Nghiên cứu xây dựng bộ dữ liệu lớn và thử nghiệm phương pháp học sâu để phát hiện và chẩn đoán lỗi vòng bi của động cơ ba pha

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu xây dựng liệu lớn thử nghiệm phương pháp học sâu để phát chẩn đốn lỗi vịng bi động ba pha PHẠM ĐỨC BÌNH Phambinhhy710@gmail.com Ngành Kỹ thuật Điều khiển Tự động hóa Giảng viên hướng dẫn: PGS TS Hồng Sỹ Hồng Viện: Điện Chữ ký GVHD HÀ NỘI, 4/2022 ĐỀ TÀI LUẬN VĂN Nghiên cứu xây dựng liệu lớn thử nghiệm phương pháp học sâu để phát chẩn đốn lỗi vịng bi động Giáo viên hướng dẫn (Ký ghi rõ họ tên) LỜI CẢM ƠN Em xin chân thành cảm ơn thầy cô trường Đại học Bách Khoa Hà Nội, đặc biệt thầy cô viện Điện tận tình hướng dẫn, giúp đỡ tạo điều kiện tốt cho em suốt quãng thời gian em theo học trường, để em hồn thành đề tài Em tỏ lịng biết ơn sâu sắc với PGS.TS Hoàng Sỹ Hồng, người thầy tận tình hướng dẫn khoa học giúp đỡ, bảo em suốt trình nghiên cứu hồn thành luận văn Tơi xin chân thành cảm ơn bạn sinh viên Lab Mandevies trường Đại học Bách Khoa Hà Nội giúp đỡ trình theo học trường, giúp đỡ thực đề tài Xin trân trọng cảm ơn! MỞ ĐẦU Giới thiệu Trong động điện, vòng bi phận quan trọng với chức giảm ma sát, đảm bảo chuyển động quay đỡ tải trọng tác dụng lên chi tiết máy động Ngày nay, với phát triển mạnh mẽ lĩnh vực khí-tự động hóa, nhiều dây truyền máy móc vận hành cách khép kín từ khâu đầu vào tới đầu sản phẩm Khi vòng bi động điện phát sinh hư hỏng làm đình trệ hoạt động dây truyền sản xuất, gây thiệt hại lớn kinh tế Bằng phương pháp phân tích xử lý tín hiệu thu q trình hoạt động động cơ, phát lỗi giai đoạn đầu chúng, trước chúng gây tác động nghiêm trọng đến động Lĩnh vực chẩn đoán đời nhằm nâng cao độ tin cậy đảm bảo hệ thống hoạt động an tồn liên tục Phương pháp chẩn đốn tiếp cận cách xây dựng mơ hình vật lý giám sát hoạt động vòng bi để giúp hiểu mối quan hệ lỗi vịng bi tín hiệu đo được, thu nhận nhiều loại cảm biến phân tích kỹ thuật xử lý tín hiệu Các phương thức cảm biến khám phá bao gồm cảm biến rung động, cảm biến âm thanh, cảm biến dòng điện, cảm biến nhiệt độ kết hợp nhiều cảm biến, phân tích tín hiệu dịng điện chiếm ưu Sự tồn lỗi vịng bi dạng lỗi cụ thể xác định dễ dàng cách thực phân tích phổ tần số tín hiệu giám sát phân tích thành phần chúng tần số lỗi đặc trưng, tính tốn để xác định rõ ràng phụ thuộc vào tốc độ động cơ, dạng hình học ổ trục vị trí cụ thể khuyết tật ổ trục Các phương pháp phát lỗi vòng bi phân loại dựa mơ hình hoạt động vịng bi dựa tín hiệu thu Tuy nhiên, chẩn đốn lỗi vịng bi chủ yếu thực thơng qua kỹ thuật dựa tín hiệu Các kỹ thuật thường bao gồm ba bước chính: (1) Đo tín hiệu sử dụng để chẩn đốn lỗi (các loại tín hiệu cảm biến thu q trình hoạt động); (2) Xử lý tín hiệu để trích xuất tính đặc trưng vịng bi điều kiện bất thường; (3) Sử dụng mô hình trí tuệ nhân tạo để phân loại tín hiệu bình thường tín hiệu bị lỗi Từ sở phân tích trên, tơi xin lựa chọn đề tài “Nghiên cứu xây dựng liệu lớn thử nghiệm phương pháp học sâu để phát chuẩn đốn lỗi vịng bi động ba pha” để nghiên cứu ứng dụng phương pháp vào việc chẩn đốn lỗi vịng bi động Mục tiêu nghiên cứu Đề tài “Nghiên cứu xây dựng liệu lớn thử nghiệm phương pháp học sâu để phát chuẩn đốn lỗi vịng bi động ba pha” hướng đến mục tiêu sau : - Tổng hợp lý thuyết lỗi vòng bi động ba pha không đồng - Thiết kế mơ hình testbench để giám sát hoạt động động ba pha không đồng lựa chọn mẫu vòng bi bị lỗi động - Thu thập liệu vịng bi q trình hoạt đơng, xử lý tín hiệu xây dựng dataset từ liệu thu thập - Sử dụng mơ hình mạng Nơron để chẩn đốn tình trạng vòng bi Đối tượng nghiên cứu Đối tượng nghiên cứu đề tài động điện ba pha khơng đồng ba pha thành phần vòng bi trọng tâm nghiên cứu lý thuyết thực nghiệm Phạm vi nghiên cứu Nội dung nghiên cứu giới hạn phân tích dao động học vịng bi dựa mơ hình học, phép đo thực nghiệm phương pháp phân tích tín hiệu số Tóm tắt nội dung đề tài Trong đề tài “Nghiên cứu xây dựng liệu lớn thử nghiệm phương pháp học sâu để phát chuẩn đốn lỗi vịng bi động ba pha” triển khai với nội dung sau: Nghiên cứu tổng quan thành phần vòng bi động điện ba pha khơng đồng Giới thiệu lỗi vịng bi phương pháp chuẩn đốn vịng bi Sau lựa chọn phương pháp chẩn đốn lỗi vịng bi Nghiên cứu phương pháp xử lý tín hiệu rung động động cơ, đưa phương án phù hợp để xử lý tín hiệu Giới thiệu mạng Nơron nhân tạo mơ hình CNN để xử lý ảnh từ liệu thu được, từ lựa chọn mơ hình mạng Nơron tối ưu để áp dụng vào chẩn đoán lỗi vịng bi động Nghiên cứu, xây dựng mơ hình testbench để giám sát hoạt động động ba pha khơng đồng Tìm hiểu, lựa chọn mẫu lỗi vòng bi động để đưa vào thực nghiệm Tiến hành thực nghiệm thu liệu, xử lý liệu sau thu nhận xây dựng liệu cho lỗi vòng bi động - Từ nội dung trên, luận văn bao gồm chương: Chương : Tổng quan lỗi vòng bi - Chương : Cơ sở lý thuyết liên quan đến xử lý tín hiệu học sâu - Chương : Xây dựng liệu lớn thử nghiệm phương pháp học sâu chẩn đốn lỗi vịng bi - Chương : Kết Phương pháp nghiên cứu Để đạt mục tiêu đề ra, đề tài thực phương pháp nghiên cứu kết hợp lý thuyết, thực nghiệm xử lý tín hiệu số, từ đưa phương pháp chẩn đốn lỗi vịng bi động điện ba pha không đồng Kết luận Sau thời gian thực luận văn, đạt số kết khả quan, nâng cao kiến thức, hiểu biết vòng bi tầm quan trọng vòng bi trình hoạt động động Luận văn hồn thiện phần thiết kế mơ hình testbench, tiến hành thu nhận xử lý tín hiệu Bộ liệu lỗi vịng bi thu q trình hoạt động có độ tin cậy cao, áp dụng vào mơ hình học sâu thu kết tốt Mặc dù nhiều thiếu sót khơng thể tránh khỏi q trình thực luận văn giúp tơi có nhìn thực tế tầm quan trọng việc chẩn đốn lỗi vịng bi động điện Hà Nội, ngày tháng năm 2022 HỌC VIÊN Phạm Đức Bình MỤC LỤC LỜI CẢM ƠN MỞ ĐẦU MỤC LỤC DANH MỤC HÌNH VẼ DANH MỤC BẢNG BIỂU 11 DANH MỤC TỪ VIẾT TẮT 12 CHƯƠNG TỔNG QUAN LỖI VÒNG BI 13 1.1 1.2 1.3 Khái niệm vòng bi 13 1.1.1 Khái niệm 13 1.1.2 Nguyên lý hoạt động 13 1.1.3 Cấu tạo vòng bi 14 1.1.4 Phân loại vòng bi 14 1.1.5 Vai trò vòng bi động ba pha 15 Tổng quan lỗi vòng bi 15 1.2.1 Nguyên nhân xuất lỗi vòng bi 15 1.2.2 Dấu hiệu lỗi vòng bi 16 1.2.3 Tác động lỗi vòng bi lên động điện 16 1.2.4 Phân loại lỗi vòng bi 16 1.2.5 Phương pháp tạo lỗi vòng bi 17 1.2.6 Lựa chọn phương pháp tạo lỗi 19 1.2.7 Lựa chọn động điện 20 1.2.8 Kết tạo lỗi vòng bi thực tế 20 Kết luận chương 22 CHƯƠNG CƠ SỞ LÝ THUYẾT LIÊN QUAN ĐẾN XỬ LÝ TÍN HIỆU VÀ HỌC SÂU 23 2.1 Phân loại số tín hiệu liên quan đến lỗi vòng bi 23 2.2 Các phương pháp xử lý tín hiệu 24 2.3 2.2.1 Phương pháp xử lý tín hiệu miền thời gian 24 2.2.2 Phương pháp xử lý tín hiệu miền tần số 25 2.2.3 Phương pháp xử lý tín hiệu miền thời gian – tần số 27 Tổng quan mạng Nơron 32 2.3.1 Mạng Nơron 32 2.3.2 2.4 Mạng Nơron tích chập (Convolution Neural Network) 35 Kết luận chương 37 CHƯƠNG XÂY DỰNG BỘ DỮ LIỆU LỚN VÀ THỬ NGHIỆM PHƯƠNG PHÁP HỌC SÂU CHẨN ĐỐN LỖI VỊNG BI 38 3.1 Phương pháp