạng thái của vòng bi hoặc sử dụng kỹ thuật phân tích, giám sát trực tiếp phổ tín hiệu hoặc sử dụng kỹ thuật lọc tín hiệu để loại bỏ bớt các thành phần tần số chiếm năng lượng lớn nhưng lại không mang thông tin để cải thiện độ chính xác chẩn đoán, phân loại. Tuy nhiên, các tín hiệu dòng điện trong thực tế dễ bị ảnh hưởng bởi nhiễu xung quanh. Hơn nữa, bản thân các phép đo tín hiệu mẫu cũng có sai số. Do đó, các phương pháp xử lý tín hiệu truyền thống có thể không hiệu quả trong việc chẩn đoán lỗi vòng bi động cơ khi sử dụng dữ liệu đo đạc trong môi trường hoạt động thực tế của động cơ. Đối với các công trình dựa trên kỹ thuật học sâu đã công bố, dữ liệu đưa vào mô
8 hình là dữ liệu đơn miền (miền thời gian hoặc miền tần số). Do đó quá trình trích xuất các đặc trưng lỗi của các công trình đã công bố chưa đa dạng. Hơn nữa, khi tín hiệu có nhiễu, việc chỉ phân tích trong một miền có thể dẫn đến những kết luận sai lệch. Nhiễu có thể ảnh hưởng đến cả miền thời gian và miền tần số, nhưng khi kết hợp cả hai miền có thể phân tích tín hiệu một cách chính xác hơn, xác định được thành phần nhiễu và loại bỏ hoặc điều chỉnh chúng. Ngoài ra, các kỹ thuật tiền xử lý dữ liệu trong các công trình này chưa hiệu quả với môi trường có nhiễu tác động. Chưa có công trình nào công bố sử dụng kết hợp mạng nơ-ron học sâu với đồng thời tín hiệu miền thời gian và miền tần số đã được tiền xử lý. Ngoài ra, các công trình chưa công bố kết quả mô phỏng với bộ dữ liệu có tạp. 1.5. Định hướng nghiên cứu Trên cơ sở phân tích các tồn tại của các công trình đã công bố, đề tài luận án đề xuất nghiên cứu phương pháp mới bao gồm cả kỹ thuật tiền xử lý tín hiệu và kỹ thuật học sâu để khắc phục các điểm còn tiếp tục giải quyết của phương pháp đã công bố, luận án tập trung nghiên cứu các vấn đề chính như sau: * Đề xuất giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện động cơ và ước lượng trạng thái. * Đề xuất giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng chân dung phổ của tín hiệu dòng điện động cơ và kỹ thuật học máy. * Đề xuất giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng thành phần dư của tín hiệu dòng điện động cơ và kỹ thuật học máy. * Đề xuất giải pháp chẩn đoán lỗi vòng bi động cơ điện dựa trên mô hình MI-CNN sử dụng nhiều pha của tín hiệu dòng điện động cơ. * Đề xuất giải pháp chẩn đoán lỗi vòng bi động cơ điện dựa trên mô hình học sâu MI-CNN sử dụng kết hợp ước lượng trạng thái và phổ của dòng điện động cơ. 1.6. Kết luận chương 1 Chương 1 đã giới thiệu tổng quát về bài toán nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện. Khảo sát một số kỹ thuật sử dụng để nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ. Tiếp theo, đề tài luận án đã đánh giá khả năng ứng dụng các kỹ thuật học máy, học sâu trong bài toán chẩn đoán lỗi vòng bi động cơ. Cuối cùng là tổng quan tình hình nghiên cứu trong và ngoài nước, chỉ ra các vấn đề còn tồn tại của các công trình đã công bố có liên quan trực tiếp đến hướng nghiên cứu của đề tài luận án, từ đó làm cơ sở cho việc đặt vấn đề nghiên cứu của đề tài luận án. CHƯƠNG 2. CÁC GIẢI PHÁP NÂNG CAO HIỆU QUẢ CHẨN ĐOÁN LỖI VÒNG BI ĐỘNG CƠ ĐIỆN BẰNG KỸ THUẬT XỬ LÝ TÍN HIỆU TIÊN TIẾN VÀ HỌC MÁY 2.1. Giải pháp đề xuất 2.1.1. Chẩn đoán lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện động cơ và ước lượng trạng thái Hình 2.1 trình bày mô hình giải pháp nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện và ước lượng trạng thái. Theo Hình 2.1, mô hình này bao gồm hai giai đoạn phân tích đó là phân tích ngoại tuyến (off-line) và phân tích trực tuyến (on-line) để nâng cao độ chính xác chẩn đoán lỗi vòng bi động cơ điện.
