Nghiên cứu này đề xuất một giải pháp ứng mạng học sâu CNN (Convolutional neural network) để nhận dạng một số lỗi thông dụng trên động cơ cảm ứng dựa vào âm thanh vận hành. Dữ liệu âm thanh phát ra từ trên động cơ cảm ứng hai cực 0,37 kW được thu thập trong một số trường hợp như hoạt động bình thường, mất pha, lệch pha và vỡ bạc đạn.
Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 83 ĐỀ XUẤT GIẢI PHÁP CHẨN ĐỐN HƯ HỎNG ĐỘNG CƠ ĐIỆN KHÔNG XÂM LẤN ỨNG DỤNG MẠNG GOOGLENET PROPOSAL OF NONINVASIVE FAILURE DIAGNOSIS OF ELECTRICAL MOTOR USING GOOGLENET Hồng Văn Tùng1, Nguyễn Văn Khanh2, Nguyễn Chí Ngơn2 Trường Đại học Sư phạm Kỹ thuật Vĩnh Long, Việt Nam Trường Đại học Cần Thơ, Việt Nam Ngày soạn nhận 24/8/2021, ngày phản biện đánh giá 21/9/2021, ngày chấp nhận đăng 28/9/2021 TÓM TẮT Chẩn lỗi cơng cụ hữu ích vận hành giúp giảm rủi ro chi phí bảo trì hệ thống Tuy nhiên, liệu hành vi hoạt động danh nghĩa lỗi hệ thống thường không thu thập lưu trữ cách đầy đủ, gây khó khăn cho việc chẩn đốn đề xuất phương pháp xác định lỗi tự động Nghiên cứu đề xuất giải pháp ứng mạng học sâu CNN (Convolutional neural network) để nhận dạng số lỗi thông dụng động cảm ứng dựa vào âm vận hành Dữ liệu âm phát từ động cảm ứng hai cực 0,37 kW thu thập số trường hợp hoạt động bình thường, pha, lệch pha vỡ bạc đạn Ảnh phổ 2D chúng phân tích chuyển đổi Wavelet liên tục sử dụng để huấn luyện kiểm tra mạng học sâu CNN (GoogLeNet) để nhận dạng lỗi Kết thực nghiệm cho thấy phương pháp phát lỗi động cảm ứng với độ xác lên đến 98,8% Từ khóa: Chẩn lỗi; mạng nơ-ron tích chập; ảnh phổ 2D; wavelet; GoogLeNet ABSTRACT Fault diagnosis is a useful tool that reduces system maintenance risks and costs However, data related to the system's nominal and fault operating behavior is often not collected and stored adequately, it is difficult to identify and suggest automated fault detection methods This study proposes a solution to apply deep learning technique on the convolutional neural network (CNN) to identify some common errors on induction motors based on operation sound The opreration sound signal emitted from on a 0.37 kW two-pole induction motor is collected in some cases such as normal operation, phase loss, phase difference and bearing breakage Their 2-D scalogram images are analyzed by continuous Wavelet transformation which is used to train and evaluate the deep learning CNN (i.e GoogLeNet) to identify the above faults Experimental results show that this method can diagnose induction motor faults with accuracy up to 98.8% Keywords: Fault diagnosis; CNN; 2-D scalogram image; wavelet; GoogLeNet GIỚI THIỆU Hư hỏng động điện gây tình trạng gián đoạn hoạt động sản xuất công nghiệp, làm gia tăng chi phí cho doanh nghiệp Theo kết khảo sát viện nghiên cứu EPRI (Electric Power Research Institute) IEEE, khả xảy hư hỏng động lỗi thành phần cấu tạo nên Kết khảo sát Bảng cho thấy cố xảy động cảm ứng phần lớn lỗi linh kiện Doi: https://doi.org/10.54644/jte.66.2021.1070 vịng bi, Stato, Rơ-to chiếm 78% (theo IEEE), 88% (theo EPRI) Trong khi, cố xảy lỗi khác thấp Bảng Khả xảy cố động cảm