Tạp chí Khoa học Cơng nghệ, Số 57, 2022 PHƯƠNG PHÁP CHẨN ĐOÁN HƯ HỎNG Ổ LĂN DỰA TRÊN THUẬT TỐN AEDE-SVM VÀ VMD-SVD AO HÙNG LINH Khoa Cơng nghệ Cơ khí, Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh aohunglinh@iuh.edu.vn DOIs: https://doi.org/10.46242/jstiuh.v57i03.4387 Tóm tắt Bài báo giới thiệu phương pháp để chẩn đoán hư hỏng ổ lăn dựa máy véc tơ hỗ trợ (SVM) với thông số tối ưu thuật tốn tiến hóa vi phân thích ứng (AEDE) Trước tiên, tín hiệu dao động gia tốc ổ lăn phân rã thành hàm thành phần phương pháp phân rã mơ hình biến đổi (VMD) Sau hàm thành phần trích xuất thành ma trận đặc tính nhờ phương pháp phân rã giá trị đơn (SVD) để thu giá trị đơn Thứ ba, ma trận đặc tính dùng làm ma trận đầu vào cho phân loại AEDE-SVM Kết thực nghiệm cho thấy phương pháp đề xuất cho độ xác phân loại cao (100%) thời gian ngắn so với phương pháp khác Từ khóa Phương pháp phân rã mơ hình biến đổi, Chẩn đoán hư hỏng, ổ lăn, phân rã giá trị đơn, Máy véc tơ hỗ trợ GIỚI THIỆU Ổ lăn chi tiết trung gian phân quay phận cố định Hư hỏng ổ lăn dẫn đến hư hỏng nghiêm trọng máy chẩn đốn hư hỏng ổ lăn giữ vai trị quan trọng để bảo đảm hoạt động liên tục hệ thống Chẩn đoán hư hỏng ổ lăn bao gồm giai đoạn: Thu thập liệu, trích xuất đặc tính nhận dạng vật thể giai đoạn sau giữ vai trò then chốt Khi xảy hư hỏng ổ lăn việc trích xuất thơng tin đặc tính lỗi việc khơng dễ dàng tín hiệu dao động ổ lăn tín hiệu khơng dừng Trích xuất đặc tính bao gồm phân rã tín hiệu trích xuất đặc trưng Các phương pháp phân rã tín hiệu bao gồm phân rã mơ hình thực nghiệm (Empirical Mode Decomposition - EMD)[1], phân rã giá trị trung bình (Local Mean Decomposition - LMD)[2] Các phương pháp có điểm chung phân rã tín hiệu dao động thành tổng tín hiệu thành phần phần dư Tuy nhiên phương pháp EMD LMD có khuyết điểm hiệu ứng đoạn cuối (end effect), trộn lẫn mơ hình (mode mixing) Các hiệu ứng làm cho kết phân rã tín hiệu hiệu Nên phương pháp khơng tự thích ứng với tín hiệu đặc biệt tín hiệu dao động ổ lăn Gần tác giả K Dragomiretskiy với cộng đề xuất phương pháp phân rã mơ hình biến đổi (Variational Mode Decomposition -VMD) để phân rã tín hiệu[3] Phương pháp khắc phục khuyết điểm phương pháp EMD, LMD cho hiệu cao Các tín hiệu thành phần trích xuất đặc trưng để tạo thành ma trận đặc tính cách sử dụng phương pháp phân tích tỷ lệ tần số [4], entropy lượng [5], phân rã giá trị đơn (Singular value decomposition-SVD)[6] Giai đoạn trích xuất đặc trưng nhằm làm giảm kích thước đầu vào cho bước nhận dạng vật thể Các phương pháp nhận dạng vật thể bao gồm dùng hàm biệt thức (Variable predictive model class discrimination -VPMCD)[7], mạng nơ ron thần kinh nhân tạo (Artificial Neuron Network-ANN)[8] máy véc tơ hỗ trợ (Support