9 Nhiệm vụ của giai đoạn phân tích ngoại tuyến là xác định bộ đặc trưng tối ưu được trích xuất từ tín hiệu dòng điện động cơ sẽ được sử dụng để chẩn đoán và phát hiện lỗi. Sau khi xác định được bộ đặc trưng tối ưu, giai đoạn phân tích trực tuyến sẽ thực hiện trích xuất các đặc trưng đã chọn ở giai đoạn phân tích ngoại tuyến để chẩn đoán lỗi của vòng bi động cơ đó. Về mặt tổng thể, phân tích ngoại tuyến bao gồm các bước như ghi tín hiệu MC, phân đoạn chúng thành các khung tín hiệu, trích xuất các đặc trưng từ mỗi khung, ước lượng trạng thái thực của mỗi đặc trưng đó và chọn các đặc trưng tối ưu, chứa nhiều thông tin về lỗi vòng bi để chẩn đoán phân loại lỗi. Phân tích on-line IM MCT SS CE CAOR kNN N/D Thu thập dữ liệu Chẩn đoán lỗi vòng bi động cơ MCT DB SS CE CAOR CS Phân tích off-line Thu thập dữ liệu Trích chọn đặc trưng của tín hiệu Hình 2.1 Chẩn đoán lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện động cơ và ước lượng trạng thái Phân tích on-line gồm các bước: sử dụng cảm biến dòng điện để thu thập tín hiệu dòng điện động cơ từ động cơ cần chẩn đoán lỗi vòng bi, sau đó dữ liệu (DB) được chia thành các khung dữ liệu (SS). Trích xuất các đặc trưng (CE) sẽ được thực hiện trong từng khung dữ liệu, chương trình phát hiện hỏng hóc chính sau đó sử dụng bộ lọc Kalman để ước lượng trạng thái thực tế của các đặc trưng được trích xuất từ tín hiệu dòng điện tương ứng với các trạng thái vòng bi khác nhau trong không gian đặc trưng. Trên thực tế, các mẫu tín hiệu MC thu được từ cảm biến dòng điện luôn bao gồm nhiễu phép đo và nhiễu từ các nguồn bên ngoài, tạo ra sự bất thường trong tín hiệu. Vai trò của khối ước lượng trạng thái và loại bỏ nhiễu (CAOR) là loại bỏ các bất thường này, dự đoán trạng thái tiếp theo của hệ thống trong không gian đặc trưng gần với trạng thái thực của hệ thống. Để giảm độ phức tạp trong tính toán và tiết kiệm tài nguyên phần cứng, giải pháp đề xuất chỉ chọn những đặc trưng (CS) tối ưu và thể hiện rõ nét lỗi nhất (là các đặc trưng có điểm số FDR cao nhất). Bước phân loại sử dụng bộ phân loại k-NN để phân loại trạng thái vòng bi là hỏng hoặc bình thường. 2.1.2. Chẩn đoán lỗi vòng bi động cơ điện sử dụng chân dung phổ tín hiệu dòng điện động cơ và kỹ thuật học máy Luận án sử dụng phép biến đổi Fourier nhanh để chuyển đổi tín hiệu MC từ miền thời gian sang miền tần số. Sau đó, thay vì phân tích, quan sát trực tiếp phổ tín hiệu như các phương pháp truyền thống, giải pháp đề xuất trong luận án thực hiện mã hóa phổ của tín hiệu bằng cách chia nhỏ chân dung phổ thành nhiều đoạn con sử dụng dãy các bộ lọc thông dải liên tiếp. Mỗi đoạn phổ của tín hiệu dòng điện sau khi được mã hóa chứa các thông