ứng [1] Lỗi Lỗi Lỗi Các lỗi vịng bi Stato Rơ-to khác IEEE 42% 28% 8% 22% EPRI 40% 38% 10% 12% 84 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh Chẩn đốn lỗi động điện thảo luận nhiều nghiên cứu liên quan [2] Các cố động chia thành hai loại bao gồm: (i) lỗi học xảy cân học, hỏng ổ trục, lệch trục, biến dạng khe hở khơng khí (ii)lỗi điện xảy rô-to stato [3, 4] Nhiều phương pháp đề xuất để chẩn đoán lỗi phân tích rung động học, phân tích tín hiệu điện, nhiệt độ âm phát từ động lúc vận hành Trong đó, phân tích rung động học, điện nhiệt áp dụng để chẩn đoán lỗi máy điện [5, 6] Trong phương pháp này, phân tích rung động học phân tích dịng điện phổ biến khả đo lường dễ dàng, độ xác độ tin cao Tuy nhiên, cảm biến rung động, chẳng hạn cảm biến gia tốc, thường lắp đặt máy có giá thành cao độ xác chúng chịu ảnh hưởng lớn yếu tố môi trường chẩn đoán lỗi học Kỹ thuật chẩn đoán dựa phân tích dịng điện cho hiệu tốt chi phí thực thấp, hiệu suất nhận dạng cao, tín hiệu nhận dạng bị ảnh hưởng yếu tố môi trường Tuy nhiên, nhược điểm phương pháp phải can thiệt vào động (kỹ thuật xâm lấn) chẩn đoán lỗi điện Bên cạnh đó, ảnh nhiệt áp dụng để chẩn đoán lỗi động cảm ứng [7, 8] Ưu điểm kỹ thuật không xâm lấn động phát vị trí lỗi Tuy nhiên, chi phí triển khai cao, cần thời gian làm nóng động cơ, máy ảnh nhiệt phải đặt cách quán cần phải áp dụng thuật tốn xử lý ảnh thích hợp Chẩn đốn lỗi động dựa phân tích tín hiệu âm thu q trình vận hành áp dụng [9, 10] Ưu điểm lớn kỹ thuật không xâm lấn động cơ, chi phí áp dụng khơng cao; đặc biệt, nhận dạng hai lỗi điện Nhược điểm phương pháp xác định xác vị trí bị lỗi, micro thu âm phải lắp đặt vị trí hợp lý để thu tốt âm từ động bị ảnh hưởng âm từ môi trường âm phản hồi Như vấn đề lọc nhiễu quan trọng phương pháp Những năm gần đây, mạng nơ-ron nhân tạo áp dụng vào lĩnh vực bảo trì để tạo phương pháp chẩn đốn thơng minh Theo nghiên cứu Gong cộng [11] tốn nhận dạng thơng minh chử yếu dựa phân loại nhận dạng đặc trưng hư hỏng; sau sử dụng chúng để huấn luyện cho mạng kết hợp mạng nơ-ron tích chập máy học véc-tơ CNN-SVM (Convolutional Neural Network – Support Vector Machine) để nhận dạng tự động lỗi động Kết nhận dạng so sánh với mạng nơ-ron nhân tạo truyền thống mạng lan truyền ngược BPNN (Back-Propagation Artificial Neural Network), máy học véc-tơ SVM minh chứng cải thiện tốt khả nhận dạng lỗi Trong nghiên cứu [11] lỗi động nhận dạng chủ yếu dựa tín hiệu rung động thu thập từ động Mặc dù kết nhận dạng lỗi tốt, để thu thập tốt tín hiệu rung động, động cần phải can thiệp để lắp đặc cảm biến thu thập liệu dẫn đến kết phương pháp phụ thuộc lớn vào phương pháp thu thập liệu Trong nghiên cứu này, nhóm tác giả đề xuất phương pháp chẩn đoán lỗi điện động dựa phân tích tín hiệu âm kết hợp với mạng học sâu Một tập liệu âm phát từ động lúc vận hành thu thập trực tiếp điện thoại thông minh bốn trường hợp: động bình thường, vỡ bạc đạn (vỡ ổ bi), bị pha lệch pha Các liệu sau lọc nhiễu biến đổi Wavelet, chuẩn hóa biên độ, cắt thành đoạn âm ngắn có số mẫu âm phân tích thành ảnh phổ tần số hai chiều (2D – Two dimension) miền thời