Khảo sát kỹ thuật học sâu trên bài toán chẩn đoán hư hỏng động cơ điện dựa trên tiếng ồn vận hành

Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 DOI:10.22144/ctu.jvn.2022.003 KHẢO SÁT KỸ THUẬT HỌC SÂU TRÊN BÀI TOÁN CHẨN ĐOÁN HƯ HỎNG ĐỘNG CƠ ĐIỆN DỰA TRÊN TIẾNG ỒN VẬN HÀNH Nguyễn Chí Ngơn1*, Lê Thanh Tú2, Lương Hồng Vĩnh Thuận3 Nguyễn Chánh Nghiệm1 Trường Đại học Cần Thơ Trường Cao đẳng Long An Trường Cao đẳng nghề An Giang *Người chịu trách nhiệm viết: Nguyễn Chí Ngôn (email: ncngon@ctu.edu.vn) Thông tin chung: Ngày nhận bài: 19/08/2021 Ngày nhận sửa: 11/09/2021 Ngày duyệt đăng: 26/02/2022 Title: Investigation of deep learning algorithm applied on induction motor fault diagnosis based on operation sound Từ khóa: Biến đổi wavelet, chẩn đoán lỗi động cơ, mạng GoogLeNet, mạng neuron tích chập, phổ ảnh tín hiệu Keywords: Convolutional neural networks, GoogLeNet, motor fault diagnosis, scalogram, wavelet transform ABSTRACT Early detection of induction motor failure plays an important role in limiting disruption to industrial production Sensor-based measurement methods are highly reliable, but the installation of the equipment is time consuming and costly Building a smartphone’s application to diagnose electric motor problems is a research direction that attracts many groups This paper proposes to investigate the ability to train and diagnose electric motor faults based on the principle of recognizing scalogram images of motor’s operation sounds, using a deep learning neural network The audio signals are noise-filtered, amplitude normalized, and scalogram rendering by wavelet transforms The set of scalogram images is divided into two parts for training and validating the GoogLeNet convolutional neural network The GoogLeNet is also investigated through changing some basic parameters, in order to determine the best training efficiency After training, the network is tested on an independent sound signal dataset The results show that the network is able to identify common motor problems including phase loss, insulating film brush and bearing failure with 94.21% accuracy The experiment also shows that the development of smartphone’s application for early diagnosing electric motor problems is feasible TÓM TẮT Phát sớm cố động điện góp phần hạn chế gián đoạn hoạt động sản xuất công nghiệp Phương pháp đo dùng cảm biến có độ tin cậy cao, song việc lắp đặt thời gian chi phí Việc xây dựng ứng dụng điện thoại để chẩn đoán cố động điện thu hút nhiều nghiên cứu Bài báo tiến hành khảo sát khả chẩn đoán lỗi động điện thông qua nhận diện ảnh phổ tín hiệu âm vận hành dùng mạng neuron học sâu GoogLeNet Dữ liệu âm lọc nhiễu, chuẩn hóa biên độ dựng ảnh phổ phép biến đổi wavelet Tập ảnh phổ dùng để huấn luyện kiểm tra mạng Mạng GoogLeNet khảo sát hiệu huấn luyện thông qua việc thay đổi tham số Sau đó, mạng kiểm tra tập liệu độc lập Kết cho thấy mạng nhận diện cố thông dụng, gồm pha, cọ phim hỏng bạc đạn, với tỷ lệ chính xác đạt 94,21% Thí nghiệm cho thấy khả phát triển ứng dụng điện thoại khả thi 27 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 điểm hơn, lĩnh vực dự báo lỗi động (Qi et al., 2017; Wen et al., 2017; Xia et al., 2018) Tuy nhiên, việc áp dụng phép biến đổi wavelet kết hợp với mạng CNN để chẩn đoán lỗi động (Kumar et al, 2020) cịn giới hạn cơng