chẩn đốn lỗi vịng bi 38 3.2 Các liệu lỗi vòng bi giới 39 3.3 Thiết kế hệ thống thu nhận tín hiệu rung động động 40 3.3.1 Mục tiêu thiết kế mô hình testbench 40 3.3.2 Mơ hình thu nhận tín hiệu rung động 40 3.4 Thiết kế liệu lớn 47 3.5 Áp dụng phương pháp học sâu để chẩn đốn lỗi vịng bi 52 3.6 Kết luận chương 57 CHƯƠNG KẾT QUẢ 58 4.1 Dữ liệu thu thập 58 4.1.1 Đánh giá đặc trưng liệu 58 4.1.2 Đánh giá đặc tính tần số lỗi liệu 60 4.2 Đánh giá mơ hình 63 4.3 Kết luận chương 65 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 66 Kết luận 66 Hướng phát triển đồ án tương lai 66 TÀI LIỆU THAM KHẢO 67 DANH MỤC HÌNH VẼ Hình 1-1: Vòng bi động điện 13 Hình 1-2: Hình ảnh cấu tạo vòng bi 14 Hình 1-3: Hình ảnh vị trí lỗi vịng bi a) Lỗi vịng ngồi b) Lỗi vịng c) Lỗi lăn 16 Hình 1-4: Thiết bị lão hóa tăng tốc tuổi thọ vịng bi 18 Hình 1-5: Ví dụ lỗi tạo thử nghiệm gia tốc tuổi thọ vịng bi.18 Hình 1-6: Hình ảnh máy cắt dây EDM 19 Hình 1-7: Hình ảnh động điện ba pha 20 Hình 1-8: Kích thước vịng bi 21 Hình 1-9: Lỗi vịng bi chế tạo: Lỗi vòng 22 Hình 1-10:Lỗi vịng bi chế tạo: Lỗi vịng 22 Hình 2-1: Hình ảnh tín hiệu miền tần số miền thời gian 25 Hình 2-2: Hình ảnh mô tả phép biến đổi Fourier thời gian ngắn 27 Hình 2-3: Hình ảnh mơ tả phép biến đổi Wavelet 28 Hình 2-4: Hình ảnh lưu đồ thuật tốn EMD 31 Hình 2-5: Hình ảnh cấu trúc mạng Nơron sinh học 32 Hình 2-6: Hình ảnh kiến trúc mạng Nơron 33 Hình 2-7: Hình ảnh cấu tạo Nơron nhân tạo 34 Hình 2-8: Hình ảnh cấu trúc mạng Nơron tích chập 35 Hình 2-9: Hình ảnh minh họa tham số lọc 36 Hình 2-10: Hình ảnh chế hoạt động tầng pooling 37 Hình 3-1: Bộ thu liệu CWRU 39 Hình 3-2: Hình ảnh mơ hình Testbench 41 Hình 3-3: Hình ảnh cảm biến mômen quay DR2269-50 Nm 42 Hình 3-4: Hình ảnh cảm biến rung động PCB 352C33 42 Hình 3-5: Hình ảnh cảm biến tộc độ RE O444 L1 MF 0,02A 43 Hình 3-6: Hình ảnh phanh bột từ FP 10/15 D2 43 Hình 3-7: Hình ảnh mơđun đo MODMECA3 44 Hình 3-8: Hình ảnh thu liệu NI 9234 45 Hình 3-9: Hình ảnh phần mềm Labview 46 Hình 3-10: Tín hiệu rung động thu 47 Hình 3-11: Ảnh phổ lỗi vòng a) Tải 0W b) Tải 250W c) Tải 500W 50 Hình 3-12:Ảnh phổ bình thường a) Tải 0W b) Tải 250W c) Tải 500W 51 Hình 3-13:Ảnh phổ lỗi vịng ngồi a) Tải 0W b) Tải 250W c) Tải 500W 51 Hình 3-14: Hình ảnh phép tích chập thơng thường 52 Hình 3-15: Hình ảnh minh họa phép tính Spatial Separable Convolutions 53 Hình 3-16: Hình ảnh tích chập chiều sâu Depthwise convolution 54 Hình 3-17: Hình ảnh phép tích chập điểm 54 Hình 3-18: Hình ảnh kiến trúc mơ hình Lenet-5 55 Hình 4-1: Biểu đồ Histogram a) Bình thường b) Lỗi vịng ngồi c) Lỗi vịng 60 Hình 4-2: Hình ảnh đặc tính tín hiệu miền tần số 60 Hình 4-3: Thơng số vịng bi 61 Hình 4-4: Đặc tính tần số tín hiệu trạng thái bình thường 62 Hình 4-5: Đặc tính tần số tín hiệu trạng thái lỗi vịng ngồi 62 Hình 4-6: Đặc tính tần số tín hiệu trạng thái lỗi vịng 62 Hình 4-7: Hình ảnh Đồ thị hàm mát mơ hình Lenet-5 mơ hình đề xuất 63 Hình 4-8: Hình ảnh đồ thị độ xác mơ hình Lenet-5 mơ hình đề xuất 64 Hình 4-9: Hình ảnh đồ thị thời gian huấn luyện mô hình Lenet-5 mơ hình đề xuất 64 10 Hình 3-16: Hình ảnh tích chập chiều sâu Depthwise convolution Mỗi kênh áp dụng lọc khác hồn tồn khơng chia sẻ tham số Điều có ba tác dụng cho mơ hình: - Nhận diện đặc trưng: Quá trình học nhận diện đặc trưng tách biệt theo lọc Nếu đặc trưng channels khác xa sử dụng lọc riêng cho channel chuyên biệt việc phát đặc trưng Chẳng hạn đầu vào