gian – tần số dựa biến đổi Wavelet liên tục Tập ảnh phổ sử dụng để huấn luyện kiểm tra mạng học sâu GoogLeNet [12], sau kiểm nghiệm khả nhận dạng lỗi tập tin âm độc lập Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh DỮ LIỆU VÀ PHƯƠNG PHÁP NHẬN DẠNG 2.1 Dữ liệu Mơ hình thí nghiệm thu thập tín hiệu âm động bố trí Hình Một động khơng đồng pha có thơng số trình bày Bảng điện thoại thông minh đặt cạnh động để thu thập âm phát từ động vận hành Nguồn cung cấp 85 Tốc độ rô-to (vịng/phút) RSM 1450 Cơng suất định mức (kW) Pđm 0.37 Tần sồ định mức (Hz) fđm 50 Dữ liệu âm thu bốn trường hợp động hoạt hoạt động bình thường, động gặp sử cố vỡ bạc đạn, pha lệch pha Mỗi trường hợp thu 500 đoạn âm với thời lượng trung bình từ 20 đến 25 giây Dữ liệu thu thập tóm tắt Bảng Bảng Kết thu thập liệu Trường hợp Số tập tin Thời lượng Động sử dụng Bình thường 480 20-25 giây Mất pha 500 20-25 giây Lệch pha 500 20-25 giây Vỡ bạc đạn 500 20-25 giây Điện thoại thơng minh 2.2 Hình Bố trí thí nghiệm Bảng 2.Thơng số động thí nghiệm Thơng số Ký hiệu Giá trị Khối lượng (kg) Mm 11 Điện áp định mức (V) Vđm 220/380 Dòng điện định mức (A) Iđm 1.6/0.8 Dịng điện khơng tải (A) Ikt 0.9/0.5 Phương pháp Tổng quan phương pháp đề xuất trình bày sơ đồ Hình Thành phần phương pháp mạng học sau tích chập GoogLeNet [12] sử dụng để nhận dạng đặc trưng âm phát từ động hoạt động bình thường gặp vấn đề Quá trình xử lý liệu âm thực thơng qua ba bước Thứ nhất, điện thoại thông minh sử dụng để thu thập âm từ Hình Sơ đồ tổng quan phương pháp nghiên cứu 86 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh động hoạt động bình thường xảy cố (mất pha, lệch pha vỡ bạc đạn) lưu thành nhóm tập tin riêng biệt Sau đó, tập tin âm nhóm lọc nhiễu sử dụng biến đổi Wavellet [13], chuẩn hóa biên độ cắt thành đoạn có kích thước 65535 mẫu tín hiệu Cuối cùng, mẫu đoạn âm sau xử lý nhóm chuyển đổi thành ảnh phổ 2D có kích thước 224x224 pixel [12] 80% ảnh phổ 2D nhóm sử dụng để huấn luyện mạng học sau GoogLeNet, nhóm liệu ảnh nhãn huấn luyện 20% liệu ảnh lại nhóm sử dụng để kiểm tra mạng học sâu sau huấn luyện Nếu kết có độ xác đạt u cầu mạng sử dụng để kiểm tra động khác để khẳng định hiệu huấn luyện Nếu độ xác chưa đạt quay bố trí thí nghiệm thu tập liệu lập lại trình Mạng GoogLeNet hiệu chỉnh để chạy thiết bị có tài ngun tính tốn hạn chế, hay MobiNet [14] Một số ứng dụng nhận dạng dựa mạng phát triển chứng minh hiệu [15] Do đó, thành công việc việc thu thập liệu sử dụng điện thoại thông minh huấn luyện mạng GoogLeNet mang ý nghĩa thực tiễn quan trọng Một ứng dụng chẩn đốn thơng minh phát triển thiết bị di động để chẩn đoán hư hỏng trực tiếp từ âm thu Ứng dụng không bị giới chẩn đốn động mà áp dụng với nhiều đối tượng ứng dụng khác Hình Tạp âm thu tiếng ồn từ động 2.2.1 Lọc nhiễu tín hiệu âm Tín hiệu âm thu từ điện thoại thơng minh ngồi tiếng ồn phát từ động cịn nhiều tạp âm khác minh họa Hình Các tạp âm ảnh hưởng đến q trình huấn luyện mạng GoogLeNet Do đó, tín hiệu âm cần phải lọc nhiễu thuật toán Wallet [13] để loại bỏ tạp âm trước phân đoạn tín hiệu chuyển đổi thành ảnh phổ 2D làm liệu huấn luyện