vector machine -SVM)[9] VPMCD có khuyết điểm khó thiết lập thơng số biến mơ hình Phương pháp máy véc tơ hỗ trợ có ưu điểm so với ANN có khả tổng quát cao với số lượng mẫu huấn luyện nhỏ Điều phù hợp xử lý toán kỹ thuật vốn tốn thu thập số lượng mẫu lớn Tuy nhiên thách thức cho người dùng SVM việc lựa chọn thông số mơ hình Thơng thường việc lựa chọn thông số dựa kinh nghiệm thuật tốn tìm kiếm heuristic Các thuật tốn heuristic thường dùng để lựa tìm kiếm thơng số cho SVM thuật toán di truyền (Genetic Algorithm), thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization-PSO), thuật tốn tiến hóa vi phân (Differential Evolution-DE) Gần thuật tốn tiến hóa vi phân thích ứng (Adaptive Elitist Differential Evolution-AEDE) đề xuất cho toán tối ưu [10] Thuật toán tiến hóa vi phân thích ứng cho thấy ưu điểm vượt trội việc giải toán tối ưu so sánh với thuật tốn GA, © 2022 Trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh PHƯƠNG PHÁP CHẨN ĐỐN HƯ HỎNG Ổ LĂN… PSO Vì báo đề xuất dùng thuật tốn tiến hóa vi phân thích ứng làm cơng cụ lựa chọn thông số cho phân loại SVM Trong báo sử dụng phương pháp VMD kết hợp phân rã giá trị riêng (SVD) để trích xuất đặc tính AEDE-SVM để nhận dạng hư hỏng Trước tiên tín hiệu dao động gia tốc ổ lăn phân rã thành tín hiệu phụ phương pháp VMD Sau tín hiệu phụ trích chọn thành ma trận đặc tính phương pháp SVD Các ma trận đặc tính dùng làm ma trận đầu vào cho phân loại SVM Các thơng số SVM tối ưu hóa thuật toán AEDE để tạo phân loại AEDESVM Kết thực nghiệm cho thấy phân loại AEDE-SVM cho kết phân loại cao thời gian ngắn so sánh với phân loại GA-SVM PSO-SVM với liệu đầu vào Bài báo bố cục sau: mục trình thuật tốn tiến hóa vi phân thích ứng, mục trình bày tối ưu hóa thơng số SVM dựa AEDE Mục trình bày ứng dụng AEDE-SVM để chẩn đốn hư hỏng ổ lăn q trình thực nghiệm với kết trình bày mục Mục trình bày Kết luận báo THUẬT TỐN TIẾN HĨA VI PHÂN THÍCH ỨNG (AEDE) Thuật tốn tiến hóa vi phân thích ứng phiên cải tiến thuật tốn tiến hóa vi phân (DE) với hai cải tiến giai đoạn đột biến giai đoạn lựa chọn để nâng cao khả lựa chọn tối ưu hóa cho biến rời rạc Trong tính tốn tiến hóa, DE phương pháp tối ưu hóa cách liên tục cải tiến giải pháp ứng viên liên quan đến chất lượng Trên thực tế, trình lặp lặp lại bao gồm trình khởi tạo, đột biến, lai ghép lựa chọn để tìm giải pháp tìm kiếm tồn cục cho vấn đề tối ưu hóa chung Tuy nhiên, tham số DE ví dụ yếu tố đột biến, tham số điều khiển chéo chiến lược tạo vectơ thử nghiệm có tác động đáng kể đến hiệu suất thuật toán Để khắc phục hạn chế phổ biến thuật tốn tối ưu hóa, chẳng hạn sử dụng lượng lớn tài ngun chi phí tính tốn cao, AEDE đề xuất với hai cải tiến Kỹ thuật kỹ thuật thích nghi dựa khác biệt hàm