bố khoa học Ứng với toán chẩn đoán lỗi động điện dùng mạng học sâu CNN, tham số trình huấn luyện mạng cần khởi tạo câu hỏi chưa giải đáp thỏa đáng GIỚI THIỆU Động điện nói chung động cảm ứng (induction motor) nói riêng có vai trị quan trọng cơng nghiệp Tuy nhiên, với cường độ hoạt động cao, động điện thường xảy số hư hỏng, lỗi bạc đạn (vòng bi), lỗi stator lỗi rotor (Bonnett et al., 1992; Henao et al., 2014) Việc phát sớm cố cho động điện yêu cầu cần thiết quan trọng, góp phần hạn chế việc gián đoạn sản xuất công nghiệp Trong nghiên cứu này, phương pháp chẩn đoán lỗi động cảm ứng dựa phân tích tín hiệu âm thu lúc vận hành kết hợp với mạng học sâu CNN kỹ thuật lọc nhiễu, tạo ảnh phổ chiều phép biến đổi wavelet Mục tiêu nghiên cứu tiến hành khảo sát ảnh hưởng số tham số kỹ thuật học sâu đến trình huấn luyện khả nhận diện lỗi động mạng CNN Để đạt mục tiêu này, nghiên cứu bố trí thí nghiệm để ghi âm tiếng ồn phát lúc động vận hành điện thoại di động, tương ứng với tình cố, gồm: bạc đạc, pha cọ phim cách điện Dữ liệu âm sau tiền xử lý thông qua việc lọc nhiễu phép biến đổi wavelet chuẩn hóa biên độ tín hiệu Tập liệu sau tiền xử lý biến đổi thành tập ảnh phổ tần số hai chiều, dùng phép biến đổi wavelet Mơ hình mạng CNN Google (gọi GoogLeNet, Mishra et al., 2020) sử dụng khảo sát hiệu với thay đổi tham số mạng Nghiên cứu chẩn đoán lỗi động điện nhiều nhà khoa học quan tâm Nổi bật phương pháp phân tích rung động (Kim et al., 2014; Li et al., 2017), phân tích dịng điện (Ciszewski et al., 2016; Yang et al., 2016; Glowacz et al., 2017) phân tích nhiệt độ (Guo et al., 2012) Các phương pháp áp dụng kỹ thuật đo điện thông qua cảm biến bố trí xung quanh động điện Kỹ thuật đơi lúc gặp khó khăn việc triển khai cộng cụ đo môi trường công nghiệp Từ thực tế đó, kỹ thuật đo khơng điện phát triển Chẳng hạn, phương pháp phân tích ảnh nhiệt áp dụng (Glowacz et al., 2017) Tuy nhiên, kỹ thuật có nhược điểm chi phí cao, cần làm nóng động cơ, xử lý liệu ảnh nhiệt chậm bố trí máy ảnh nhiệt khó khăn Phương pháp phân tích âm động (Singh et al., 2017; Glowacz et al., 2018) triển khai Ưu điểm phương pháp áp dụng kỹ thuật khơng xâm lấn, chi phí thấp đo tức thời âm phát từ động vận hành Tuy nhiên, nhược điểm phương pháp phân tích âm động vấn đề xử lý tạp âm môi trường công nghiệp đòi hỏi mức độ tin cậy cao giải thuật chẩn đoán PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Bố trí thí nghiệm Thí nghiệm ghi âm tiếng ồn động điện thực nhằm thu thập liệu âm phát ra, tương ứng với trường hợp động pha, cọ phim cách điện vỡ bạc đạn Thông số động điện thí nghiệm sau: Động khơng đồng pha, điện áp định mức 220/380V, dòng định mức 1,2 A, tốc độ 960 vịng/phút, cơng suất định mức 0,37 kW (0,5 HP) tần số 50 Hz Thiết bị ghi âm điện thoại di động thông minh phổ thơng, tần số lấy mẫu 44.100 Hz Mơ hình thí nghiệm bố trí Hình Thơng tin liệu thu thập tóm tắt Bảng Việc ứng dụng phép biến đổi wavelet (Ince et al., 2016; Sangeetha et al., 2017) để lọc nhiễu tạo ảnh phổ chiều phát triển mạnh mẽ Ngồi ra, nhờ tốc độ máy tính ngày cải thiện, mạng neuron tích chập (CNN – convolutional neural networks) với phương pháp học sâu (deap learing) ngày ứng dụng nhiều lĩnh vực So với phương pháp học máy truyền thống, phương pháp học sâu thể nhiều ưu 28 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 