kiểm tra mạng học sâu Giả sử tín hiệu âm thành thu y(t) tổng hợp tiếng ồn từ động x(t) tạp âm e(t), y(t) biểu diễn sau: 𝑦(𝑡𝑖 ) = 𝑥(𝑡𝑖 ) + 𝑒(𝑡𝑖 ) (1) Theo [13] phương pháp khử nhiễu Wavelet áp dụng để để khử hay làm giảm ảnh hưởng tạp âm e(t) đến tín hiệu âm thu y(t) thực qua ba bước Trước tiên, tiến hành chọn wavelet sở cấp phân tích để thực phân tích wavelet y(t) nhận thành phần tần số cao Tiếp theo, hệ số thành phần tần số cao nhận từ bước tiến hành xác định ngưỡng lượng tử hóa Có hai phương pháp để xác định ngưỡng lượng tử ngưỡng cứng ngưỡng mềm với nhiều tiêu chuẩn chọn ngưỡng Stein agonic lifehood, min-max, logarithmic length consistent threshold, heuristic agonic likelihood Trong nghiên cứu áp dụng tiêu chuẩn chọn ngưỡng mềm Stein Sau cùng, phục hồi tín hiệu y(t) sau loại nhiễu sử dụng hệ số tín hiệu tần số thấp hệ số tín hiệu tần số cao sau lượng tử hóa, tính tốn tỉ lệ nhiễu tín hiệu Trong báo này, hàm wdenoise Wavelet toolbox Matlab áp dụng để khử nhiễu tạp âm cho tín hiệu âm thu từ điện thoại thông minh, sử dụng phương pháp khử nhiễu Wavelet Block James-Stein với ngưỡng lượng tử hóa [16] Ngưỡng chọn phương pháp thực nghiệm Hình minh họa kết áp dụng phương pháp khử nhiễu Block Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh James-Stein đoạn tín hiệu thu thập Hình Minh họa lọc nhiễu phép biến đổi Wavelet 𝜓𝑢,𝑠 (𝑡) = 𝜓( 𝑡−𝑢 𝑠 ) (2) Trong đó, s tỉ lệ co giãn u tham số tịnh tiến sổ Wavelet miền thời gian Hàm Wavelet chọn phải xác định hiệu đặc tính tần số tín hiệu cần biến đổi Có nhiều loại phân tích Wavelet với nhiều dạng cửa sổ khác Morse wavelet, Morlet (Gabor) wavelet bump wavelet Trong báo này, Morse (3,60) wavelet tích hợp hàm cwtfilterbank [17] ứng dụng để tính toán cửa sổ biến đổi Wavelet Phổ biên độ biến đổi Wavelet chuyển đổi thành ảnh phổ 2D để làm liệu cho huấn luyện kiểm tra mạng GoogLeNet Hình minh họa tín hiệu thời gian ảnh phổ miền thời gian – tần số 2.2.2 Tạo ảnh phổ 2D a) Ý tưởng báo huấn luyện mạng học sâu GoogLeNet để nhận dạng lỗi động dựa âm thu trực tiếp từ điện thoại thông minh Do liệu vào huấn luyện mạng ảnh màu RGB có kích thước 224x224 pixel nên đoạn âm (65535 mẫu tín hiệu) sau lọc phân tích thơng phần tần số theo thời gian biểu diễn chúng thành ảnh phổ có kích thước trên, hay cịn gọi ảnh phổ 2D báo Các ảnh phổ sử dụng làm liệu huấn luyện để mạng GoogLeNet học đặc trưng tần số tín hiệu phát từ động với trường hợp hay nhãn khác b) Do tín hiệu âm tín hiệu có tần số biến động nên phép biến đổi Wavelet liên tục chọn để phân tích phân tích thơng tin tần số theo thời gian tín hiệu Để thực việc hàm cửa sổ Wavelet 𝜓𝑢,𝑠 (𝑡) với độ rộng miền thời gian thay đổi tham số s dịch chuyển bước có độ rộng thời gian u suốt miền thời gian tín hiệu cần biến đổi để lấy mẫu tín hiệu phân tích thơng tin tần số biến đổi Fourier Hàm 𝜓𝑢,𝑠 (𝑡) có dạng tổng qt cơng thức (2) √𝑠 87 Hình Ảnh phổ phân tích biến đổi Wavelet: a) tín hiệu miền thời gian, b) ảnh phổ biên độ phân tích miền thời gian – tần số 2.2.3 Nhận dạng lỗi động ứng dụng mạng GoogLeNet GoogLeNet tên mạng học sâu tích chập dựa kiến trúc khởi động (Inception