mục tiêu cá thể tốt toàn quần thể hệ trước - áp dụng giai đoạn đột biến để cải thiện khả tìm kiếm Kỹ thuật thứ hai kỹ thuật tối ưu để chọn cá thể tốt cho hệ áp dụng giai đoạn chọn lọc nhằm nâng cao khả tìm kiếm tăng tỷ lệ hội tụ Sơ đồ đột biến thích nghi AEDE sử dụng hai toán tử đột biến Loại ‘‘ rand / ” nhằm mục đích đảm bảo đa dạng quần thể ngăn cá thể bị mắc kẹt vị trí tối ưu cục Phương pháp thứ hai '' current-to-best / "giúp tăng tốc độ hội tụ quần thể cách dẫn dắt quần thể đến cá thể tốt Mặt khác, chế chọn lọc tìm kiếm lưu trữ cá thể tốt quần thể để làm liệu tham khảo cho việc định hướng hệ tiếp theo, giúp gắn chặt hội tụ Lưu đồ thuật toán AEDE thể Hình Thơng số delta tính độ lệch trung bình cá thể dân số cá thể tốt Khi cá thị hội tụ điểm trung bình giá trị “best” gần Epsilon số thực nhỏ, xem ngưỡng định Khi delta nhỏ epsilon cá thể xem hội tụ điểm, thuật toán dừng TỐI ƯU HĨA THƠNG SỐ SVM DỰA TRÊN AEDE 3.1 Máy véc tơ hỗ trợ Máy véc tơ hỗ trợ giới thiệu lần giới thiệu V N Vapnik trở thành loại máy học phổ biến dựa lý thuyết học thống kê Đây phương pháp học có giám sát với thuật toán học liên quan sử dụng để phân loại phân tích hồi quy Bằng ý tưởng tách miền toán cho trước thành hai nửa khơng gian có dấu nghịch (không gian dương âm) số báo, gọi vectơ hỗ trợ SVM cho thấy ưu điểm vượt trội liệu nhiễu hiệu suất vượt trội [9] Tuy nhiên, việc lựa chọn tham số SVM có ảnh hưởng mạnh đến độ xác kết phân loại khơng nhiệm vụ dễ dàng 30 Tác giả: Ao Hùng Linh Bắt đầu Khởi tạo Đột biến “Rand/1” Đúng Delta > Sai e1 Đột biến “Current to best” Lai ghép Lưa chọn N cá thể tốt Sai Delta > e2 Đúng End Hình Lưu đồ thuật tốn AEDE SVM nhị phân tiêu chuẩn chấp nhận vectơ đầu vào phân loại chúng thành hai lớp khác hàm dấu Bằng cách sử dụng hàm ánh xạ Ф, SVM thực ánh xạ mẫu huấn luyện từ không gian đầu vào thành không gian đặc trưng có chiều cao để tăng khả phân tách lớp Giả sử có tập mẫu huấn luyện G = {(xi, yi); i = 1, 2, , l}, mẫu xi ∈ Rd thuộc lớp y ∈ {+1; 1}; liệu đào tạo không phân tách rõ ràng khơng gian tính đầu vào, hàm mục tiêu viết sau: 𝐶ự𝑐 𝑡𝑖ể𝑢 𝜙(𝜔) = ⟨𝜔|𝜔⟩ + 𝐶 ∑𝑙𝑖=1 𝜉𝑖 𝑠𝑎𝑜 𝑐ℎ𝑜 𝑦𝑖 (⟨𝜔 𝜙(𝑥𝑖 )⟩ + 𝑏) ≥ − 𝜉𝑖 , 𝜉𝑖 ≥ 0, 𝑖 = {1,2, … , 𝑙} (1) (2) với ω véc tơ pháp tuyến siêu mặt, C thông số phạt, b độ lệch, ξi biến bù không âm Ф (x) hàm ánh xạ Bằng cách áp dụng nhân tử Lagrange khơng âm αi ≥ 0, tốn tối ưu hóa viết lại sau: 𝑙 𝑙 𝐶ự𝑐 đạ𝑖 𝐿(𝜔, 𝑏, 𝛼) = ∑ 𝛼𝑖 − ∑ 𝛼𝑖 𝛼𝑗 𝑦𝑖 𝑦𝑗 𝐾(𝑥𝑖 , 𝑥𝑗 ) 𝑖=1 (3) 𝑖,𝑗=1 𝑙 𝑠𝑎𝑜 𝑐ℎ𝑜 ≤ 𝛼𝑖 ≤ 𝐶, ∑ 𝛼𝑖 𝑦𝑖 = (4) 𝑖=1 Hàm định biểu diễn: 𝑓(𝑥) = 𝑠𝑔𝑛[∑𝑙𝑖=1 𝛼𝑖 𝑦𝑖 𝐾(𝑥𝑖 𝑥) + 𝑏] (5) 31 PHƯƠNG PHÁP CHẨN ĐOÁN HƯ HỎNG Ổ LĂN… Trong công thức (5) hàm kernel dùng hàm “radial basis” dùng để chuyển miền tốn ban đầu sang miền Gaussian theo cơng thức sau: 𝐾(𝑥, 𝑥𝑖 ) = 𝑒𝑥𝑝 ( với