Hình Bố trí thí nghiệm Bảng Dữ liệu thí nghiệm Thơng tin Mất pha 120 35 Thời gian ghi âm tập tin (giây) Số tập tin âm để huấn luyện mạng Số tập tin âm độc lập để kiểm thử Dữ liệu âm ghi thường bị tác động nhiễu, đồng thời, tùy thuộc vào tình hư hỏng khác mà biên độ tín hiệu âm vận hành thu có giá trị khác Vì vậy, khâu tiền xử lý liệu bao gồm lọc nhiễu chuẩn hóa biên độ tín hiệu giá trị [-1, 1] áp dụng phần 2.2 Lọc nhiễu tín hiệu phép biến đổi wavelet { } mn 𝑓(𝑡) = ∑𝑚 ∑𝑛 𝑑𝑚,𝑛 𝛹𝑚𝑛 (𝑡) √𝑎 𝛹( 𝑡−𝑏 𝑎 ) 𝑑𝑚,𝑛 = ⟨𝑓(𝑡), 𝛹𝑚𝑛 (𝑡)⟩ = −𝑚 𝑚/2 ∫ 𝑓(𝑡) 𝛹(𝑎0 𝑡 − 𝑛𝑏0 ) 𝑑𝑡 𝑎0 −𝐿/2 𝑓(𝑡) = ∑∞𝑛=−∞ 𝐶𝐿,𝑛 𝑎0 Với: (1) 𝐶𝐿,𝑛 = ⟨𝑓(𝑡), 𝜙𝐿𝑛 (𝑡)⟩ = 𝑛𝑏0 ) 𝑑𝑡 với a  R+, b  R f*(t) liên hiệp phức f(t) Khi a, b tham số liên tục, (2) gọi biến đổi wavelet liên tục Ngược lại, a, b rời rạc hóa lấy mẫu sau: (3) (1) biểu diễn thành: 𝛹(𝑎0−𝑚 𝑡 − 𝑏0 ) 𝑡 𝑎0𝑚 𝐿/2 𝑎0 𝑡 𝑎0𝐿 − 𝑛𝑏0 ) + − 𝑛𝑏0 ) (7) ∫ 𝑓(𝑡) 𝜙(𝑎0−𝐿 𝑡 − (8) Hàm ψ(.) (.) (7) cho phép biểu diễn tín hiệu f(t) dạng hai thành phần, thành phần xấp xỉ A (Approximation), tương ứng với tín hiệu tần số thấp thành phần chi tiết D (Detail) tương ứng với tín hiệu tần số cao Với cách biểu diễn này, biến đổi wavelet xem tổng hợp lọc, gồm: lọc thông cao sử dụng hàm wavelet ψ(.) lọc thông thấp sử dụng hàm (.) Mối quan hệ hai hàm sau (Akansu, 1994): ∞ −𝑚/2 𝜙( ∑𝐿𝑚=1 ∑∞𝑛=−∞ 𝑑𝑚,𝑛 𝑎0−𝑚/2 𝛹 ( 𝑊( 𝑎, 𝑏) = ∫−∞ 𝛹𝑎𝑏 (𝑡)𝑓 ∗ (𝑡)𝑑𝑡 = ⟨𝛹𝑎𝑏 , 𝑓⟩ (2) 𝛹𝑚𝑛 (𝑡) = 𝑎0 (6) Theo Akansu (1994), thay (6) vào (5), ta có: Khi đó, phép biến đổi wavelet tín hiệu f(t) xác định là: 𝑎 = 𝑎0𝑚 ; 𝑏 = 𝑛𝑏0 𝑎0𝑚 (5) đó, dm,n gọi hệ số wavelet, xác định bởi: Hàm wavelet định nghĩa (1), với a tham số tỷ lệ b tham số dịch chuyển vị trí Hỏng bạc đạn 120 35 thể wavelet với m, n  Z Khi đó, khác dùng để biểu diễn tín hiệu f(t) dạng sau (Akansu, 1994): Phép biến đổi wavelet đề cập Haar (1910), phát triển mạnh mẽ xử lý tín hiệu từ Mallat (1989) Daubechies (1992) củng cố lý thuyết triển khai ứng dụng phép biến đổi 𝛹𝑎𝑏 (𝑡) = Tình Cọ phim 120 35 𝜙(𝑡) = ∑𝑛 ℎ0 (𝑛) 𝜙(2𝑡 − 𝑛) (4) 29 𝛹(𝑡) = ∑𝑛 ℎ1 (𝑛) 𝜙(2𝑡 − 𝑛) (9) (10) Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 {ho(n)} {h1(n)} tương ứng hệ số lọc thông thấp lọc thông cao hạ thông (low-pass filter) cho thành xấp xỉ A lọc thượng thông (high-pass filter) cho thành phần chi tiết D, biểu diễn Hình Với chế này, biến đổi wavelet tín hiệu nguồn S hoạt động lọc ghép, gồm lọc Hình Ngun tắc lọc tín hiệu cấp wavelet 2.3 Chuẩn hóa biên độ tín hiệu dao động nhiều miền thời gian hẹp miền tần số Với đặc điểm này, việc dịch chuyển tham số   cho phép xác định tần số đỉnh 𝜔𝛽𝛾𝑝𝑒𝑎𝑘 tín hiệu độ rộng hàm wavelet (Lilly et al., 2012): Tập liệu ghi âm Bảng 1, thực lọc nhiễu phép biến đổi wavelet Tuy nhiên, biên độ tín hiệu ghi âm khơng nhau, tượng hư hỏng có tiếng ồn phát lớn, nhỏ khác Để đảm bảo biên độ tín hiệu tập tin âm nhau, tập liệu âm cần chuẩn hóa biên độ giá trị [-1, 1] 𝛽 1/𝛾 𝜔𝛽𝛾𝑝𝑒𝑎𝑘 ≡ ( ) Nếu tín hiệu âm f(t) có biên độ lớn fmax biên độ nhỏ fmin, tức 𝑓(𝑡) ∈ [𝑓𝑚𝑎𝑥𝑚𝑖𝑛 ], tín hiệu chuẩn hóa y(t) thu từ f(t) thực sau (Chen, 2019): −1   f (t )  f max , if f max  f y(t ) =  −1  − f (t )  f , if f max  f 𝑃𝛽𝛾 = √−  𝛹𝛽𝛾 (𝜔𝛽𝛾 𝑝𝑒𝑎𝑘 ) = √𝛽𝛾 (14) ″ Trong đó, 𝛹𝛽𝛾 đạo hàm cấp hai 𝛹𝛽𝛾 theo hiệu âm f(t) với tham số tỷ lệ a vị trí b Phép biến đổi wavelet cho phép xác định mật độ lượng cục tín hiệu f(t) cửa sổ wavelet (Mallat, 2009): Việc tạo ảnh phổ tín hiệu âm động xây dựng dựa tảng phép biến đổi wavelet liên tục, theo (2), triển khai miền tần số Morse wavelet (Lilly et al., 2012) phép biến đổi sử dụng nghiên cứu này, với hàm wavelet thay sử dụng (1) định nghĩa sau: ∞ ) 𝛹 ″ (𝜔𝛽𝛾 𝑝𝑒𝑎𝑘 𝑝𝑒𝑎𝑘 𝛽𝛾 𝜔𝛽𝛾 Gọi Wf ( a,b ) biến đổi Morse wavelet tín (11) 2.4 Tạo ảnh phổ tín hiệu phép biến đổi wavelet Ψ𝛽𝛾 (𝜔) = ∫−∞ Ψ𝛽𝛾 (𝑡) 𝑒 −𝑖𝜔𝑡 𝑑𝑡 = 𝑈(𝜔) 𝑎𝛽𝛾 𝜔 𝛽 𝑒 −𝜔𝛾 (13) 𝛾 𝑃𝑊𝑓(𝑎,𝜉) = |𝑊𝑓 (𝑎, 𝑏)| = |𝑊𝑓 (𝑎, 𝜔𝛽𝛾 𝑝𝑒𝑎𝑘 𝜔𝛽𝛾 𝑝𝑒𝑎𝑘 𝜉 )| (15) tâm cửa sổ wavelet Biểu với 𝜉 = 𝑏 diễn mật độ lượng 𝑃𝑊𝑓 (𝑎,𝜉) theo thời gian trượt cửa sổ wavelet tồn tín hiệu f(t) ta thu ảnh phổ tín hiệu 2.5 Mạng neuron tích chập GoogLeNet (12) GoogLeNet mạng neuron nhân tạo với 22 lớp học sâu, tập đoàn Google kết hợp với nhiều viện, trường để nghiên cứu đề xuất vào năm 2014 (Szegedy et al., 2015; Mishra et al., 2020) Sức với a hệ số chuẩn hóa, U() hàm nấc đơn vị,   tham số thuộc tính định hình hàm Morse wavelet Khi tăng   hàm wavelet (10) 30 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 (inception layer) Trong lớp kết hợp, kích thước lớp tích chập cố định Theo đó, lớp tích chập (1×1), (3×3), (5×5) lớp tổng hợp tối đa (3×3) thực theo cách song song đầu vào đầu chúng, xếp chồng lên để tạo ngõ cuối (Hình 3) Với phương pháp này, lọc tích chập có kích thước khác xử lý đối tượng nhiều tỷ lệ, tốt phương pháp trước mạnh GoogLeNet liệu đầu vào không cần thiết kế tiền xử lý ảnh như: lọc ảnh trích xuất liệu đặc trưng (Zhou et al., 2017) Kích thước ảnh huấn luyện nhận dạng thiết lập chuẩn 224x224x3 điểm ảnh (pixels) Theo Arora et al (2014), đặc điểm mạng học sâu GoogLeNet gồm lớp tích chập (convolution layer), lớp tổng hợp tối đa (max pooling layer) trọng tâm lớp kết hợp Hình Cấu trúc lớp kết hợp (Inception layer) 2.6 Khảo sát thông số huấn luyện mạng KẾT QUẢ VÀ THẢO LUẬN 3.1 Tiền xử lý tín hiệu Các thơng số tham gia q trình huấn luyện mạng neuron tích chập có ảnh hưởng đến hiệu huấn luyện khả nhận dạng Theo Mishra et al (2020), hai tham số miniBatchSize MaxEpochs có ảnh hưởng quan trọng đến thời gian huấn luyện hiệu suất mạng Vì vậy, phần thực nghiệm, nghiên cứu thay đổi tham số trên, nhằm khảo sát tìm kiếm giá trị miniBatchSize MaxEpochs cho toán nhận diện cố động điện Phần thực nghiệm nghiên cứu triển khai phần mềm MATLAB Công cụ wavelet (wavelet toolbox) MATLAB hỗ trợ chức waveletAnalyzer cho phép minh họa cấu trúc lọc wavelet bậc, Hình Thành phần tín hiệu xấp xỉ A thành phần chi tiết D tín hiệu âm S theo chế Hình phép biến đổi (9), (10), minh họa Hình Hình Cấu trúc lọc cấp wavelet 31 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 Hình Thành phần xấp xỉ A chi tiết D tín hiệu âm qua lọc wavelet Hình minh họa kết lọc nhiễu phép biến đổi wavelet Hình minh họa đoạn tín hiệu âm sau lọc nhiễu chuẩn hóa giá trị [1, 1] Tập liệu âm sau chuẩn hóa biên độ, tiếp tục phân đoạn để tạo ảnh phổ phép biến đổi wavelet Nếu gọi s tín hiệu âm gốc, sd tín hiệu âm lọc nhiễu, MATLAB hỗ trợ lệnh đơn giản để lọc nhiễu sau: [s, fs] = audioread('']); Sd = wdenoise(s,5,'DenoisingMethod','BlockJS'); Hình Kết lọc nhiễu tín hiệu âm động phép wavelet 32 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 Hình Minh họa kết chuẩn hóa biên độ tín hiệu âm ‘Co_phim’, ‘Hong_bacdan’}, tiền xử lý chia thành tập Bảng Trong đó, tập liệu dùng để huấn luyện mạng, gọi Training_dataset gồm {2.124, 2.203, 2.253} ảnh; tập