Tự động phân loại hư hỏng các phần tử của hộp số tua bin gió trong điều kiện vận hành ở việt nam

ĐẠI HỌC BÁCH KHOA HÀ NỘI TRƯỜNG CƠ KHÍ LUẬN VĂN THẠC SĨ Tự động phân loại hư hỏng phần tử hộp số tua bin gió điều kiện vận hành Việt Nam Học viên : Nguyễn Hữu Cương MSHV : 20212653M Mã đề tài : 2021BCĐT-KH01 Email : cuong.nh212653m@sis.hust.edu.vn Ngành : Kỹ thuật Cơ điện tử Chuyên ngành : Cơ điện tử Giảng viên hướng dẫn: TS GVC Nguyễn Trọng Du _ Nhóm chun mơn: Thiết kế Hệ thống Cơ Khí Khoa: Cơ điện tử HÀ NỘI, 2023 Chữ ký GVHD CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Nguyễn Hữu Cương Đề tài luận văn: Tự động phân loại hư hỏng phần tử hộp số tua bin gió điều kiện vận hành Việt Nam Ngành: Kỹ thuật Cơ điện tử Mã số SV: 20212653M Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 04/08/2023 với nội dung sau: - Thay tài liệu tham khảo bị trùng lặp, bỏ bớt tài liệu tham khảo không thiết yếu Gộp chương thành chương Sửa sai sót hình thức đánh dấu luận văn gửi phản biện Sửa công thức 2.6 , 3.3 Sửa thuật ngữ học chuyển tiếp > học chuyển giao Kết luận làm rõ kết luận văn Sửa thuật ngữ: sức khỏe > tình trạng, ổ đỡ lăn > ổ lăn Dịch từ từ tiếng anh văn hình ảnh Ngày 08 tháng 08 năm 2023 Giáo viên hướng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG TÓM TẮT LUẬN VĂN THẠC SĨ Đề tài: Tự động phân loại hư hỏng phần tử hộp số tua bin gió điều kiện vận hành Việt Nam Tác giả luận văn: Nguyễn Hữu Cương Khóa:CH2021B Người hướng dẫn: TS GVC Nguyễn Trọng Du Từ khóa (Keyword): phân loại hư hỏng, bánh răng, ổ lăn, wavelet transform, transfer learning Nội dung tóm tắt: a) Lý chọn đề tài: Hiện nay, dự án điện gió lớn đầu tư phát triển để khai thác nguồn lượng gió dồi Việt Nam, dự án trị giá hàng nghìn tỷ đồng Việc nghiên cứu phân loại hư hỏng thiết bị quay giúp việc bảo trì hộp số tua bin dễ dàng tránh thiệt hại nghiêm trọng xảy bất ngờ b) Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu: Luận văn nghiên cứu cách phân loại hư hỏng thiết bị quay cách tự động, giảm phụ thuộc vào chuyên gia Các phương pháp xử lý tín hiệu số túy áp dụng trí tuệ nhân tạo nghiên cứu để áp dụng cho chi tiết dễ bị hư hỏng bánh ổ lăn c) Tóm tắt đọng nội dung đóng góp tác giả Dựa sở dao động học thiết bị quay, phép biến đổi wavelet mạng học sâu, luận văn đề xuất quy trình xử lý tín hiệu để xây dựng mơ hình mạng học sâu có khả tự động phân loại hư hỏng bánh ổ lăn Các bước huấn luyện chi tiết đưa ra, giao diện phần mềm Matlab xây dựng để phân loại hư hỏng nhiều nguồn liệu khác Kết cho thấy với số lượng liệu hạn chế, mơ hình mạng đạt độ xác phân loại, tính tổng quát tin cậy cao d) Phương pháp nghiên cứu Trong luận văn này, việc tìm tài liệu tổng hợp ưu nhược điểm phương pháp giúp xác định mục tiêu đề tài Các