tin về lỗi. Sau đó, năng lượng trung bình của mỗi đoạn phổ được sử dụng để huấn luyện bộ phân loại SVM. Cuối cùng, luận án trình bày kết quả so sánh hiệu quả của giải pháp đề xuất với các giải pháp truyền thống đã được công bố. Sơ đồ giải pháp nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện đề xuất được trình bày trong Hình 2.7. Theo đó, việc phát hiện và phân loại lỗi vòng bi được chia thành hai giai đoạn. Vai trò của giai đoạn huấn luyện là quá trình huấn luyện gồm xác
10 định các đặc trưng nổi bật nhất từ phổ của tín hiệu MC và sử dụng các đặc trưng này để huấn luyện bộ phân loại SVM. Chức năng của giai đoạn đánh giá là để đánh giá kết quả của giải pháp đề xuất bằng cách sử dụng tập dữ liệu đánh giá để kiểm chứng bộ phân loại SVM đã được huấn luyện. Tập dữ liệu thực nghiệm được chia làm hai nhóm theo tỷ lệ 80:20, một nhóm để xử lý trong giai đoạn phân tích off-line chiếm tỷ lệ 80% số lượng mẫu, 20% còn lại được định nghĩa là dữ liệu đánh giá. Hình 2.7 Chẩn đoán lỗi vòng bi sử dụng chân dung phổ của tín hiệu dòng điện động cơ và kỹ thuật học máy 2.1.3. Chẩn đoán lỗi vòng bi động cơ điện sử dụng thành phần phần dư của tín hiệu dòng điện động cơ và kỹ thuật học máy Kết quả phân tích phổ của tín hiệu dòng điện động cơ cho thấy thành phần tần số cơ bản (tần số nguồn điện cung cấp cho động cơ) và các hài của nó có năng lượng lớn nhưng các thành phần này chẳng những không mang thông tin hữu ích về hỏng hóc của các vòng bi mà đôi khi còn làm cho quá trình chẩn đoán khó khăn hơn. Do đó để nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ cần thiết phải loại bỏ thành phần tần số cơ bản trước khi thực hiện các bước xử lý tín hiệu tiếp theo. Hình 2.9 minh họa giải pháp nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện do luận án đề xuất gồm hai giai đoạn: giai đoạn huấn luyện và giai đoạn đánh giá. Tập dữ liệu dòng điện động cơ được chia thành hai tập dữ liệu con khác nhau: một tập dữ liệu để huấn luyện và một tập dữ liệu để đánh giá hiệu quả của giải pháp đề xuất. Giai đoạn huấn luyện Tập dữ liệu Ước lượng Tính toán RMS Tính toán các Huấn luyện bộ phân để huấn thành phần của các thành phần dư loại SVM Dữ liệu luyện cơ bản phần dư dòng điện động cơ Ước lượng Tính toán RMS Phát hiện lỗi sử Tập dữ liệu Tính toán các thành phần của các thành dụng bộ phân loại để đánh giá phần dư cơ bản phần dư đã được huấn luyện Giai đoạn đánh giá Hình 2.9 Chẩn đoán lỗi vòng bi động cơ điện sử dụng thành phần phần dư của tín hiệu dòng điện động cơ và kỹ thuật học máy Nhiệm vụ của giai đoạn huấn luyện là huấn luyện bộ phân loại học máy và nhiệm vụ của giai đoạn đánh giá là để kiểm tra, đánh giá độ chính xác của giải pháp đề xuất. Tập dữ liệu để huấn luyện trước hết được ước lượng thành phần cơ bản sau đó tính toán các phần dư cũng như RMS của các thành phần dư và sử dụng đặc trưng này để huấn luyện bộ phân loại SVM. Tập dữ liệu để đánh giá cũng được xử lý theo các bước như tập dữ liệu huấn luyện, chỉ khác bước cuối cùng là đánh giá độ chính xác phân loại lỗi