ba kênh RGB kênh áp dụng lọc khác chun biệt - Giảm thiểu khối lượng tính tốn: Để tạo điểm pixel output tích chập thơng thường cần sử dụng k×k×c phép tính tích chập chiều sâu tách biệt cần k×k phép tính - Giảm thiểu số lượng tham số: tích chập chiều sâu cần sử dụng c×k×k tham số.Số lượng gấp c′ lần so với tích chập chiều sâu thơng thường Kết sau tích chập thu khối tensor3D có kích thước h′×w′×c Tích chập điểm (Pointwise Convolution): Có tác dụng thay đổi độ sâu output bước từ c sang c′ Chúng ta áp dụng c′ lọc kích thước 1×1×c Như kích thước width height khơng thay đổi mà độ sâu thay đổi Hình 3-17: Hình ảnh phép tích chập điểm 54 Kết sau thu output có kích thước h′×w′×c′ Số lượng tham số cần áp dụng trường hợp c′×c Để tạo output shape có kích thước h′×w′×c′ tích chập thơng thường cần thực hiện: (h′×w′×c′) ×(k×k×c) Trong h′×w′×c′ số lượng pixels cần tính k×k×c số phép nhân để tạo pixel - Tích chập tách biệt chiều sâu phải thực trên: Tích chập chiều sâu: (h′×w′×c)×(k×k) phép nhân Tích chập điểm: (h′×w′×c)× c′ phép nhân Tỷ lệ phép tính tích chập chiều sâu tích chập thơng thường : (25) Đây tỷ lệ lớn cho thấy tích chập chiều sâu tách biệt có chi phí tính tốn thấp nhiều so với tích chập thơng thường Do việc sử dụng phép tính Depthwise Separable Convolution giúp cho thuật toán giảm số lượng tài nguyên cần sử dụng tối ưu hóa thời gian hoạt động thuật tốn B Mơ hình Lenet-5 Đây mơ hình phát triển Yann LeCunn (Director of AI Research Facebook) với Léon Bottou, Yoshua Bengio (đồng tác giả với Ian Goodfellow “Deep Learning”) Patrick Haffner [16] Các mơ hình LeNet phát triển dựa liệu MNIST Tập liệu bao gồm chữ số viết tay 0-9; sáu mươi nghìn hình ảnh sử dụng để đào tạo / xác nhận mơ hình sau nghìn hình ảnh sử dụng để kiểm tra mơ hình Các hình ảnh tập liệu có kích thước 28 × 28 pixel Hình 3-18: Hình ảnh kiến trúc mơ hình Lenet-5 Cấu trúc mơ hình đề xuất LeNet-5 có lớp, khơng bao gồm lớp đầu vào Như mơ tả phần liệu, hình ảnh sử dụng mơ hình hình ảnh viết tay MNIST Cấu trúc đề xuất nhìn thấy hình giấy Chi tiết lớp sau: 55 - - - - Lớp C1: lớp Conv có đồ đặc trưng với bước Sử dụng công thức cho phụ lục, người ta tính tốn kích thước đầu lớp 28 × 28 với 156 tham số tra (tham khảo phụ lục để biết thêm chi tiết) Chức kích hoạt lớp (tham khảo phụ lục để biết thêm chi tiết) Lớp S2: lớp gộp trung bình Lớp ánh xạ giá trị trung bình từ lớp Chuyển đổi trước sang lớp Chuyển đổi Lớp Pooling sử dụng để giảm phụ thuộc mơ hình vào vị trí đối tượng hình dạng đối tượng Lớp gộp mơ hình LeNet có kích thước bước tiến Lớp C3: tập thứ hai lớp phức hợp với 16 đồ đặc trưng Kích thước đầu lớp 10 với 2.416 tham số Chức kích hoạt lớp Lớp S4: lớp tổng hợp trung bình khác có kích thước kích thước sải chân Lớp chịu trách nhiệm làm phẳng đầu lớp trước thành mảng chiều Kích thước đầu lớp 400 (5 × × 16) Lớp C5: khối dày đặc (lớp kết nối đầy đủ) với 120 kết nối 48.120 tham số (400 × 120) Chức kích hoạt lớp Lớp F6: khối dày đặc khác với 84 tham số 10.164 tham số (84 × 120 + 84) Chức kích hoạt lớp Lớp đầu có 10 kích thước (bằng số lớp sở liệu) với 850 tham số (10 × 84 + 10) Chức kích hoạt lớp đầu sigmoid (tham khảo phụ lục để biết thêm chi tiết) Lenet mơ hình xây dựng phát triển sớm mạng Nơron tích chập Mơ hình Lenet có kiên trúc đơn giản dễ hiểu nên sử dụng phổ biến việc xây dựng phát triển mạng Nơron mới, đại sau Sau tìm hiểu mạng Nơron tích chập mơ hình thuật tốn bản, Tác giả đưa mơ hình thuật