nội dung kiến thức xoay quanh mục tiêu nghiên cứu kỹ, làm sở để liên kết kiến thức tìm giải pháp cho vấn đề mục tiêu Giải pháp kiểm tra lý thuyết thực nghiệm Dựa số đánh giá kết kiểm tra, ta tìm cách để cải tiến phương pháp đề xuất e) Kết luận Phương pháp phân loại hư hỏng thiết bị quay trí tuệ nhân tạo xu hướng Luận văn đóng góp cách tiếp cận hiệu với tiềm ứng dụng vào thực tiễn Việt Nam giai đoạn phát triển dự án tua bin gió tới Lời cảm ơn Trong trình thực Luận văn này, tác giả nhận hỗ trợ, giúp đỡ tạo điều kiện từ nhiều tổ chức cá nhân Xin cảm ơn giúp đỡ cán giáo viên từ trường đại học giúp đỡ vật chất tinh thần từ gia đình, bạn bè đồng nghiệp Đặc biệt, xin chân thành cảm ơn Thầy TS Nguyễn Trọng Du – Người hướng dẫn khoa học dành nhiều thời gian công sức hướng dẫn q trình nghiên cứu hồn thành Luận văn Mặc dù cố gắng Luận văn cịn thiếu sót hạn chế Mong nhận ý kiến đóng góp từ Q thầy cơ, chuyên gia, đồng nghiệp, gia đình bạn bè để đề tài hoàn thiện Xin chân thành cảm ơn Tóm tắt nội dung luận văn Hệ thống máy móc thiết bị quay ln phần quan trọng khơng thể thiếu hệ ngành công nghiệp sản xuất Hiện nay, dự án điện gió lớn đầu tư phát triển để khai thác nguồn lượng gió dồi Việt Nam Cùng với đó, việc giám sát chẩn đốn sớm tình trạng hộp số tua bin gió cần quan tâm năm tới để tiết kiệm chi phí khắc phục cố Để thực việc mục tiêu tự động chẩn đoán hư hỏng hộp số tua bin gió, luận văn tập trung nghiên cứu kiến thức tính chất học dấu hiệu hư hỏng bánh răng, ổ lăn; phương pháp xử lý tín hiệu số sở wavelet; phương pháp xử lý ảnh mạng học chuyển giao Resnet Những kiến thức xây dựng thành quy trình xử lý tín hiệu thực tính tốn phần mềm Matlab Dữ liệu tín hiệu rung tham gia tính tốn lấy từ nguồn công khai mạng liệu thu thập từ thí nghiệm hộp số bánh cấp Lab nghiên cứu Với liệu thực nghiệm đa dạng, mơ hình phân loại huấn luyện cho kết có độ tin cậy, độ xác với chi phí tính tốn thấp Mặc dù cịn hạn chế liệu thực tế nhà máy, mơ hình phân loại với liệu thực nghiệm chứng minh tính tổng quát cao Từ kết đó, phần mềm chẩn đốn hư hỏng thiết kế cách dễ sử dụng tảng Matlab Kết luận văn tiềm phân tích mối liên hệ đặc trưng tín hiệu biểu diễn dạng hình ảnh Trong tương lai, khái quát hóa lý thuyết mối quan hệ này, ta lọc bỏ thành phần thừa để mơ hình phân loại tăng độ tin cậy Học viên thực Ký ghi rõ họ tên MỤC LỤC CHƯƠNG Tổng quan Tua bin gió Việt nam 1.1 Tiềm phát triển điện gió Việt Nam 1.2 Vấn đề hư hỏng tua bin gió 1.3 Giám sát tình trạng hoạt động hộp số tua bin gió sở tín hiệu dao động 1.4 Xác định vấn đề cần nghiên cứu CHƯƠNG Cơ sở chẩn đốn tình trạng kỹ thuật phần tử hộp số nhờ phân tích dao động 2.1 Vấn đề hư hỏng hộp số bánh giải pháp phòng ngừa Vấn đề hư hỏng hộp số bánh Các dạng hỏng đặc trưng