liệu dùng để kiểm tra mạng trình huấn luyện (validation) gọi Validating_dataset, gồm {531, 551, 564} ảnh; tập liệu độc lập dùng để kiểm thử gọi Testing_dataset gồm {303, 391, 402} ảnh Mạng neuron học sâu huấn luyện tập Training_dataset Validating_dataset Sau huấn luyện, mạng đánh giá khả nhận dạng tập Testing_dataset Công cụ wavelet MATLAB hỗ trợ mạnh mẽ việc dựng ảnh phổ tín hiệu số lệnh đơn giản Hình minh họa phổ ảnh tín hiệu âm tương ứng với trường hợp động pha, hỏng bạc đạn cọ phim cách điện Mỗi tập tin liệu âm cắt thành nhiều phân đoạn, phân đoạn có độ dài 65.536 mẫu (tần số lấy mẫu 44.100 Hz) Mỗi phân đoạn tín hiệu sử dụng để tạo ảnh phổ Dữ liệu âm Bảng 1, tương ứng với tình cố thông thường động định nghĩa nhãn tương ứng {‘Mat_pha’, Bảng Các tập liệu ảnh phổ Ký hiệu tập liệu Tập liệu huấn luyện (ảnh) Training_dataset Tập liệu kiểm tra huấn luyện (ảnh) Validating_dataset Tập liệu độc lập để kiểm thử (ảnh) Testing_dataset Thông tin 33 Mất pha 2.124 531 303 Tình Cọ phim Hỏng bạc đạn 2.203 2.253 551 564 391 402 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 Hình Minh họa ảnh phổ tín hiệu âm động analyzeNetwork cho phép hiển thị cấu trúc mạng cách trực quan đến lớp mềm Ưu điểm GoogLeNet mạng huấn luyện trước với 10.000 ảnh thông dụng, đó, tiếp tục huấn luyện với tập liệu mới, mạng dễ dàng hội tụ (Mishra et al., 2020) 3.2 Huấn luyện mạng neuron học sâu Mạng neuron học sâu sử dụng thực nghiệm mạng GoogLeNet MATLAB dàn trải 22 lớp học sâu mạng GoogLeNet thành 144 lớp mềm với cấu trúc Hình Ngoài ra, hàm 34 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 Hình Cấu trúc GoogLeNet MATLAB số cài đặt để huấn luyện mạng gồm: miniBatchSize = 10 MaxEpochs = Tiến trình huấn luyện mạng minh họa Hình 10, với thời gian huấn luyện tập Training_dataset 54 phút 43 giây tỷ lệ xác kiểm tra với tập Validating_dataset 98,12% Tập liệu Training_dataset Validating_dataset (Bảng 2) sử dụng để huấn luyện kiểm tra mạng neuron GoogLeNet Cấu hình máy tính sử dụng để huấn luyện mạng là: Dell Vostro 3671, Intel Core i7, CPU (8 nhân) 3.0GHz, 16 GB RAM, Windows 10-64 bit Thơng Hình 10 Huấn luyện mạng GoogLeNet với tập ảnh phổ âm động 35 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 3.3 Khảo sát tham số huấn luyện mạng Kết Bảng cho thấy tham số MaxEpochs = 4, thời gian huấn luyện mạng tập Training_dataset ngắn (36 phút 28 giây) tỷ lệ kiểm tra tập Validating_dataset trình huấn luyện đạt 98,63% Như vậy, thấy tham số MaxEpochs = giá trị tốt khảo sát Như đề cập, tham số huấn luyện {miniBatchSize, MaxEpochs} thay đổi để đánh giá hiệu suất huấn luyện mạng Ở loạt khảo sát đầu tiên, nghiên cứu giữ nguyên giá trị mặc định miniBatchSize = 10 MATLAB tiến hành thay đổi tham số MaxEpochs giá trị: 4, 6, 8, 10 Kết khảo sát thứ trình bày Bảng Bảng Khảo sát – giữ nguyên miniBatchSize = 10 thay đổi MaxEpochs miniBatchSize = 10 Thời gian huấn luyện Tỷ lệ xác kiểm tra tập Validating_dataset MaxEpochs 54’43” 36’28” 98,63% 98,12% 72’3” 10 90’22” 98,31% 97,11% tập Training_dataset 36 phút 28 giây, không chênh lệch đáng kể so với trường hợp lại Tuy nhiên, tỷ lệ kiểm tra tập Validating_dataset trình huấn luyện đạt giá trị cao 98,23% Có thể thấy miniBatchSize = 10 giá trị tốt khảo sát Khảo sát thứ hai tiến hành cách giữ nguyên giá trị tham số MaxEpochs = tiến hành thay đổi tham