architecture) Szegedy cộng sử dụng để tham gia thi ImageNet Large-Scale Visual Recognition vào năm 88 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 2014 [12] Đây mạng học sâu tích chập gồm 22 lớp có tham số, lớp pooling không tham số Các mô-đun khởi động sử hai lọc có kích thước 3x3 5x5 với lọc giảm chiều không gian 1x1 Kiến trúc mô-đun khởi động minh họa Hình Dữ liệu ngõ vào mạng tập ảnh màu RGB có kích thước 224x224 pixel Các lọc có kích thước khác giúp mạng học khối lượng lớn đặc trưng ảnh giúp tăng hiệu việc nhận dạng nhãn ảnh khác Hình Kiến trúc mô-đun khởi động mạng GoogLeNet Để huấn luyện mạng GoogLeNet nhận dạng lỗi động quan tâm, tập ảnh phổ liệu âm sau xử lý dán nhãn giống với tên tập liệu (cụ thể: trường hợp động hoạt động bình thường có nhãn Binh_thuong, vỡ bạc đạn có nhãn Vo_bacdan, pha có nhãn Mat_pha lệch pha có nhãn Lech_pha) sau phân chia ngẫu nhiên thành hai nhóm Nhóm sử dụng để huấn luyện mạng bao gồm 80% ảnh phổ trường hợp nhóm sử dụng để kiểm tra tính hiệu mạng sau huấn luyện bao gồm 20% số ảnh phổ lại Bài báo sử dụng mạng GoogLeNet tích hợp Deep Learning Toolbox Model Matlab [18], thống số mạng cấu Bảng Các tham số hiệu chỉnh để tăng tốc độ huấn luyện mạng Bảng Kết thu thập liệu Tên tham số Giá trị MiniBatchSize 10 MaxEpochs InitialLearnRate 10-4 KẾT QUẢ VÀ THẢO LUẬN 3.1 Huấn luyện mạng GoogLeNet Quá trình huấn luyện mạng GoogLeNet tóm tắt lưu đồ Hình gồm bước Trước tiên, tập liệu ảnh chuẩn bị cho trình Mỗi tập liệu tương ứng với nhãn nhận dạng lưu trữ thư mục riêng biệt với tên thư mục xem nhãn nhận dạng Đây 80% số lượng ảnh phổ 2D đề cập phần trước Tập ảnh phân chia lần để tách thành tập liệu huấn luyện tập liệu kiểm tra trình huấn luyện Trong nghiên cứu này, 80% ảnh phổ sử để huấn luyện 20% sử dụng để kiểm tra Tỉ lệ thay đổi tùy vào trường hợp Nếu tập liệu ảnh có kích thước khác 224x224 pixel chúng cần thay đổi kích thước để phù hợp với yêu cầu mạng Bắt đầu Chuẩn bị liệu huấn luyện Kích thước ảnh phù hợp? Sai Đúng Thay đổi kích thước ảnh 224x224 pixel Cấu hình lớp mạng phân loại lớp ngõ Cấu hình thơng số huấn luyện mạng Kết thúc Hình Q trình huấn luyện mạng GoogLeNet Sau đó, mạng GoogLeNet mặc định cấu hình lại cho phù hợp với mục đích nghiên cứu Mặc định GoogLeNet Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh nhận dạng 1000 đối tượng khác Tuy nhiên, báo cần nhận dạng đối tượng tương ứng với tập ảnh phổ khác Do đó, lớp thứ 142 (lớp kết nối đầy đủ hay fully connected layer) với 1000 nút mạng thay đổi thành nút mạng tương ứng với xác suất nhận dạng trường hợp quan tâm Tên lớp mạng ngõ (lớp 144) thay đổi cho phù hợp với ứng dụng Sau cùng, thông số mạng cấu mơ tả Bảng bắt đầu trình huấn luyện mạng Hình Lọc nhiễu băng Wavelet Để có tập liệu ảnh phổ 2D, tín hiệu âm lọc nhiễu biến đổi Wavelet, chuẩn hóa biên độ (đưa biên độ tín hiệu [-1 1]), cắt thành đoạn liệu phân tích thành ảnh phổ 2D miền thời gian – tần số Các tín hiệu âm thu thập điện thoại thông minh tồn nhiều tạp âm minh họa Hình 8, đặc biệt trường hợp vỡ bạc đạn Thông tin tần số tạp âm xuất ảnh phổ 2D ảnh hưởng đến trình nhận dạng nên cần 89 phải