σ thông số kernel −‖𝑥−𝑥𝑖 ‖2 2𝜎 ) (6) 3.2 TỐI ƯU CÁC THÔNG SỐ SVM DỰA TRÊN AEDE Như đề cập nghiên cứu trước đây, tham số SVM ảnh hưởng mạnh đến hiệu suất phân lớp Việc lựa chọn thông số tối ưu cho SVM chủ yếu dựa kinh nghiệm người dùng Trong báo này, đề xuất dùng AEDE để tối ưu hóa thơng số SVM Thơng số phạt C tham số kernel σ hàm nhân Gaussian coi biến tối ưu hóa lỗi kiểm tra phép đo phù hợp tốn tối ưu hóa Hàm mục tiêu lỗi kiểm tra SVM biểu diễn sau: G(x)=LKTSVM(x) (7) G(x) hàm mục tiêu , LKTSVM lỗi kiểm tra x C, , Trong công thức (7) lỗi kiểm tra SVM định nghĩa: LKTSVM =Số lượng mẫu sai mẫu kiểm tra/Tổng số mẫu tập kiểm tra (8) Nói chung, thuật tốn AEDE tích hợp vào quy trình huấn luyện SVM để có tham số tối ưu nhằm tối đa hóa độ xác phân loại khả tổng quát hóa SVM Ban đầu, cá thể hệ lấy ngẫu nhiên Thuật tốn SVM thường tính toán ma trận trọng số đầu tương ứng cho cá thể Sau đó, AEDE áp dụng để tìm số đo giá trị tốt cho cá thể quần thể Quá trình lặp lại đạt điều kiện dừng Khi q trình tiến hóa kết thúc, thơng số tối ưu SVM sẵn sàng để thực phân loại Quy trình thuật tốn AEDE-SVM trình bày sau (Hình 2) ỨNG DỤNG AEDE ĐỂ CHẨN ĐOÁN HƯ HỎNG Ổ LĂN 4.1 Tổng quan hệ thống Máy véc tơ hỗ trợ kỹ thuật dự đoán cho thấy ưu điểm chúng việc phát hư hỏng máy móc nhằm tránh giảm rủi ro chi phí hư hỏng không mong muốn Trong báo này, AEDE-SVM sử dụng để phát lỗi ổ lăn vốn phận phổ biến ứng dụng cơng nghiệp Các tín hiệu rung động gia tốc ổ lăn thu thập được phân tách thành số hàm thành phần cách sử dụng phương pháp VMD Sau đó, kỹ thuật SVD sử dụng để thực giảm kích thước ma trận vectơ, ma trận sử dụng làm véc tơ đầu vào phân loại AEDE-SVM 4.2 Phương pháp phân rã mơ hình biến đổi (VMD) Phương pháp VMD phương pháp phân rã tín hiệu trực giao thích ứng Đây phương pháp mạnh cho việc lấy mẫu chống nhiễu VMD phân rã tín hiệu thực f thành số hàm thành phần uk [3] Ở đây, dạng uk chủ yếu nên nén xung quanh điểm trung tâm Đề xuất VMD tóm tắt tốn biến đổi có ràng buộc: Cực tiểu {𝑢𝑘 },{𝜔𝑘 } 𝑗 {∑𝑘 ‖𝜕𝑡 [(𝛿(𝑡) + 𝜋𝑡) ∗ 𝑢𝑘 (𝑡)] 𝑒 −𝑗𝜔𝑘 𝑡 ‖ } (9) 𝑠𝑎𝑜 𝑐ℎ𝑜 ∑𝑘 𝑢𝑘 = 𝑓 với uk={u1, u2,…, uk} k={1, 2,…,k} tập hợp hàm thành phần tần số trung tâm chúng 32 Tác giả: Ao Hùng Linh AEDE Các thơng số SVM (C, ) Huấn luyện mơ hình SVM Tính tốn hàm mục tiêu Khơng Kiểm tra điều kiện dừng Thỏa Thu thông số SVM tối ưu (C, ) Hình Lưu đồ thuật tốn AEDE-SVM Phương pháp nhân tử Lagrange phương pháp phạt bậc đưa vào cơng thức (9) để chuyển tốn biến có ràng buộc thành tốn biến khơng ràng buộc Tham số Lagrange L biểu diễn sau: 𝑗 𝐿({𝑢𝑘 }, {𝜔𝑘 }, 𝜆) = 𝛼 ∑𝑘 ‖𝜕𝑡 [(𝛿(𝑡) + 𝜋𝑡) ∗ 𝑢𝑘 (𝑡)] 𝑒 −𝑗𝜔𝑘𝑡 ‖ + ‖𝑓(𝑡) − ∑𝑘 𝑢𝑘 (𝑡)‖2 + 〈𝜆(𝑡), 𝑓(𝑡) − ∑𝑘 𝑢𝑘 (𝑡)〉 (10) Chi tiết phương pháp VMD trình bày tài liệu [3] Số hàm thành phần uk định thời