số miniBatchSize giá trị 6, 8, 10, 12 Kết khảo sát thứ hai trình bày Bảng Kết Bảng cho thấy tham số miniBatchSize = 10, thời gian huấn luyện mạng Bảng Khảo sát – giữ nguyên MaxEpochs thay đổi miniBatchSize MaxEpochs = 35’22” 35’13” miniBatchSize 10 36’28” 12 Thời gian huấn luyện 37’06” Tỷ lệ xác kiểm tra tập 96,17% 97,26% 98,23% 96,79% Validating_dataset để nhận diện cố động điện tập liệu âm Kết Bảng cho thấy cho thấy tham độc lập Testing_dataset Hình 11, 12 13 lần số {miniBatchSiz=10, MaxEpochs=4} cho hiệu suất lượt minh họa kết nhận diện cố pha, cọ huấn luyện mạng toán tốt Với cấu phim cách điện hỏng bạc đạn, với tỷ lệ xác trúc mạng này, nghiên cứu tiến hành đánh giá hiệu trình bày Bảng Mã QR-Code Hình 14 nhận dạng tập liệu Testing_dataset dẫn đến clip minh họa chương trình nhận diện cố Bảng động điện mạng GoogLeNet 3.4 Đánh giá khả nhận diện cố động mạng Mạng GoogLeNet huấn luyện ứng dụng Bảng Đánh giá tỷ lệ xác tập liệu độc lập Kiểm thử tập Testing_dataset Số lượng (ảnh) Tỷ lệ xác (%) Mất pha 303 95,17 Tình Cọ phim 391 94,21 Hỏng bạc đạn 402 98,64 thu thập liệu cố động điện, với vài loại hư hỏng thường gặp Thời gian tới, nhóm nghiên cứu tiếp tục thu thập liệu nhiều loại động điện khác bố trí ghi âm mơi trường cơng nghiệp Ngoài ra, liệu thu thập với tốc độ động 3.5 Thảo luận Kết nhận diện cố động điện tập liệu độc lập Testing_dataset cho tỷ lệ xác dao động từ 94,21% đến 98,64%, tùy tình cố Tuy nhiên, điểm hạn chế nghiên cứu 36 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 dụng cài đặt điện thoại di động thông minh để hỗ trợ doanh nghiệp chẩn đoán sớm cố động điện hướng phát triển tiềm mà nhóm hướng đến khác khoảng cách ghi âm khác để đánh giá toàn diện giải pháp Với tảng lọc nhiễu wavelet mạnh mẽ, nhóm nghiên cứu tin tưởng lọc tạp âm khác, trước nhận diện Ngồi ra, khả xây dựng ứng Hình 11 Kết nhận diện cố pha Hình 12 Kết nhận diện cố cọ phim cách điện 37 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 Hình 13 Kết nhận diện cố hỏng bạc đạn ảnh phổ chia làm phần, tương ứng 80% số ảnh dùng để xây dựng tập huấn luyện (Training_dataset) 20% số ảnh dùng để xây dựng tập kiểm tra (Validating_dataset) Ngoài ra, số tập tin âm gốc độc lập chuẩn bị để kiểm tra khả nhận diện lỗi giải thuật (Testing_dataset) Mạng neuron tích chập GoogLeNet sử dụng khảo sát hiệu huấn luyện thông qua việc thay đổi tham số {miniBatchSize, MaxEpochs}, nhằm xác định hiệu huấn luyện tốt Mạng GoogLeNet sau huấn luyện với tham số {miniBatchSize = 10, MaxEpochs = 4} kiểm tra tập liệu âm độc lập Kết cho thấy mạng có khả nhận diện cố động thiết lập đạt tỷ lệ xác 94,21% Hình 14 Clip minh họa kết nhận diện cố động điện KẾT LUẬN VÀ ĐỀ NGHỊ Bài báo trình bày phương pháp chẩn đốn lỗi động điện dựa nguyên tắc nhận diện ảnh phổ tín hiệu âm thu lúc vận hành dùng mạng neuron học sâu kỹ thuật lọc nhiễu, tạo ảnh phổ chiều phép biến đổi wavelet Việc bố trí thí nghiệm để ghi âm tiếng ồn phát lúc động vận hành điện thoại di động thiết lập để ghi âm tình cố thơng dụng, bao gồm: vỡ bạc đạc, pha cọ phim cách điện Dữ liệu âm sau tiền xử lý thông qua việc lọc nhiễu phép biến đổi wavelet chuẩn hóa biên độ tín hiệu giá trị [-1, 1] Tập liệu sau khâu tiền xử lý biến đổi thành tập ảnh phổ tần số hai chiều, phép biến đổi Morse wavelet Tập Trong thời gian tới, nghiên cứu tiếp tục phát triển