11 sử dụng bộ phân loại học máy đã được huấn luyện ở giai đoạn huấn luyện. 2.2. Dữ liệu mô phỏng Luận án sử dụng tập dữ liệu vòng bi được cung cấp bởi Đại học Paderborn để mô phỏng các giải pháp đề xuất, đây là một bộ dữ liệu được đo đạc trong phòng thí nghiệm và được rất nhiều nhóm nghiên cứu sử dụng để kiểm nghiệm giải pháp chẩn đoán lỗi vòng bi đề xuất. Các mã vòng bi được sử dụng để mô phỏng trong luận án được trình bày trong Bảng 2.4. Bảng 2.4 Các mã vòng bi được sử dụng để mô phỏng Trạng thái vòng bi Lớp Label Mã vòng bi được sử dụng Không lỗi (N) 0 K0 K001, K002, K003, K004, K005 Lỗi vòng ngoài (O) 1 KA KA04, KA15, KA16, KA22, KA30 Lỗi vòng trong (I) 2 KI KI04, KI14, KI16, KI18, KI21 2.3. Kịch bản mô phỏng 2.3.1. Kịch bản mô phỏng giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện động cơ và ước lượng trạng thái Bảng 2.5 Kịch bản mô phỏng giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện động cơ và ước lượng trạng thái Số đặc trưng Giá trị k Dữ liệu mô phỏng Phương pháp được chọn của k-NN 4 k=5 Ước lượng trạng thái + 7 k=5 k-NN Tín hiệu không có nhiễu 10 k=5 DWT + k-NN 10 k=5 EMD + k-NN 10 k=5 Tín hiệu có nhiễu chuẩn Ước lượng trạng thái, 10 k=5 với SNR= -10 dB ÷ 20 dB DWT, EMD + k-NN 2.3.2. Kịch bản mô phỏng giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng chân dung phổ tín hiệu dòng điện động cơ và kỹ thuật học máy Bảng 2.6 Kịch bản mô phỏng giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng chân dung phổ tín hiệu dòng điện động cơ và kỹ thuật học máy Dữ liệu mô Số hệ số MSCC Bộ phân loại Bộ phân Phương pháp phỏng được chọn SVM loại k-NN Chân dung phổ 16, 32, 48, 64 Kernel: RBF - + SVM Tín hiệu có nhiễu Chân dung phổ 32 Kernel: RBF, - chuẩn với SNR = + SVM Linear, 14, 20, 26, 30 và Polinomial 32 dB Gausian Chân dung phổ 32 Kernel: RBF k = 3, 5, 7 Chân dung phổ 32 Kernel: RBF - Tín hiệu có nhiễu + SVM chuẩn với DWT + SVM 32 Kernel: RBF - SNR = 32 dB EMD + SVM 32 Kernel: RBF -