lọc bỏ Bên cạnh đó, biên độ tín hiệu khác trường hợp cường độ âm phát khác nhau, để loại bỏ ảnh hưởng biên độ tất tín hiệu âm chuẩn hóa [-1 1] Hình trình bày kết lọc chuẩn hóa đoạn tín hiệu âm tiếng ồn phát từ động trường hợp khác Kết cho thấy tín hiệu lọc nhiễu tốt biến đổi Wavelet sẵn sàng để phân tích ảnh phổ Hình minh họa ảnh phổ biên độ 2D đoạn âm ngẫu nhiên trường hợp miền thời gian – tần số Trục y thông tin tần số, trục x thời tín hiệu đồ màu thơng tin biên độ tín hiệu thời điểm cụ thể Các ảnh phổ chứa nhiều đặc trưng riêng biệt nên phù hợp cho việc huấn luyện mạng để nhận dạng chúng a) b) c) d) Hình Ảnh phổ 4: a) bình thường, b) vỡ bạc đạn; c) pha; d) lệch pha Bảng Tóm tắt liệu sau xử lý Số lượng Huấn Kiểm Trường hợp ảnh luyện tra Bình thường 8592 8599 8599 Mất pha 6873 6879 6879 Lệch pha 1719 1720 1720 Vỡ bạc đạn 8592 8599 8599 Bảng tóm tắt thơng tin tập ảnh phổ sử dụng để huấn luyện mạng GoogLeNet Các tập ảnh phổ lưu 90 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh trữ thư mục khác theo yêu cầu trình huấn luyện Kích thước lưu trữ ảnh phổ thống 224x224 pixel nên không cần phải thêm bước hiệu chỉnh kích thước ảnh q trình huấn luyện Kết huấn luyện mạng GoogLeNet thể Hình 10 Quá trình huấn luyện thực epoch, sau epoch mạng kiểm tra lần Kết từ hình cho thấy sau epoch 1, độ xác huấn mạng đặt 90% độ xác thiện dần epoch lại Cuối cùng, sau epoch với 16488 lần lập huấn luyện mạng GoogLeNet với độ xác 98.8% Như vậy, việc huấn luyện mạng dựa ảnh phổ tần số 2D tín hiệu âm tỏ hiệu Tuy nhiên, mạng sau huấn luyện cần kiểm tra với tập tin âm khác để kiểm chứng hiệu quả, tránh trường hợp bị over-fitting Để thực việc kiểm tra mạng, 20% liệu ảnh phổ trường hợp sử dụng điểm kiểm khả nhận dạng mạng Đồng thời, việc thu thập âm tiếng ổn động khác với triệu chứng để kiểm tra cần thiết để minh chứng tính hiệu phương pháp 3.2 Kiểm tra mạng GoogLeNet Mạng GoogLeNet sau huấn luyện kiểm tra với tập ảnh phổ từ tập tập tin âm độc lập Kết minh họa Hình 11 Bảng Mạng sau huấn luyện nhận dạng tất ảnh phổ trường hợp khác Bảng Kết kiểm tra khả nhận dạng lỗi động tập âm độc lập Số lần Số lần Tỷ lệ Trường hợp kiểm dự đoán đạt tra (%) Bình thường 9 100 Mất pha 20 20 100 Lệch pha 20 20 100 Vỡ bạc đạn 20 20 100 3.3 Thảo luận Bài báo đề xuất phương pháp chẩn đoán lỗi động điện thơng minh hồn tồn khơng xâm lấn Mạng huấn luyện kiểm tra đạt độ xác cao 98% tương đương với kết phương pháp Gong công đề xuất, phương pháp chẩn đốn Hình 10 Kết huấn luyện Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh sử dụng mạng truyền thống Tuy nhiên, ưu điểm phương pháp đề xuất báo sử dụng trực tiếp âm thu từ điện thoại thông minh mà không cần thao tác xâm lấn đến động Điều giúp việc chẩn đoán lỗi hết đơn giản linh hoạt Phương pháp hoàn toàn áp dụng để phát triển ứng dụng chẩn đốn thơng minh hoạt động tảng di động Android hay iOS Tuy nhiên, nghiên cứu này, nhóm tác giả đặt điện thoại thơng minh vị trí, điều khơng xác định vị trí, khoảng cách góc đặt điện thoại tối ưu để có liệu âm hiệu Trong nghiên cứu tiếp theo, 91 nhóm tiến hành thí nghiệm để thu liệu âm tương ứng với