tập liệu nhiều loại động điện khác bố trí ghi âm môi trường công nghiệp tốc độ động khoảng cách thu âm khác Với tảng tiền xử lý tín hiệu mạnh mẽ wavelet, nhóm nghiên cứu tin tưởng lọc tạp âm khác Đồng thời, khả xây dựng ứng dụng cài đặt điện thoại di động thông minh để hỗ trợ doanh nghiệp chẩn đoán sớm cố động điện hướng tiềm mà nhóm hướng đến 38 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 TÀI LIỆU THAM KHẢO Ince, T., Kiranyaz, S., Eren, L., Askar, M., & Gabbouj, M (2016) Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks IEEE Transactions on Industrial Electronics, 63(11), 7067-7075 DOI:10.1109/TIE.2016.2582729 Kim, D., Kim, H., Hong, J., & Park, C (2014) Estimation of Acoustic Noise and Vibration in an Induction Machine Considering Rotor Eccentricity IEEE Transactions on Magnetics, 50(2), 857-860 DOI:10.1109/TMAG.2013.2285391 Kumar, A., Gandhi, C.P., Zhou, Y., Kumar, R., & Xiang, J (2020) Improved deep convolution neural network (CNN) for the identification of defects in the centrifugal pump using acoustic images Applied Acoustics, 167, 107399 ISSN 0003-682X https://doi.org/10.1016/j.apacoust.2020.107399 Lilly, J.M., & Olhede, S C (2020) Generalized Morse Wavelets as a Superfamily of Analytic Wavelets IEEE Transactions on Signal Processing, 60(11), 6036-6041 DOI:10.1109/TSP.2012.2210890 Li, Y., Chai, F., Song, Z., & Li, Z (2017) Analysis of Vibrations in Interior Permanent Magnet Synchronous Motors Considering Air-Gap Deformation Energies, 10(9), 1259 https://doi.org/10.3390/en10091259 Mallat, S G (1989) A Theory for Multiresolution Signal Decomposition: The Wavelet Representation IEEE Trans on Pattern Analysis and Machine Intelligence, 11(7), 674–693 Mishra, A., Ranjan, P., & Ujlayan, A (2020) Empirical analysis of deep learning networks for affective video tagging Multimedia Tools Applications, 79, 18611–18626, Springer https://doi.org/10.1007/s11042-020-08714-y Qi, Y., Shen, C., Wang, D., Shi, J., Jiang, X., & Zhu, Z (2017) Stacked Sparse Auto encoder-Based Deep Network for Fault Diagnosis of Rotating Machinery IEEE Access, 5, 15066–15079 Sangeetha, P., & Hemamalini, S (2017) Dyadic wavelet transform-based acoustic signal analysis for torque prediction of a three-phase induction motor IET Signal Processing, 11(5), 604–612 DOI: 10.1049/iet-spr.2016.0165 Singh, S.K., Kumar, S., & Dwivedi, J.P (2017) Compound fault prediction of rolling bearing using multimedia data Multimedia Tools Applications, 76, 18771–18788 https://doi.org/10.1007/s11042-017-4419-1 Szegedy, C., Wei, L., Yangqing, J., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A (2015) Going Deeper with Akansu, A N (1994) Wavelets and filter banks A signal processing perspective IEEE Circuits and Devices Magazine, 10, 14-18 Arora, S., Bhaskara, A., Ge, R., & Ma, T (2014) Provable bounds for learning some deep representations Proc of the 31st Inter Confer on Machine Learning, in PMLR, 32(1), 584-592 Bonnett, A.H., & Soukup, G.C (1992) Cause and analysis of stator and rotor failures in three-phase squirrel-cage induction motors IEEE Transactions on Industry Applications, 28(4), 921-937 DOI: 10.1109/28.148460 Daubechies, I (1992) Ten Lectures on Wavelets CBMS-NSF Regional Conference Series in Applied Mathematics, Philadelphia, SIAM, 1st Ed ISBN: 978-0-89871-274-2 Chen, Y.