gian phân rã tín hiệu thời gian phân lớp phân loại SVM Trong báo chọn số hàm thành phần Sau phân rã tín hiệu dao động gia tốc ổ lăn thành hàm thành phần, bước hàm thành phần trích xuất thành ma trận đặc tính phương pháp phân rã giá trị đơn 4.3 Phương pháp phân rã giá trị đơn (SVD) Phương pháp SVD phân rã ma trận để tạo giá trị riêng gọi véc tơ riêng Giả sử có ma trận Σ với kích thước M ×N biểu diễn sau: 𝛴 = 𝐸∆𝑉 𝑇 (11) 𝑁×𝑁 𝑇 [𝑒 ] [𝑣 với 𝐸 = , 𝑒2 , 𝑒3 , … , 𝑒𝑛 ∈ 𝑅 , 𝐸 𝐸 = 𝐼, 𝑉 = , 𝑣2 , 𝑣3 , … , 𝑣𝑛 ] ∈ 𝑅 𝑀×𝑀 , 𝑉 𝑇 𝑉 = 𝐼, ∆𝑅 𝑁×𝑀 , ∆= [𝑑𝑖𝑎𝑔{𝜎1 , , 𝜎𝑝 }: 0], 𝑝 = 𝑚𝑖𝑛(𝑁, 𝑀), 𝑣à 𝜎1 ≥ 𝜎2 ≥ ≥ 𝜎𝑝 ≥ Thành phần thứ i véc tơ bên trái phải ma trận Σ véc tơ ei vi Giá trị σi giá trị riêng ma trận Σ Trong báo này, phương pháp VMD dùng để phân rã tín hiệu dao động ổ lăn thành hàm thành phần u Sau hàm thành phần phân rã thành ma trận đặc tính X Y 𝑢1 𝑢2 𝑋=[⋮] , 𝑢𝐽 𝑢𝐽+1 𝑢𝐽+2 𝑌=[ ⋮ ] 𝑢𝑛 (12) với J = n/2 (khi n số chẵn) J=(n+1)/2 (khi n số lẻ) Ở đây, đặc tính tín hiệu dao động ổ lăn x(t) trích xuất từ ma trận đặc tính đặc tính ban đầu X Y Thêm vào véc tơ đặc tính lỗi xem giá trị đơn phản ánh đặc tính tự nhiên Bộ phân loại AEDE-SVM dùng để nhận dạng điều kiện làm việc mẫu ổ lăn lỗi 33 PHƯƠNG PHÁP CHẨN ĐỐN HƯ HỎNG Ổ LĂN… Hình mơ tả lưu đồ phương pháp chẩn đoán hư hỏng ổ lăn dựa VMD-SVD AEDE-SVM Trước tiên tín hiệu dao động gia tốc ổ lăn phân tích thành hàm thuật tốn VMD, sau hàm trích xuất thành ma trận đặc tính dùng cho phân loại SVM phương pháp SVD Kế tiếp ma trận đặc tính tách làm nhóm dùng để huấn luyện kiểm tra Sau huấn luyện thông số tối ưu SVM C σ dùng để kiểm tra mẫu AEDE Tín hiệu dao động gia tốc ổ lăn Các thông số SVM C, Dữ liệu huấn luyện Huấn luyện mơ hình SVM VMD Tính toán hàm mục tiêu Kiểm tra điều kiện dừng ? SVD Không Thỏa Các thông số SVM tối ưu Dữ liệu kiểm tra AEDE-SVM Nhận dạng lỗi hư hỏng ổ lăn Hình Lưu đồ thuật tốn phương pháp chẩn đoán hư hỏng ổ lăn dựa VMD-SVM AEDE-SVM THỰC NGHIỆM VÀ KẾT QUẢ 5.1 Thu thập liệu Dữ liệu báo thu thập từ Trung tâm liệu ổ lăn Đại học Case Western Reserve cho phép Giáo sư K A Loparo cho thấy hiệu suất tốt phương pháp đề xuất Mơ hình thử nghiệm bao gồm động điện công suất HP, chuyển đổi mô men xoắn, lực kế điều khiển điện tử Một chuyển đổi tương tự sang kỹ thuật số sử dụng để lấy mẫu tần số 485063 Hz, tốc độ động cố định 1772 vòng / phút Ổ lăn hiệu SKF loại 6205-2RS JEM tạo hư hỏng phương pháp cắt laser để mẫu ổ lăn hư hỏng (Hình 4) [11] Bốn tình trạng ổ lăn bao gồm hư vịng (IR), hư vịng ngồi (OR), hư bi (Ball) ổ lăn bình thường (Nor) gồm 432 mẫu Trong vòng huấn luyện kiểm tra mẫu chọn để kiểm tra huấn luyện theo tỷ lệ phần ba Hình hiển thị cách bố trí thí nghiệm lấy mẫu liệu dao động ổ lăn 5.2 Thực nghiệm kết Bộ phân loại AEDE-SVM