toán đề xuất để phục vụ cho toán phân tích lỗi vịng bi động Mơ hình mạng Nơron đề xuất xây dựng dự cấu trúc mơ hình Lenet-5 gồm lớp, ta thay lớp tích chập thơng thường lớp tích chập chiều sâu tách biệt để giảm thiểu số lượng tham số mô hình từ giảm thiểu thời gian tính tốn tối ưu hóa độ xác mơ hình 56 Mơ hình đề xuất: Bảng 3-3: Kiến trúc mơ hình đề xuất Tầng Kích thước lọc Bước trượt Hàm kích hoạt Tham số Conv Dw1 5×5×6 - 156 Conv Pw1 1×1×6 Tanh 42 Max Pooling1 2×2×6 - - Conv Dw2 5×5×16 Conv Pw2 1×1×16 Tanh 208 Max Pooling2 2×2×16 - - Conv Dw3 5×5×120 Conv Pw3 1×1×120 Tanh 4168 Fully Connected - - Tanh 10164 Fully Connected - - Softmax 340 312 624 Số lượng tham số thuật toán 16014 (tham số) Tỉ lệ tham số mơ hình đề xuất mơ hình Lenet-5 Từ ta thấy rõ sử dụng phép tích chập Depthwise Separable làm giảm đáng kể lượng tham số so với việc sử dụng phép tích chập thơng thường 3.6 Kết luận chương Phần đầu chương phân tích lựa chọn hiệu rung động để phát chẩn đốn lỗi vịng bi động điện Sau ta xử lý tín hiệu miền thời gian-tần số để chuyển tín hiệu dạng ảnh phục vụ cho mơ hình học sâu để chẩn đốn phát lỗi vòng bi Phần giới thiệu tập liệu lớn lỗi vòng bi thu thập giới Tiến hành thiết kế mô hình thu nhận tín hiệu rụng động động xây dựng liệu lỗi vòng bi từ q trình thu tín hiệu rung động Phần cuối chương đề xuất mơ hình học sâu để phát chẩn đốn lỗi vịng bi 57 CHƯƠNG KẾT QUẢ 4.1 Dữ liệu thu thập 4.1.1 Đánh giá đặc trưng liệu Bộ liệu thu dạng số Ta đánh giá đặc trưng tập liệu độ tập trung, độ phân tán phân bố liệu Bảng 4-1: Các đặc trưng liệu Lỗi vịng Bình thường Lỗi vịng ngồi Giá trị trung bình 0,0011 -0,0031 0,0018 Trung vị 0,0038 0,0004 0,0016 Giá trị lớn 2,2866 0,6469 1,8886 Giá trị nhỏ -2,7982 -0,7895 -2,2787 Khoảng biến thiên 5,0648 1,4364 4,1673 Độ lệch chuẩn 0,389 0,164 0,286 Phương sai 0,151 0,027 0,082 Độ lệch -0,268 -0,96 -0,378 Độ nhọn 4,107 0,057 6,415 A, Độ tập trung liệu Độ tập trung liệu đánh giá qua thơng số giá trị trung bình trung vị - Giá trị trung bình(Mean): Bình quân toán học tập liệu - Trung vị(Median): Giá trị nằm khoảng giá trị biến thiên liệu Từ thông số xác định bảng 4-1, ta thấy trung bình trung vị tệp liệu có giá trị xấp xỉ gần Qua đó, ta thấy tập liệu có giá trị phân bố tập trung đối xứng xung quanh giá trị trung tâm Bên cạnh tập liệu khơng có giá trị chênh lệch với giá trị lại cách bất thường B, Độ phân tán liệu Độ phân tán liệu đánh giá qua thông số giá trị lớn nhất, giá trị nhỏ nhất, khoảng biến thiên, phương sai độ lệch chuẩn - Giá trị lớn nhất(Max): Giá trị lớn tập liệu - Giá trị nhỏ nhất(Min): Giá trị nhỏ tập liệu - Khoảng biến thiên(Range): Giá trị thể độ trải dài tập liệu từ giá trị nhỏ đến giá trị lớn Range =Max – Min (26) - Độ lệch chuẩn(Standard deviation): Giá trị thể độ phân tán giá trị tập liệu so với giá trị trung bình chúng Nó cho biết trung bình giá trị nằm bao xa so với giá trị trung bình(2.2.1a) 58 Phương sai(Variance):Giá trị thể độ biến thiên giá trị xung quanh so với giá trị trung bình tập liệu Nó cho biết mức độ chênh lệch tập liệu(2.2.1b) Từ thông số xác định bảng 4.1, giá trị lớn nhỏ liệu trường hợp bình thường có giá trị có giá trị nhỏ nhiều so với trường hợp lỗi vòng lỗi vòng ngồi Từ thấy trạng thái bình thường, độ rung động có giá trị nhỏ, xuất lỗi động xuất thành phần lỗi với biên độ cao bình thường - Độ biến thiên phương sai trường hợp bình thường nhỏ nhiều so với trường hợp lỗi Từ cho ta thấy độ phân tán liệu trường hợp bình thường nhỏ trường hợp lỗi vịng bi C Hình dáng phân phối liệu Hình dáng phân phối liệu đánh giá qua thông số độ lệch, độ nhọn biểu đồ Histogram - Độ lệch(Skewness): Giá trị đo mức độ đối xứng, bất đối xứng phân phối (27) Trong đó: • : Giá trị trung bình • s: độ lệch chuẩn • N: số điểm liệu - Độ nhọn(Kurtosis): Giá trị thống kê mô tả đo mức độ tập trung quan sát phần đuôi đỉnh phân phối Đỉnh phần cao phân phối đuôi phần cuối phân phối Các tập liệu có hệ số kurtosis cao có xu hướng liệu tập trung phần đuôi phần liệu ngoại lệ, tập liệu có hệ số kurtosis thấp có xu hướng liệu tập trung quanh vị trí trung tâm khơng có liệu ngoại lệ (28) Trong đó: • : Giá trị trung bình • s: độ lệch chuẩn • N: số điểm liệu - Biểu đồ Histogram: dạng biểu đồ cột sử dụng để mô tả trực quan phân bố tần suất tập liệu 59 Hình 4-1: Biểu đồ Histogram a) Bình thường b) Lỗi vịng ngồi c) Lỗi vòng Biểu đồ histogram cho ta thấy phân bố tần suất tập liệu có phân phối gần tương đương với phân phối chuẩn Giá trị knewness bảng 4-1 có giá trị âm cho ta thấy hình dạng phân phối có độ lệch âm(lệch trái), giá trị cực nhỏ giá trị trung bình xa giá trị cực lớn giá trị cực trung bình Tuy nhiên giá trị tuyệt đối độ lệch < 0,5 nên phân phối có độ lệch khơng đáng kể so với phân phối chuẩn Giá trị Kurtosis bảng 4-1 trường hợp bình thường có giá trị nhỏ xấp xỉ 0, hình dạng phân phối có dạng hình chng liệu nằm đường bao phân phối chuẩn Trong đó, giá trị Kurtosis trường hợp lỗi lớn ( >3) , phân phối có đỉnh cao to so với phân phối chuẩn Từ đó, cho ta thấy trường hợp lỗi có tần số xuất liệu đuôi phân phối lớn bình thường, liệu lỗi vịng bi qua giúp ta định trạng thái vịng bi 4.1.2 Đánh giá đặc tính tần số lỗi liệu Sau thu thập liệu, ta đánh giá độ tin tín hiệu Dữ liệu biến đổi miền tần số để đánh giá đặc tính tần tín hiệu: Hình 4-2: Hình ảnh đặc tính tín hiệu miền tần số 60 Tín hiệu sau biến đổi miền tần số thu kết hình 4.1 Ta nhận thấy tần số có biên độ cao nằm khoảng 3500 đến 4000 Hz Đây vùng cộng hưởng[17] tín hiệu, nơi tín hiệu dao động vòng bi cộng hưởng với thành phần khác động Sau lọc bỏ tần số bậc cao, ta thu tín hiệu dao động vòng bi miền tần số từ đến 1000 Hz Khi động hoạt động, vịng bi xảy lỗi tạo tần số lỗi dao động tương ứng với vị trí xuất lỗi Ta sử dụng cơng thức tính tần số lỗi vòng bi cho trường hợp lỗi vịng lỗi vịng ngồi Hình 4-3: Thơng số vịng bi Cơng thức tần số lỗi vịng bi: (29) Trong đó: : tần số lỗi vịng ngồi : tần số lỗi vòng : Số bi : Tần số quay động : Khoảng cách tâm viên bi đối xứng : Đường kính viên bi : Góc tiếp xúc vịng bi Sau áp dụng công thức ta thu kết F=76,5 Hz, F= 121,8 Hz Ta biến đổi tín hiệu số thu trường hợp vịng bi bình thường, lỗi vịng trong, lỗi vịng ngồi sang miền tần số để đánh giá đặc tính tần sốcủa tín hiệu 61 Hình 4-4: Đặc tính tần số tín hiệu trạng thái bình thường Đối với trường hợp vịng bi bình thường, sau chuyển đổi sang miền tần số tiến hành lọc tần số bậc cao, tín hiệu thu có tần số dao động vịng bi (f= 25 Hz) thành phần sóng hài tín hiệu Các tần số nhiễu loại bỏ phổ tần số tín hiệu tín hiệu rung động Hình 4-5: Đặc tính tần số tín hiệu trạng thái lỗi vịng ngồi Đối với trường hợp vịng bi bị lỗi vịng ngồi, bên cạnh tín hiệu dao động với tần số đặc trường f= 25 Hz, ta thấy xuất thêm tần số lỗi vịng ngồi vịng bi f= 76,5 Hz thành phần sóng hài tần số lỗi Các tần số lỗi có biên độ lớn so với tần số khác phổ tần số tín hiệu