-W (2021) Audio Normalization MATLAB Central File Exchange (retrieved 10/8/2021) Ciszewski, T., Gelman, L., & Swedrowski, L (2016) Current-based higher-order spectral covariance as a bearing diagnostic feature for induction motors Insight - Non-Destructive Testing and Condition Monitoring, 58(8), 431-434 Glowacz, A., & Glowacz, Z (2017) Diagnosis of the three-phase induction motor using thermal imaging Infrared Physics & Technology, 81, 716, https://doi.org/10.1016/j.infrared.2016.12.003 Glowacz, A., Glowacz, W., Glowacz, Z., Kozik, J., Gutten, M., Korenciak, D., Khan, Z.F., Irfan, M., & Carletti, E (2017) Fault diagnosis of three phase induction motor using current signal, MSAF-Ratio15 and selected classifiers Arch Metall Mater, 62(4), 2413–2419 Glowacz, A., Glowacz, W., Glowacz, Z., & Kozik, J (2018) Early fault diagnosis of bearing and stator faults of the single-phase induction motor using acoustic signals Measurement, 113, 1-9 http://dx.doi.org/10.1016/j.measurement.2017.0 8.036 Guo, P., Infield, D., & Yang, X (2012) Wind turbine generator condition monitoring using temperature trend analysis IEEE Trans Sustain Energy, 3(1),124–133 Haar, A (2010) Zur Theorie der orthogonalen Funktionensysteme Mathematische Annalen, 69(3), 331–371 DOI:10.1007/BF01456326 Henao, H., Capolino, G.A., Fernandez-Cabanas, M., Filippetti, F., Bruzzese, C , Strangas, E., Pusca, R., Estima, I., Riera-Guasp, M., & Hedayati-Kia, S (2014) Trends in Fault Diagnosis for Electrical Machines A Review of Diagnostic Techniques IEEE Industrial Electronics Magazine, 8(2), 31-42 DOI:10.1109/MIE.2013.2287651 39 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 1A (2022): 27-40 Convolutions IEEE Confer on Computer Vision and Pattern Recognition – CVPR 2015 (pp 1-9) DOI: 10.1109/CVPR.2015.7298594 Wen, L., Gao, L., & Li, X (2017) A New Deep Transfer Learning Based on Sparse AutoEncoder for Fault Diagnosis IEEE Transactions on Systems, Man, and Cybernetics: Systems, 49(1), 136-144 DOI:10.1109/TSMC.2017.2754287 Xia, M., Li, T., Xu, L., Liu, L., & de Silva, C.W (2018) Fault Diagnosis for Rotating Machinery Using Multiple Sensors and Convolutional Neural Networks IEEE/ASME Transactions on Mechatronics, 23(1), 101-110 DOI:10.1109/TMECH.2017.2728371 Yang, T., Pen, H., Wang, Z., & Chang, C.S (2016) Feature Knowledge Based Fault Detection of Induction Motors Through the Analysis of Stator Current Data IEEE Transactions on Instrumentation and Measurement, 65(3), 549558 DOI: 10.1109/TIM.2015.2498978 Zhou, B., Khosla, A., Lapedriza, A., Torralba, A., & Oliva, A (2014) Places: An image database for deep scene understanding Journal of Vision, 17(10), 296, 1-12 DOI: https://doi.org/10.1167/17.10.296 40 ... thu lúc vận hành kết hợp với mạng học sâu CNN kỹ thuật lọc nhiễu, tạo ảnh phổ chiều phép biến đổi wavelet Mục tiêu nghiên cứu tiến hành khảo sát ảnh hư? ??ng số tham số kỹ thuật học sâu đến trình... âm thu lúc vận hành dùng mạng neuron học sâu kỹ thuật lọc nhiễu, tạo ảnh phổ chiều phép biến đổi wavelet Việc bố trí thí nghiệm để ghi âm tiếng ồn phát lúc động vận hành điện thoại di động thiết... cơng bố khoa học Ứng với toán chẩn đoán lỗi động điện dùng mạng học sâu CNN, tham số trình huấn luyện mạng cần khởi tạo câu hỏi chưa giải đáp thỏa đáng GIỚI THIỆU Động điện nói chung động cảm ứng