dùng báo loại phân loại nhị phân Với nhóm tình trạng ổ lăn phải sử dụng phân loại Bộ thứ AEDE-SVM1 dùng để tách nhóm ổ lăn hư vịng trong, thứ hai AEDE-SVM2 để tách nhóm ổ lăn hư vịng ngồi, thứ ba AEDE-SVM3 để tách nhóm ổ lăn tình trạng hư bi Phần cịn lại nhóm ổ lăn bình thường Kết tình trạng ổ lăn trình bày chi tiết Bảng Để đánh giá tính hiệu phương pháp đề xuất so sánh phân loại AEDE-SVM với phân loại sử dụng thuật toán PSO thuật tốn GA Để tạo cơng so sánh, thông số phương pháp thiết lập sau: số cá thể 30 số lần chạy chương trình 30 Với thuật tốn 34 Tác giả: Ao Hùng Linh PSO, thơng số lấy 𝑊 = 0.75, 𝑐1 = 𝑐2 = 1.5 Các thông số tối ưu phân loại phương pháp trình bày Bảng Từ Bảng cho thấy kết phân lớp phương pháp đề xuất cho độ xác phân loại tốt (0%) so với phương pháp Đồng thời, thời gian chạy chương trình phương pháp VMD-SVD-AEDE-SVM ngắn so với EMD-SVD-AEDE-SVM, LMD-SVD-AEDESVM, VMD-SVD-PSO-SVM VMD-SVD-GA-SVM Hình Mơ hình thu thập liệu dao động ổ lăn[11] Bảng Kết phân lớp phương pháp VMD-SVD AEDE-SVM Mẫu kiểm tra Giá trị đơn đặc tính lỗi (1) IR (2) IR (3) IR (4) IR (5) IR (6) IR (7) OR (8) OR (9) OR (10) OR (11) OR (12) OR (13) Ball (14) Ball (15) Ball (16) Ball (17) Ball (18) Ball (19) Nor (20) Nor (21) Nor (22) Nor (23) Nor (24) Nor 2.7761 2.9126 2.7924 2.7550 2.7959 2.9235 0.8577 1.7118 2.3271 2.0091 0.6076 0.6413 0.6385 0.6858 0.6520 0.6765 0.9085 0.9458 1.8843 1.7389 1.6609 1.8967 1.8109 1.9469 1.8401 2.0058 1.8047 1.8927 1.9007 2.1059 0.5376 0.6552 0.6228 0.6157 0.5563 0.5886 0.6040 0.6329 0.6074 0.6158 0.6370 0.6073 1.1404 1.1432 1.1661 1.0806 1.2378 1.5415 X, x 4.8933 4.7401 4.5295 4.4961 4.8923 4.7940 5.2051 4.3116 5.7027 6.3539 4.9454 4.6188 3.2876 2.7909 3.0904 2.7749 3.1661 3.2765 0.4915 0.4882 0.5737 0.5005 0.5112 0.5582 4.5838 4.4795 4.3316 4.2803 4.6756 4.2828 3.3693 2.7413 4.1664 2.7257 2.5839 3.0289 1.5652 1.8992 1.8048 1.5726 1.4629 1.8549 0.0544 0.0557 0.4988 0.0610 0.0639 0.5047 Bộ phân loại AEDESVM1 (+1) (+1) (+1) (+1) (+1) (+1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) Bộ phân loại AEDE SVM2 (+1) (+1) (+1) (+1) (+1) (+1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) (-1) Bộ phân loại AEDE SVM3 (+1) (+1) (+1) (+1) (+1) (+1) (-1) (-1) (-1) (-1) (-1) (-1) Kết phân loại tình trạng ổ lăn Hư vòng Hư vòng Hư vòng Hư vòng Hư vịng Hư vịng Hư vịng ngồi Hư vịng ngồi Hư vịng ngồi Hư vịng ngồi Hư vịng ngồi Hư vịng ngồi Hư bi Hư bi Hư bi Hư bi Hư bi Hư bi Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường KẾT LUẬN Trong báo phương pháp chẩn đoán hư hỏng ổ lăn đề xuất Trước tiên tín hiệu dao động gia tốc ổ lăn phân rã thành hàm nhờ phương pháp VMD Bước thứ hai hàm trích xuất thành ma trận trận đặc tính nhờ phương pháp SVD