dao động bánh 10 Các dạng hỏng đặc trưng dao động ổ lăn 13 động Các giải pháp phịng ngừa hư hỏng dựa phân tích tín hiệu dao 19 2.2 Phân tích tín hiệu miền thời gian-tần số, phép biến đổi Wavelet 29 Cơ sở lý thuyết 29 Hàm Morlet 30 Phép biến đổi Wavelet rời rạc (DWT) 34 Phân tích đa phân giải 34 Phép biến đổi Wavelet packet 35 2.3 Phép biến đổi Tunable Q-factor Wavelet Transform (TQWT) 36 Giới thiệu phép biến đổi Tunable Q-factor Wavelet Transform 36 Biến đổi Fourier rời rạc TQWT 37 Hệ số tỉ lệ 37 Xây dựng ngân hàng lọc kênh 41 Biến đổi Wavelet 44 Các tham số Q, r, J 45 Tối ưu hệ số Q, r tính tốn wavelet entropy 48 Ứng dụng TQWT lọc nhiễu tín hiệu 49 Kết luận chương 50 CHƯƠNG PHƯƠNG PHÁP TRÍ TUỆ NHÂN TẠO VÀ ỨNG DỤNG TRONG TỰ ĐỘNG PHÂN LOẠI DAO ĐỘNG 51 3.1 Ứng dụng trí tuệ nhân tạo lĩnh vực 51 3.2 Mạng Nơ ron nhân tạo – Artificial Neural Network (ANN) 52 3.3 Mạng nơ-ron tích chập – Convolution Neural Network 53 Giới thiệu 53 Tích chập chiều mạng Nơ-ron 53 Kiến trúc điển hình mạng nơ-ron tích chập 56 Lớp tích chập – lọc (kernel) 57 Lớp gộp (pooling) 58 Lớp kết nối đầy đủ - phân loại (fully connected) 59 3.4 Mạng ResNet – Residual Convolution Neural Network 60 Transfer Learning 60 Kiến trúc mạng tích chập huấn luyện sẵn 61 Kiến trúc mạng ResNet 62 Kết luận chương 64 CHƯƠNG MỘT SỐ KẾT QUẢ THỰC NGHIỆM tự động phân loại hư hỏng phần tử có hộp số tua bin gió 65 4.1 Xây dựng quy trình tự động phân loại sở phương pháp đề xuất 65 Vận dụng thuật toán tối ưu mạng học sâu 65 Quy trình xây dựng mơ hình tự động phân loại hư hỏng 66 Các bước thực 67 Xây dựng chương trình tự động phân loại hư hỏng 69 4.2 Kiểm nghiệm phương pháp liệu thực tế 72 Kiểm nghiệm sở liệu bánh tham khảo 72 Kiểm nghiệm sở liệu tua bin gió thực tế 78 Kiểm nghiệm sở liệu bánh tự xây dựng 79 Kiểm nghiệm hư hỏng ổ lăn 83 Kết luận chương 86 Kết luận 87 Kết luận 87 Hướng phát triển đề tài tương lai 87 Danh mục công trình cơng bố luận văn 88 TÀI LIỆU THAM KHẢO 89 DANH MỤC HÌNH VẼ Hình 1.1: (a) Tổng cơng suất lắp đặt tồn cầu vào năm 2016 dự đốn số liệu tới năm 2050 [1] Hình 1.2: Bản đồ điện gió Việt Nam năm 2021 Hình 1.3: Tua bin gió bị cháy Bình Thuận Hình 1.4: Cấu tạo tua bin gió Siemens Hình 1.5: Tỷ lệ hỏng hóc theo phận tua bin gió, thời gian ngừng hoạt động dạng hỏng hóc Hình 1.6: Đường đặc tính giám sát tình trạng thiết bị, sử dụng giá trị RMS[9] Hình 2.1: Phân chia vùng tần số hư hỏng hộp số bánh [18] Hình 2.2: Thơng số hình học bánh trụ thẳng 10 Hình 2.3:Một số dạng hư hỏng phân bố bánh (nguồn internet) 11 Hình 2.4: Bánh hư hỏng gãy 12 Hình 2.5:Cấu tạo ổ lăn (a) dạng lăn (b) 13 Hình 2.6: Thơng số hình học ổ lăn 14 Hình 2.7: Hư hỏng mịn 14 Hình 2.8: Hiện tượng tróc vịng ngồi ổ lăn 15 Hình 2.9: Vết mòn lắp lệch 15 Hình 