Như vậy, xảy lỗi vịng ngồi, ta thu nhận tín hiệu có xuất tần số lỗi theo công thức tính tốn Hình 4-6: Đặc tính tần số tín hiệu trạng thái lỗi vịng 62 Đối với trường hợp vòng bi bị lỗi vòng trong, bên cạnh tín hiệu dao động với tần số đặc trường f= 25 Hz, ta thấy xuất thêm tần số lỗi vịng ngồi vịng bi f= 121,8 Hz thành phần sóng hài tần số lỗi.Các tần số lỗi có biên độ lớn so với tần số khác phổ tần số tín hiệu Như , xảy lỗi vịng trong, ta thu nhận tín hiệu có xuất tần số lỗi theo cơng thức tính tốn Như vậy, sau q trình kiểm tra số liệu thu thập từ động trình hoạt động, ta nhận liệu mang đầy đủ đặc tính tần số trường hợp lỗi Từ đó, ta xác nhận liệu thu nhận đáng tin cậy đưa vào mơ hình phân tích lỗi vịng bi 4.2 Đánh giá mơ hình Khi xây dựng mơ hình Machine Learning, cần phép đánh giá để xem mơ hình sử dụng có hiệu khơng để so sánh khả mơ hình Có nhiều cách để đánh giá mơ hình, tùy thuộc vào yêu cầu cụ thể toán mà sử dụng phương pháp đánh giá khác Tuy nhiên, phương pháp thường sử dụng là: accuracy score, confusion matrix, ROC curve, Area Under the Curve, Precision and Recall, F1 score, Top R error,etc Cách đơn giản hay sử dụng accuracy score (độ xác) Cách đánh giá đơn giản tính tỉ lệ số điểm dự đốn tổng số điểm tệp liệu dùng để kiểm thử Cách đơn giản đánh giá tổng quan độ xác mơ hình mà khơng thể biết chi tiết điểm liệu bị dự đốn sai Bên cạnh ta sử dụng Loss function (hàm mát) để đánh giá đương đồng kết dự đốn mơ hình kết thực tế Cách tính hàm mát dựa chênh lệch giữ giá trị thực tế giá trị dự đốn Hàm mát có giá trị nhỏ tính xác mơ hình cao Hình 4-7: Hình ảnh Đồ thị hàm mát mơ hình Lenet-5 mơ hình đề xuất 63 Hình 4-8: Hình ảnh đồ thị độ xác mơ hình Lenet-5 mơ hình đề xuất Kết từ hai hình ảnh cho thấy mơ hình đạt độ xác cao ( xấp xỉ 98%) so với mơ hình Lenet-5 đạt khoảng 96% sau 20 lần thực huấn luyện Cùng với hàm mát mơ hình đề xuất có giá trị giảm dần ( khoảng 0,01) sau lần huấn luyện qua ta thấy kết mơ hình gần tương đương với kết thực tế cần dự đốn Hình 4-9: Hình ảnh đồ thị thời gian huấn luyện mơ hình Lenet-5 mơ hình đề xuất Thời gian dùng để huấn luyện lần huấn luyện mơ hình đề xuất mơ hình Lenet-5 161 ms 202 ms Điều chứng tỏ thời gian 64 dùng để xử lý mô hình đề xuất khoảng 20% so với mơ hình Lenet5.Do đó, ta sử dụng mơ hình đề xuất để rút ngắn thời gian huấn luyện liệu 4.3 Kết luận chương Phần đầu chương phân tích, đánh giá tính đặc trưng độ tin cậy tập liệu thu được, qua xác định tập liệu có chứa đặc tính thành phần lỗi vịng bi sử dụng để phát lỗi vòng bi động Phần sau đánh giá độ hiệu mơ hình đề xuất với mơ hình học sâu thơng thường Qua q trình đánh giá kết mơ hình đề xuất, ta nhận thấy mơ hình đề xuất đáp ứng mục tiêu ban đầu đặt mơ hình có tính xác cao thời gian huấn luyện giảm bớt so với mô hình thơng thường 65 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Vòng bi thành phần quan trọng động nên việc giám sát tình trạng vịng bi đóng vai trị quan trọng Đồ án tiếp cận kế quy trình chẩn đốn lỗi ổ trục dựa mơ hình mạng CNN Hiệu mang lại theo phương pháp đề xuất giảm thiểu tài nguyên thời gian hoạt động Ngoài ra, lựa chọn IMF dựa EMD CNN phù hợp để đơn giản hóa tín hiệu trích xuất thành phần hữu ích mơi trường nhiễu thấp, góp phần làm giảm kích thước hình ảnh đầu vào mơ hình CNN Bộ liệu thu có độ tin cậy cao, có đa dạng trường hợp lỗi vòng bi phân loại loại lỗi xảy vịng bi Kết thí nghiệm sử dụng phương pháp đề xuất cao so với tài