Các ma trận đặc tính sử dụng làm ma trận đầu vào cho phân loại máy véc tơ hỗ trợ Các thông số SVM đề xuất tối ưu hóa phương 35 PHƯƠNG PHÁP CHẨN ĐỐN HƯ HỎNG Ổ LĂN… pháp AEDE Sau huấn luyện cho phân loại AEDE-SVM, thông số máy véc tơ hỗ trợ tối ưu phương pháp AEDE để chọn thông số tối ưu Kết thực nghiệm cho thấy kết hợp phương pháp VMD-SVD AEDE-SVM đạt độ xác phân loại cao với chi phí thời gian thấp so với phương pháp khác Phương pháp có hiệu tốt chẩn đốn hư hỏng ổ lăn chẩn đốn cho chi tiết quay khác có tín hiệu dao động gia tốc Trong nghiên cứu tác giả chẩn đoán hư hỏng cho chi tiết quay khác dựa phương pháp đề xuất Bảng Bảng so sánh kết phân loại hư hỏng ổ lăn phân loại VMD-SVD-AEDE-SVM với phương pháp EMD-SVD-AEDE-SVM, LMD-SVD-AEDE-SVM, VMD-SVD -PSO-SVM VMD-SVD-GA-SVM Phương pháp Số lượng mẫu huấn luyện Số lượng mẫu kiểm tra Thông số tối ưu C Thông số tối ưu Thời gian giá thành (s) Mức độ lỗi phân loại (%) VMD-SVD-AEDE-SVM1 288 144 4679.16 12.33 24.01 LMD-SVD-AEDE-SVM1 288 144 29594.13 9.12 25.04 EMD-SVD-AEDE-SVM1 288 144 28148.74 23.83 26.04 VMD-SVD -PSO-SVM1 288 144 15958.74 19.00 28.12 VMD-SVD -GA-SVM1 288 144 25194.23 10.21 34.35 VMD-SVD-AEDE-SVM2 216 108 10382.39 28.60 20.22 LMD-SVD-AEDE-SVM2 216 108 7843.03 18.19 21.80 0.101 EMD-SVD-AEDE-SVM2 216 108 16186.23 10.09 22.56 0.101 VMD-SVD -PSO-SVM2 216 108 19007.60 18.08 23.56 0.101 VMD-SVD -GA-SVM2 216 108 1569.12 17.12 28.31 0.101 VMD-SVD-AEDE-SVM3 144 72 9117.31 20.37 16.93 LMD-SVD-AEDE-SVM3 144 72 2813.18 30.15 17.08 EMD-SVD-AEDE-SVM3 144 72 15331.62 4.32 17.68 VMD-SVD -PSO-SVM3 144 72 19086.22 17.96 18.15 VMD-SVD -GA-SVM3 144 72 19.53 23.41 8173.41 LỜI CẢM ƠN Tác giả cảm ơn Giáo sư K A Loparo đại học Case Western Reserve cho phép sử dụng liệu Trung tâm liệu ổ lăn để phục vụ cho báo TÀI LIỆU THAM KHẢO [1] N Huang et al., The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis, Proceedings of the Royal Society of London Series A: Mathematical, Physical and Engineering Sciences, vol 454, pp 903-995, 1998 [2] J S Smith, The local mean decomposition and its application to EEG perception data, (in eng), Journal of the Royal Society, Interface, vol 2, no 5, pp 443-454, 2005 [3] K Dragomiretskiy and D Zosso, Variational Mode Decomposition, IEEE Transactions on Signal Processing, vol 62, no 3, pp 531-544, 2014 [4] H Ao, J Cheng, Y Yang, and T K Truong, The support vector machine parameter optimization method based on artificial chemical reaction optimization algorithm and its application to roller bearing fault diagnosis, Journal of vibration and control, vol 2013, no 2013, 2013 [5] H Ao, J Cheng, K Li, and T K Truong, A Roller Bearing Fault Diagnosis Method Based on LCD Energy Entropy and ACROA-SVM, Shock