2.10: Hư hỏng vịng nhiệt 15 Hình 2.11: Tróc vảy gãy vịng ngồi ổ lăn 16 Hình 2.12: Các vị trí đo dao động ổ lăn để thu thập tín hiệu chẩn đốn 17 Hình 2.13: Các dạng tín hiệu đặc trưng đo vị trí gần với ổ lăn gia tốc kế 17 Hình 2.14: Đặc điểm phổ qua giai đoạn hoạt động ổ lăn 18 Hình 2.15: Sơ đồ động học ổ lăn [24] 19 Hình 2.16: Phổ Biên độ - Thời gian ổ lăn hỏng vịng ngồi 20 Hình 2.17: Sơ đồ lọc tín hiệu 21 Hình 2.18: Đường đặc tính tần số lọc thông thấp 22 Hình 2.19: Phổ biên độ tín hiệu ‫ͳݔ‬ሺ‫ݐ‬ሻ‫ʹݔ‬ሺ‫ݐ‬ሻ 25 Hình 2.20: Phổ biên độ tín hiệu dao động tắt dần 26 Hình 2.21: Phổ tần số tín hiệu dao động tương ứng với trạng thái hư hỏng khác hộp số [27] 27 Hình 2.22: Đường bao tín hiệu 27 Hình 2.23: Các bước tính tốn đường bao tín hiệu 28 Hình 2.24: Các bước tính tốn phổ đường bao 28 Hình 2.25: Phổ đường bao tín hiệu kích động va chạm tuần hồn 28 Hình 2.26: Đồ thị hàm Morlet a) ߱Ͳ ൌ ͳͲ b)߱Ͳ ൌ ʹͲ 30 Hình 2.27: Vị trí cửa sổ mặt phẳng thời gian tần số 33 Hình 2.28: Sơ đồ tính toán biến đổi Wavelet 33 Hình 2.29: Mối quan hệ khơng gian kín (a) khơng gian wavelet (b) 35 Hình 2.30: Quy trình phân rã tín hiệu bốn mức cách sử dụng biến đổi wavelet rời rạc 35 Hình 2.31: Minh họa phép biến đổi WPT bậc [32] 36 Hình 2.32: Sơ đồ thuật tốn TQWT Mỗi stage ngân hàng lọc với kênh 37 Hình 2.33: [33] a) Sơ đồ khối lọc thông thấp với hệ số ߙ 38 Hình 2.35: [33] a) Sơ đồ khối lọc thông cao với hệ số ߚ 40 Hình 2.36: Hệ thống lọc thơng thấp tương đương với ‫߱ݍ݁ܨ‬được định nghĩa (2.51) 41 Hình 2.37: Hệ thống lọc thơng cao tương đương với ‫߱ݍ݁ܨ‬được định nghĩa (2.52) 41 Hình 2.38: Hệ thống tương đương với ‫߱ݍ݁ܨ‬được định nghĩa (2.53) 41 Hình 2.39: Hệ thống tương đương với ‫߱ݍ݁ܨ‬được định nghĩa (2.54) 41 Hình 2.40: Ngân hàng lọc phân tích tổng hợp cho phép biến đổi wavelet điều chỉnh Q 42 Hình 2.41: Hoạt động ngân hàng lọc phân tích hai kênh, minh họa cách sử dụng ߙ ൌ Ͳǡͺ ߚ ൌ Ͳǡ͸ [33] 44 Hình 2.42: Sơ đồ thuật tốn TQWT Mỗi stage ngân hàng lọc với kênh 44 Hình 2.43: Đáp ứng tần số ‫ ݆߱ͳܪ‬theo công thức (2.67) [33] 45 Hình 2.44: TQWT wavelet đáp ứng tần số với tham số TQWT khác [35] 47 Hình 2.45: Tín hiệu nhiễu 49 Hình 2.46: Hàm tổn thất 50 Hình 2.47: Tín hiệu 50 Hình 3.1: Minh họa mơ hình mạng nơ ron 52 Hình 3.2: Cách tính tích chập chiều 54 Hình 3.3: Tích chập với đệm lề 54 Hình 3.4: Minh họa phép tính tích chập chiều 56 Hình 3.5: Phép tính tích chập hình ảnh ma trận MxNx3 với lọc 3x3x3 58 Hình 3.6: Các kiểu phép gộp (pooling) 59 Hình 3.7: Mơ hình mạng CNN lớp kết nối đầy đủ 59 Hình 3.8: Sơ đồ so sánh hiệu suất mơ hình trước sau áp dụng transfer learning (Handbook Of Research On Machine Learning Applications and Trends: Algorithms, Methods and Techniques) 60 Hình 3.9: Kiến trúc mạng AlexNet 62 Hình 3.10: Cộng trực tiếp đầu vào khối với nhánh lại khối Identity block 63 Hình 3.11: Kiến trúc tóm tắt mạng ResNet-50 64 Hình 3.12: Mơ hình áp dụng mạng Nơ-ron tích chập huấn luyện vào liệu 64 Hình 4.1: Quy trình xây dựng mơ hình phân loại hư hỏng 67 Hình 4.2: Giao diện Read Data 69 Hình 4.3: Giao diện Pre-processing 70 Hình 4.4: Giao diện Deep Network Designer 70 Hình 4.5: Giao diện testing model 71 Hình 4.6: Giao diện phân loại hư hỏng liệu 72 Hình 4.7: Mơ tả lỗi hư hỏng bánh 73 Hình 4.8: Phân tích liệu giao diện Read Data 73 Hình 4.9: Tìm tham số giảm nhiễu tối ưu giao diện Pre-processing 74 Hình 4.10: Xuất file tạo liệu ảnh 75 Hình 4.11: Kết huấn luyện với 10% data 75 Hình 4.12: Kết kiểm tra mơ hình huấn luyện testing data 77 Hình 4.13: Thực phân loại hư hỏng với liệu 77 Hình 4.14: Cấu tạo tua bin thử nghiệm [40] 78 Hình 4.15: Cấu tạo hộp số thử nghiệm [40] 78 Hình 4.16: Kết phân loại liệu tua bin gió 79 Hình 4.17: Mơ hình thí nghiệm hộp số bánh cấp 80 Hình 4.18: Mô tả lỗi hư hỏng bánh 80 Hình 4.19: Hình ảnh biểu diễn loại mẫu tín hiệu miền thời gian 81 Hình 4.20: Hình ảnh biểu diễn loại mẫu tín hiệu sau CWT 81 Hình 4.21: Kết kiểm tra mơ hình với tín hiệu tải trọng thấp 82 Hình 4.22: Kết kiểm tra mơ hình với tín hiệu tải trọng cao 83 Hình 4.23: Mơ hình thí nghiệm 83 Hình 4.24: Q trình huấn luyện mơ hình phân loại hư hỏng ổ lăn 85 Hình 4.25: Kết kiểm tra mơ hình huấn luyện testing data 86 Hình 4.12: Kết kiểm tra mơ hình huấn luyện testing data Hình 4.13 thể phân loại tín hiệu bánh bị nứt (gear_crack.mat) với mơ hình huấn luyện với 10% data (Trained_gear_10%data.mat) Tín hiệu thu thập thí nghiệm khách so với liệu huấn luyện Kết cho thấy mơ hình phân loại xác, tín hiệu có hình ảnh tương đồng cao với hình ảnh loại sử dụng để tham chiếu reference image Hình 4.13: Thực phân loại hư hỏng với liệu 77 Kiểm nghiệm sở liệu tua bin gió thực tế 4.2.2.1 Mơ tả thí nghiệm Một thí nghiệm hư hỏng hộp số tua bin gió thực National Renewable Energy Laboratory [40] Dữ liệu đo từ thí nghiệm thiết kế sát với thực tế Một tuabin gió ngược, ba cánh, điều khiển dừng với công suất định mức 750 kW miêu tả Hình 4.14 Máy phát tuabin hoạt động tốc độ 1800 vòng/phút 1200 vòng/phút danh nghĩa hai cuộn dây khác tùy thuộc vào công suất Hai hộp số thử nghiệm ban đầu lấy từ trường thiết kế lại với cấu hình, xây dựng lại trang bị 125 cảm biến với tần số lấy mẫu 40kHz Mỗi hộp số bao gồm bánh hành tinh cấp tốc độ thấp bánh khai triển hai cấp thể chế độ xem mở rộng Hình 4.15 Hộp số "hư hỏng" trải qua hai kiện dầu trường sau tháo rời tiến hành phân tích lỗi chi tiết Hình 4.14: Cấu tạo tua bin thử nghiệm [40] Hình 4.15: Cấu tạo hộp số thử nghiệm [40] 4.2.2.2 Phân loại hư hỏng Bộ liệu gồm 60 mẫu tín hiệu bánh răng, có 30 