12 2.3.3. Kịch bản mô phỏng giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng thành phần phần dư của tín hiệu dòng điện động cơ và kỹ thuật học máy Luận án thực hiện mô phỏng với dữ liệu của 15 mã vòng bi ở Bảng 2.4 với tín hiệu có thêm nhiễu chuẩn, SNR = 20 dB. Tiến hành mô phỏng khi thay đổi loại đặc trưng được trích xuất từ tín hiệu dòng điện động cơ sau khi lọc thành phần cơ bản được sử dụng để huấn luyện và kiểm tra bộ phân loại SVM bởi 3 phương pháp khác nhau. Chi tiết kịch bản mô phỏng được trình bày trong Bảng 2.7. Bảng 2.7 Kịch bản mô phỏng giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng phần dư của tín hiệu dòng điện động cơ và kỹ thuật học máy Dữ liệu mô phỏng Phương pháp Bộ phân loại Đặc trưng được sử dụng SVM Tín hiệu có nhiễu Tín hiệu dư + SVM Kernel: RBF RMS chuẩn với Bộ lọc Notch + SVM Kernel: RBF SNR = -10÷20 dB DTW + SVM Kernel: RBF Tín hiệu có nhiễu Cả ba phương pháp Kernel: RBF RMS, STE, AVA chuẩn với nêu trên SNR = 20 dB Như trên Như trên Kernel: RBF RMS, STE, AVA, SPP, SPS Như trên Như trên Kernel: RBF RMS, STE, AVA, SPP, SPS, KUR, ETY 2.4. Kết quả mô phỏng 2.4.1. Kết quả mô phỏng giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện động cơ và ước lượng trạng thái (a) (b) Hình 2.14 Ma trận nhầm lẫn khi chọn 4 đặc trưng: (a). K0-KA, (b). K0-KI (a) (b) Hình 2.15 Ma trận nhầm lẫn khi chọn 7 đặc trưng: (a). K0-KA, (b). K0-KI (a) (b) Hình 2.16 Ma trận nhầm lẫn khi chọn 10 đặc trưng: (a). K0-KA, (b). K0-KI
13 Các kết quả mô phỏng từ các Hình 2.14, 2.15 và 2.16 cho thấy khi tăng số đặc trưng huấn luyện độ chính xác phân loại lỗi sẽ tăng. (a) (b) (c) (d) Hình 2.17 Ma trận nhầm lẫn của các giải pháp khác nhau với tín hiệu không có nhiễu: (a). K0-KA, (b). K0-KI phương pháp EMD; (c) K0-KA, (d). K0-KI phương pháp DWT (a) (b) (c) (d) (e) (f) Hình 2.18 Ma trận nhầm lẫn của các giải pháp khác nhau với tín hiệu có nhiễu chuẩn, SNR = 20 dB: (a). K0-KA, (b). K0-KI phương pháp EMD; (c) K0-KA, (d). K0-KI phương pháp DWT; (e)K0-KA, (f). K0-KI giải pháp ước lượng trạng thái
14 Bảng 2.10 So sánh ACC của giải pháp ước lượng trạng thái với các phương pháp khác Phương pháp ACC khi so sánh ACC khi so sánh ACC trung K0-KA (%) K0-KI (%) bình (%) ACC với tín hiệu không có nhiễu DWT 60,12 61,50 60,81 EMD 71,19 70,38 70,79 Ước lượng trạng thái (khi 83,31 81,62 82,47 sử dụng 4 đặc trưng) Ước lượng trạng thái (khi 87,25 86,75 87,00 sử dụng 7 đặc trưng) Ước lượng trạng thái 100 100 100 (khi sử dụng 10 đặc trưng) CART - - 66,7 RF - - 83,3 BT - - 81,7 NN - - 65,8 SVM-PSO - - 56,7 ELM - - 69,2 k-NN - - 68,3 Học tăng cường - - 93,3 ACC với tín hiệu có nhiễu chuẩn (SNR = 20 dB) DWT 51,88 51,56 51,72 EMD 53,94 52,31 53,12 Ước lượng trạng thái 94,81 89,31 92,06 Bảng 2.12 So sánh thời gian thực thi của các giải pháp Phương Thời gian tiền Thời gian trích xuất Thời gian ước Tổng thời pháp xử lý (s) 16 đặc trưng (s) lượng trạng thái (s) gian (s) DWT 0,010 0,004 - 0,014 EMD 0,036 0,004 - 0,040 Ước lượng - 0,004 0,00021 ≈ 0,004 trạng thái Nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện sử dụng tín hiệu dòng điện động cơ và ước lượng trạng thái là một giải pháp mới nhằm nâng cao độ chính xác chẩn đoán lỗi vòng bi của động cơ điện bằng tín hiệu dòng điện. Các phương pháp truyền thống xử lý tín hiệu trong không gian tín hiệu trong khi giải pháp được đề xuất xử lý tín hiệu trong không gian đặc trưng bằng bộ lọc Kalman để đánh giá trạng thái thực của vòng bi và loại bỏ nhiễu. Kết quả mô phỏng trên Bảng 2.10 và Bảng 2.12 cho thấy giải pháp đề xuất tối ưu hơn các kỹ thuật hiện có cả về độ chính xác và thời gian thực thi, phù hợp cho các ứng dụng phát hiện hỏng hóc vòng bi động cơ trong thực tế. Do sử dụng bộ lọc Kalman để ước lượng trạng thái nên giải pháp đề xuất vẫn đạt độ chính xác cao ngay cả đối với tín hiệu có thêm nhiễu trong khi các phương pháp đã công bố chỉ có độ chính xác cao đối với tín hiệu không có nhiễu.
15 2.4.2. Kết quả mô phỏng giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng chân dung phổ tín hiệu dòng điện động cơ và kỹ thuật học máy Bảng 2.16 So sánh ACC của các phương pháp DWT, EMD và giải pháp sử dụng chân dung phổ của tín hiệu dòng điện động cơ Độ chính xác phân loại lỗi Độ chính xác phân Độ chính xác phân Độ chính xác phân Phương pháp loại lỗi khi so sánh loại lỗi khi so sánh loại lỗi trung bình K0-KA (%) K0-KI (%) (%) EMD 65,69 66,25 65,97 DWT 82,44 83,44 82,94 Chân dung phổ 83,75 85,44 84,60 (a) (b) (c) (d) (e) (f) Hình 2.22 Ma trận nhầm lẫn của các giải pháp khác nhau: (a). K0-KA, (b). K0-KI giải pháp chân dung phổ; (c). K0-KA, (d). K0-KI phương pháp DWT; (e).K0-KA, (f). K0- KI phương pháp EMD Sử dụng chân dung phổ của tín hiệu dòng điện động cơ và kỹ thuật học máy là một giải pháp mới nhằm nâng cao độ chính xác chẩn đoán lỗi vòng bi của động cơ điện bằng tín hiệu dòng điện. Theo đó, thay vì giám sát trực tiếp phổ tín hiệu dòng điện như các phương pháp truyền thống, luận án đề xuất mã hóa chân dung phổ tín hiệu sử dụng dãy các bộ lọc băng. Mỗi băng con sau đó được chuyển đổi thành miền giống miền thời gian bằng cách sử dụng phép biến đổi cosine rời rạc để tạo thành các hệ số MSCC. Cuối cùng, bộ phân loại SVM được sử dụng để huấn luyện, kiểm tra và so sánh kết quả
16 với các phương pháp khác nhằm đánh giá độ chính xác của giải pháp đề xuất. Kết quả mô phỏng trên Bảng 2.16 và Hình 2.22 cho thấy giải pháp đề xuất tốt hơn các kỹ thuật EMD, DWT về độ chính xác phân loại lỗi (84,60% so với 82,94% và 65,97%). 