nhiều cách bố trí điện thoại thơng minh từ khuyến nghị phương pháp tối ưu để thu tín hiệu âm phục vụ cho chẩn đoán Nghiên cứu sử dụng mạng GoogLeNet với thông số gần mặc định trình bày Bảng Mặc dù mạng sau huấn luyện có độ xác cao, nhiên thời gian huấn luyện chưa tối ưu, 10 Do đó, việc khảo sát ảnh hưởng thông số đến thời gian độ xác mạng cần thiết, đặc biệt hai thông số MiniBatchSize MaxEpochs Thật vậy, từ kết huấn luyện cho thấy, với tập liệu ảnh phổ thu được, a) b) c) d) Hình 11 Kết kiểm tra mạng GoogLeNet: a) bình thường, b) vỡ bạc đạn, c) pha d) lệch pha 92 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh sau epoch mạng đạt độ xác 90% epoch tối ưu độ xác Như vậy, việc xác định số lượng epoch để mạng đạt độ xác mong muốn cần thiết để giảm thời gian huấn luyện Phương pháp đề xuất nghiên cứu nên kiểm chứng số lỗi khác động điện Thật vậy, kết khả quan, nhiên phương pháp đề suất kiểm chứng lỗi động bao gồm vỡ bạc đạn, pha lệch pha Từ tín hiệu miền thời gian ảnh phổ 2D cho thấy khác biệt trường hợp khác biệt so với tín hiệu bình thường rỏ, nên kết nhận với độ xác cao không bất ngờ Để khẳng định thêm hiệu phương pháp, tương lai, nhóm tác giả kiểm tra mạng với nhiều lỗi khác động cơ, đặc biệt lỗi mà ảnh hưởng tới tiếng ổn động KẾT LUẬN Nghiên cứu đề xuất phương pháp chẩn đốn lỗi động thơng minh, khơng xâm lấn sử dụng mạng học sâu GoogLeNet, dựa âm thu trực tiếp từ điện thoại thông minh Kết thực nghiệm chứng minh hiệu nhận dạng lỗi động bao gồm vỡ bạc đạn, pha lệch pha với độ xác chẩn đốn lên đến 98.8% Mặc dù cịn nhiều vấn đề cần cải tiến vị trí đặt điện thoại thông minh, thời gian huấn luyện mạng, nhận dạng thêm đa dạng lỗi, Tuy nhiên kết ban đầu nghiên cứu hứa hẹn mở nhiều hướng nghiên cứu hữu ích tương lai TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] Report of Large Motor Reliability Survey of Industrial and Commercial Installations: Part 3, IEEE Transactions on Industry Applications, vol IA-23, no 1, pp 153-158, 1987 H Henao, GA Capolino, M Fernandez-Cabanas, F Filippetti, C Bruzzese, E Strangas, R Pusca, J Estima, M Riera-Guasp and S Hedayati-Kia, Trends in Fault Diagnosis for Electrical Machines A Review of DiagnosticTechniques, IEEE Industrial Electronics Magazine, (2), pp 31-42, 2014 A Glowacz, W Glowacz and Z Glowacz, Recognition of armature current of DC generator depending on rotor speed using FFT, MSAF-1 and LDA, Eksploatacja i Niezawodnosc – Maintenance and Reliability, 17(1), pp 64-69, 2015 Y Li, F Chai, ZX Song and ZY Li, Analysis of vibrations in interior permanent magnet synchronous motors considering air-gap deformation, Energies, 10(9), 1259, 2017 R Yousefi, R Yusof and R Arfa, Fault diagnosis of three-phase induction motors based on vibration and electrical current signals, Jurnal Teknologi, 78, pp 129-33, 2016 J Jozwik, Identification and monitoring of noise sources of cnc machine tools by acoustic holography methods, Advances in Science and Technology Research Journal, 10(30), pp 127-137, 2016 T Ciszewski, L Gelman and L Swedrowski, Current-based higher-order spectral covariance as a bearing diagnostic