and Vibration, vol 2014, no 2014, pp 1-6, 2014 [6] J Cheng, D Yu, J Tang, and Y Yang, Application of SVM and SVD Technique Based on EMD to the Fault Diagnosis of the Rotating Machinery, Shock and Vibration, vol 16, p 519502, 2009 36 Tác giả: Ao Hùng Linh [7] R Raghuraj and S Lakshminarayanan, VPMCD: variable interaction modeling approach for class discrimination in biological systems, FEBS Lett, vol 581, no 5, pp 826-30, 2007 [8] W S McCulloch and W Pitts, A logical calculus of the ideas immanent in nervous activity, The bulletin of mathematical biophysics, vol 5, no 4, pp 115-133, 1943 [9] V N Vapnik, The Nature of Statistical Learning Theory; Springer: New York 1995 [10] V Ho-Huu, T Nguyen-Thoi, T Vo-Duy, and T Nguyen-Trang, An adaptive elitist differential evolution for optimization of truss structures with discrete design variables, Computers & Structures, vol 165, pp 59-75, 2016 [11] L K A (2003, Nov.) Bearings vibration dataset, Case Western Reserve University Available: https://engineering.case.edu/bearingdatacenter/download-data-file A NEW ROLLER BEARING FAULT DIAGNOSIS METHOD BASED ON AEDE-SVM METHOD AND VMD-SVD AO HUNG LINH Faculty of Mechanical Engineerin, Industrial University of Ho Chi Minh City aohunglinh@iuh.edu.vn Abstract This paper presents a new method for roller bearing fault diagnosis based on support vector machine (SVM) with parameters optimized by Adaptive Elitist Differential Evolution method (AEDE) First, roller bearing acceleration vibration signals are decomposed into function by using Variational Mode Decomposition (VMD) method Second, initial feature matrices are extracted from there functions by singular value decomposition (SVD) techniques to obtain single values Thirdly, these values serve as input vector for AEDE-SVM classifier Experimental results show that the proposed method gives high classification accuracy (100%) and shorter time than other methods Keywords Variational mode decomposition, Fault diagnosis, roller bearing, singular value decomposition, support vector machine Ngày gửi bài:14/12/2021 Ngày chấp nhận đăng:02/03/2022 37 ... mẫu ổ lăn lỗi 33 PHƯƠNG PHÁP CHẨN ĐỐN HƯ HỎNG Ổ LĂN… Hình mơ tả lưu đồ phương pháp chẩn đốn hư hỏng ổ lăn dựa VMD -SVD AEDE -SVM Trước tiên tín hiệu dao động gia tốc ổ lăn phân tích thành hàm thuật. .. ngồi Hư vịng ngồi Hư vịng ngồi Hư bi Hư bi Hư bi Hư bi Hư bi Hư bi Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường KẾT LUẬN Trong báo phương pháp chẩn đoán hư hỏng ổ lăn. .. giả chẩn đoán hư hỏng cho chi tiết quay khác dựa phương pháp đề xuất Bảng Bảng so sánh kết phân loại hư hỏng ổ lăn phân loại VMD -SVD- AEDE -SVM với phương pháp EMD -SVD- AEDE -SVM, LMD -SVD- AEDE -SVM,