2.4.3. Kết quả mô phỏng giải pháp chẩn đoán lỗi vòng bi động cơ điện sử dụng thành phần dư của tín hiệu dòng điện động cơ và kỹ thuật học máy Bảng 2.17 trình bày kết quả đánh giá độ chính xác của các giải pháp lọc tín hiệu khác nhau khi sử dụng số đặc trưng khác nhau để huấn luyện bộ phân loại SVM. Theo Bảng 2.17, độ chính xác phân loại lỗi của các giải pháp tăng khi chọn nhiều đặc trưng được sử dụng để huấn luyện bộ phân loại học máy. Tuy nhiên, khi tăng số đặc trưng được sử dụng làm cho thời gian trích xuất đặc trưng tăng lên dẫn đến tổng thời gian thực thi tăng lên. Mặc dù vậy, khi sử dụng một đặc trưng tín hiệu là RMS, giải pháp lọc tín hiệu để lấy phần dư tín hiệu dòng điện động cơ do luận án đề xuất đạt được độ chính xác đến 87,63% vượt trội hơn so với phương pháp sử dụng bộ lọc Notch và phương pháp DTW đạt được lần lượt là 66,13% và 60,19%. Các giải pháp còn lại chỉ đạt được độ chính xác cao khi sử dụng 5-7 đặc trưng. Bảng 2.19 thể hiện thời gian thực thi của ba phương pháp trên để hoàn tất xử lý một khung dữ liệu. Bảng 2.17 Độ chính xác của các phương pháp lọc tín hiệu khác nhau ACC ACC ACC Phương pháp K0-KA (%) K0-KI (%) trung bình (%) - Số đặc trưng được sử dụng: 01 (RMS) +Bộ lọc Notch 62,06 70,19 66,13 +DTW 58,56 61,81 60,19 +Sử dụng phần dư tín hiệu dòng điện 83,44 91,81 87,63 - Số đặc trưng được sử dụng: 03 (RMS, STE, AVA) +Bộ lọc Notch 64,06 77,87 70,97 +DTW 68,00 70,75 69,38 +Sử dụng phần dư tín hiệu dòng điện 84,81 92,88 88,85 - Số đặc trưng được sử dụng: 05 (RMS, STE, AVA, SPP, SPS) +Bộ lọc Notch 72,37 80,18 76,28 +DTW 69,62 78,87 74,25 +Sử dụng phần dư tín hiệu dòng điện 94,93 96,75 95,84 Số đặc trưng được sử dụng: 07 (RMS, STE, AVA, SPP, SPS, KUR, ETY) +Bộ lọc Notch 85,75 98,44 92,10 +DTW 75,81 81,62 78,72 +Sử dụng phần dư tín hiệu dòng điện 95,12 96,88 96,00 Bảng 2.19 Thời gian thực thi của các phương pháp lọc tín hiệu khác nhau Phương pháp Thời gian Thời gian trích Thời gian ước Tổng lọc tín xuất 1 đặc trưng lượng trạng thời hiệu (s) /khung dữ liệu (s) thái/khung dữ gian (s) liệu (s) Bộ lọc Notch 0,011 0,002 - 0,013 DTW 0,118 0,002 - 0,120 Sử dụng phần dư tín - 0,002 0,001 0,003 hiệu dòng điện
17 2.5. Kết luận Chương 2 Chương 2 luận án đã trình bày 3 giải pháp để nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện sử dụng kết hợp kỹ thuật học máy và các kỹ thuật xử lý tín hiệu tiên tiến gồm: kỹ thuật ước lượng trạng thái [CT1], kỹ thuật mã hóa phổ tín hiệu [CT2] và kỹ thuật lọc tín hiệu để lấy phần dư của tín hiệu dòng điện động cơ [CT3]. Kết quả mô phỏng cho thấy: giải pháp đề xuất tối ưu hơn các giải pháp hiện có cả về độ chính xác và thời gian thực thi; giải pháp đề xuất trong [CT1] thích hợp cho các ứng dụng chẩn đoán hỏng hóc vòng bi động cơ đòi hỏi giảm thiểu thời gian xử lý ở môi trường có nhiễu tạp; giải pháp đề xuất trong [CT2] thích hợp để sử dụng với các môi trường hoạt động ít nhiễu tạp; giải pháp đề xuất