feature for induction motors Insight - Non Destructive Testing and Condition Monitoring, 58(8), pp 431-434, 2016 C Verucchi, J Bossio, G Bossio and G Acosta, Misalignment detection in induction motors with flexible coupling by means of estimated torque analysis and MCSA Mechanical Systems and Signal Processing, 80, pp 570-581, 2016 PA Delgado-Arredondo, D Morinigo-Sotelo, RA Osornio-Rios, JG Avina-Cervantes, H Rostro-Gonzalez and RD Romero-Troncoso, Methodology for fault detection in induction motors via sound and vibration signals Mechanical Systems and Signal Processing, 83, pp 568-589, 2017 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 66 (10/2021) Trường Đại Học Sư Phạm Kỹ Thuật TP Hồ Chí Minh 93 [10] R Lara, R Jimenez-Romero, F Perez-Hidalgo and MD Redel-Macias, Influence of constructive parameters and power signals on sound quality and airborne noise radiated by inverter-fed induction motors, Measurement, 73, pp 503-514, 2015 [11] W Gong, H Chen, Z Zhang, M Zhang, R Wang, C Guan and Q Wang, A novel deep learning method for intelligent fault diagnosis of rotating machinery based on improved CNN-SVM and multichannel data fusion Sensors, 19, 1693, 2019 [12] C Szegedy, W Liu, Y Jia, P Sermanet, S Reed, D Anguelov, D Erhan, V Vanhoucke and A Rabinovich, Going deeper with convolutions Computing Research Repository, 2015 [13] Y Yin, Y Hu and P Liu, The research on denoising using wavelet transform International Conference on Multimedia Technology, 2011 https://doi.org/10.1109/ICMT.2011.6002276 [14] M Sandler, A Howard, M Zhu, A Zhmoginov and LC Chen, MobileNetV2: Inverted Residuals and Linear Bottlenecks, arXiv preprint, arXiv:1801.04381, 2018 [15] N Duong-Trung, LD Quach and CN Nguyen, Towards Classification of Shrimp Diseases Using Transferred Convolutional Neural Networks, Advances in Science, Technology and Engineering Systems Journal, 5(4), pp 724-732, 2020 [16] Inc The MathWorks, Wavelet Toolbox User's Guide, Online, Retrived on August, 2021, from https://www.mathworks.com/help/pdf_doc/wavelet/wavelet_ug.pdf [17] Inc The MathWorks, Continuous wavelet transform filter bank, Online, Retrived on August, 2021, from https://it.mathworks.com/help/wavelet/ref/cwtfilterbank.html [18] Inc The MathWorks, GoogLeNet convolutional neural network, Online, Retrived on August, 2021, from https://www.mathworks.com/help/deeplearning/ref/googlenet.html Tác giả chịu trách nhiệm viết: PGS.TS Nguyễn Chí Ngơn Trường Đại học Cần Thơ Email: ncngon@ctu.edu.vn ... nhiên, nhược điểm phương pháp phải can thiệt vào động (kỹ thuật xâm lấn) chẩn đoán lỗi điện Bên cạnh đó, ảnh nhiệt áp dụng để chẩn đoán lỗi động cảm ứng [7, 8] Ưu điểm kỹ thuật không xâm lấn động. .. báo đề xuất phương pháp chẩn đoán lỗi động điện thơng minh hồn tồn khơng xâm lấn Mạng huấn luyện kiểm tra đạt độ xác cao 98% tương đương với kết phương pháp Gong công đề xuất, phương pháp chẩn. .. trọng Một ứng dụng chẩn đốn thơng minh phát triển thiết bị di động để chẩn đoán hư hỏng trực tiếp từ âm thu Ứng dụng không bị giới chẩn đốn động mà áp dụng với nhiều đối tượng ứng dụng khác Hình