nguyên hệ thống tiêu thụ so với phương pháp dựa LeNet5 Trong đồ án này, ngồi việc đảm bảo độ xác phân loại, đồ án cịn phát triển mơ hình nhỏ gọn, có khả sử dụng máy tính nhúng (hướng đến việc chế tạo thiết bị cầm tay) Hướng phát triển đồ án tương lai Hiện tại, đồ án hướng đến trường hợp lỗi đơn vòng bi động cơ, nhiên tực tế nhiều xảy lỗi vịng bi Vì việc mở rộng nghiên cứu, phân tích trường hợp lỗi kép vịng bi q trình hoạt động điều cần thiết Trong động điện, bên cạnh lỗi vòng bi hay gặp phải, phân khác vòng bi có khả xảy lỗi ảnh hưởng đến trình hoạt động động Do tương lại, ta có kết mở rộng nghiên cứu lỗi thành phần khác động kết hợp thêm việc phân tích tín hiệu dao động khác để tăng hiểu cho mô hình chẩn đốn 66 TÀI LIỆU THAM KHẢO [1] en.wikipedia.org/wiki/Bearing_(mechanical) [2] O Imoru, A A Jimoh, Y Hamam “Origin and Manifestation of Electrical MachineFaults–A review” ICPERE 2014 [3] Christian Lessmeier ,James Kuria Kimotho, Detmar Zimmer, Walter Sextro “Condition Monitoring of Bearing Damage in Electromechanical Drive Systems by Using Motor Current Signals of Electric Motors: A Benchmark Data Set for Data-Driven Classification” [4] Ahmed Nabhan, Nouby M Ghazaly, Abdelhalim Samy, Mousa M.O “Bearing Fault Detection Techniques - A Review” [5] J Niyompongwirat, N Wararatkul, T Suesut “Temperature Monitoring System for Unbalance Phase Analysis of Induction Motor” [6] Pankaj Gupta, M K Pradhan “Fault detection analysis in rolling element bearing: A review”, 5th International Conference of Materials Processing and Characterization (ICMPC 2016) [7] Elham Pazouki, Seungdeog Choi “Fault Diagnosis and Condition Monitoring of Bearing Using Multisensory Approach Based Fuzzy-Logic Clustering” [8] J Seshadrinath, B Singh, and B K Panigrahi, “Investigation of vibration signatures for multiple fault diagnosis in variable frequency drives using complex wavelets” IEEE Transactions on Power Electronics,vol.29,no.2,pp.936945,2014 [9] N.E Huang, Z Shen, S.R Long, M.C.Wu, H.H Shih, Q.Zheng, N.C Yen,C.C Tung, H.H Liu, “The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis,” Proc R Soc Lond Ser A 454 (3) (1998) 903–995 [10] M.Feldman “Hilbert Transforms” [11] https://en.wikipedia.org/wiki/Neural_network [12] Dhiraj Neupane, Jongwon Seok “Bearing Fault Detection and Diagnosis Using Case Western Reserve University Dataset With Deep Learning Approaches: A Review” [13] Laohu Yuan, Dongshan Lian, Xue Kang, Yuanqiang Chen “Rolling Bearing Fault Diagnosis Based on Convolutional Neural Network and Support Vector Machine” [14] https://www.ni.com/pdf/manuals/NI 9234.pdf [15] https://www.geeksforgeeks.org/depth-wise-separable-convolutional- neuralnetworks/ [16] https:// en.wikipedia.org/wiki/LeNet [17] Sunil Tyagi, Sashi Kanta Panigrahi “An improved envelope detection method using Particle Swarm Optimisation for rolling element bearing fault diagnosis” 67 [18] E T Esfahani, S Wang and V Sundararajan, “Multisensor wireless system for eccentricity and bearing fault detection in induction motors,” IEEE/ASME Trans Mechatronics, vol 19, no 3, pp 818- 826, June 2014 [19] J Seshadrinath, B Singh, and B K Panigrahi, “Investigation of vibration signatures for multiple fault diagnosis in variable frequency drives using complex wavelets,”IEEE Transactions on Power Electronics,vol.29,no.2,pp.936945,2014 [20] T Harris, Rolling Bearing Analysis, 3rd ed Hoboken, NJ, USA: Wiley, 1991 68