trong [CT3] phù hợp cho các ứng dụng chẩn đoán hỏng hóc vòng bi động cơ đòi hỏi giảm thiểu thời gian xử lý với điều kiện phải biết mô hình toán học của động cơ nói riêng, máy điện quay nói chung cần chẩn đoán lỗi vòng bi. Tuy vậy, các mô hình nghiên cứu đề xuất ở Chương 2 được tiếp cận theo hướng sử dụng kỹ thuật học máy. Cách tiếp cận này có ưu điểm là độ phức tạp tính toán thấp, thời gian thực thi nhanh. Tuy nhiên, nhược điểm của các mô hình đề xuất trong Chương 2 là độ chính xác phân loại lỗi phụ thuộc rất nhiều vào việc lựa chọn thủ công đặc trưng nào sẽ được trích xuất và huấn luyện. CHƯƠNG 3. GIẢI PHÁP NÂNG CAO HIỆU QUẢ CHẨN ĐOÁN LỖI VÒNG BI ĐỘNG CƠ ĐIỆN DỰA TRÊN MÔ HÌNH HỌC SÂU MI-CNN SỬ DỤNG KẾT HỢP ƯỚC LƯỢNG TRẠNG THÁI VÀ PHỔ CỦA DÒNG ĐIỆN ĐỘNG CƠ Để giải quyết những hạn chế của các mô hình dựa trên kỹ thuật học máy, các nhà nghiên cứu đã chuyển sang các kiến trúc học sâu như mạng nơ-ron tích chập CNN, mạng dư và mạng AlexNet để chẩn đoán lỗi vòng bi. Các nghiên cứu này chỉ thực nghiệm với tín hiệu dòng điện động cơ hoặc trên miền thời gian hoặc trên miền tần số. Tuy nhiên, tín hiệu miền thời gian của dòng điện động cơ khi vòng bi bị lỗi và khi không bị lỗi không khác nhau đáng kể. Do đó, khi bị nhiễu, rất khó để chẩn đoán chính xác lỗi vòng bi dựa trên các đặc trưng chỉ trong miền thời gian. Ngoài ra, theo M.Blodt và cộng sự, lỗi vòng bi dẫn đến những thay đổi đáng kể trong phổ dòng điện stator và phổ này có thể được sử dụng cho mục đích chẩn đoán lỗi. Do đó, cần phân tích tín hiệu trong cả miền thời gian và tần số để có thông tin đầy đủ và tổng quát hơn về tín hiệu, từ đó nâng cao hơn nữa độ chính xác chẩn đoán lỗi vòng bi. Miền thời gian cho phép thấy được các biến động và thay đổi của tín hiệu trong khi miền tần số giúp phân tích các thành phần tần số và mức độ phân tán năng lượng của tín hiệu. Chính vì vậy, cần thiết kế mạng CNN có 2 đầu vào, trong đó một đầu vào là tín hiệu miền thời gian và một đầu vào là phổ của tín hiệu để đồng thời trích xuất các đặc trưng của tín hiệu trong cả hai miền. Ngoài ra, các nghiên cứu này chưa khảo sát đánh giá việc thêm nhiễu vào tín hiệu với các mức độ khác nhau ảnh hưởng như thế nào đến độ chính xác chẩn đoán lỗi. Trong các kịch bản mô phỏng với tín hiệu có thêm nhiễu chuẩn, độ chính xác chẩn đoán lỗi của các phương pháp nêu trên giảm đáng kể. Do đó, chưa có cơ sở để đánh giá sự phù hợp của các phương pháp này với dữ liệu trong thực tế. Chính vì vậy, chương 3 của luận án đề xuất một cách tiếp cận mới để nâng cao độ chính xác phân loại lỗi vòng bi dựa trên mô hình CNN đa đầu vào (MI-CNN) sử dụng đồng thời cả tín hiệu ước lượng dòng điện động cơ và phổ của chúng.