tín hiệu bánh khỏe mạnh 30 tín hiệu bánh mịn Sử dụng mơ hình huấn luyện qua 80% 78 data, ta thu kết phân loại 100% so với thí nghiệm thực tế Hình 4.16 biểu diễn thơng số đánh giá kết phân loại tự động tín hiệu bánh mịn Trong trường hợp liệu tua bin gió thực tế này, tốc độ quay trục có thay đổi có làm đường tần số ăn khớp bánh nhịe đi, tín hiệu tương đồng với ảnh tham chiếu nên nhận dạng loại theo thực nghiệm Hình 4.16: Kết phân loại liệu tua bin gió Kiểm nghiệm sở liệu bánh tự xây dựng 4.2.3.1 Mơ tả thí nghiệm Để kiểm định tính tổng qt mơ hình huấn luyện, thí nghiệm Lab thực Bộ thí nghiệm với loại tình trạng bánh hư hỏng điều kiện tải khác xây dựng Thí nghiệm thực với hộp số cấp cấu tạo từ bánh nghiêng Hộp số gồm bánh 28 lắp trục vào, trục gồm bánh 56 Tín hiệu gia tốc thu thập thơng qua Endevco 2228C accelerometer, gắn cốc lót với hướng đo hướng trục lưu trữ với tần số lấy mẫu 20kHz Tổng cộng, liệu gồm loại hư hỏng khác nhau, bao gồm bánh bình thường, bánh mẻ, bánh mịn, bánh tróc rỗ, mức tải trọng với lực momen phanh từ 1.5 Nm 3Nm Hình 4.17 biểu diễn mơ hình hộp số bánh tham gia thí nghiệm Bánh sử dụng thí nghiệm mơ tả Hình 4.18 79 Hình 4.17: Mơ hình thí nghiệm hộp số bánh cấp a) Bánh bình thường b) Bánh mẻ c) Bánh tróc rỗ d) Bánh mịn Hình 4.18: Mơ tả lỗi hư hỏng bánh 80 Hình 4.19 biểu diễn tín hiệu miền thời gian Bằng trực quan, ta khó phân biệt khác hình ảnh đồ thị Sau biến đổi wavelet, ta thu phân bố thời gian tần số Hình 4.20 Lúc này, khác biệt vùng có hệ số wavelet cao tín hiệu rõ ràng (a) Bánh bình thường (b) Bánh mịn (c) Bánh tróc rỗ (d) Bánh mẻ Hình 4.19: Hình ảnh biểu diễn loại mẫu tín hiệu miền thời gian (a) Bánh bình thường (c) Bánh tróc rỗ (b) Bánh mịn (d) Bánh mẻ Hình 4.20: Hình ảnh biểu diễn loại mẫu tín hiệu sau CWT 4.2.3.2 Kiểm tra hiệu mơ hình Dữ liệu đo từ thí nghiệm chia thành nhóm theo tải trọng, nhóm tín hiệu đo với tải trọng thấp, nhóm tín hiệu đo với tải trọng 81 cao Trong phần kiểm tra mơ hình này, mơ hình sử dụng huấn luyện mục 4.2.1.2 với 747 tín hiệu gồm loại hư hỏng khác (80% liệu) Hình 4.21 Hình 4.22 biểu diễn confusion matrix với tải trọng thấp cao Độ xác phân loại cao, 97.7% với liệu tải trọng thấp, 96.5% với liệu tải trọng cao Các số đánh giá mơ F1 Score, microaverage, macvro-average nằm mức cao, cho thấy mơ hình phân loại hiệu Từ confusion matrix ta thấy, mơ hình có vài nhầm lẫn loại hư hỏng Tuy nhiên, trường hợp tải trọng, kết phân loại với liệu nằm liệu huấn luyện có độ xác cao Hình 4.21: Kết kiểm tra mơ hình với tín hiệu tải trọng thấp 82 Hình 4.22: Kết kiểm tra mơ hình với tín hiệu tải trọng cao Kiểm nghiệm hư hỏng ổ lăn 4.2.4.3 Mơ tả thí nghiệm Mơ hình thí nghiệm để kiểm chứng khả phát đánh giá hư hỏng cục ổ bị xây dựng Case Western Reserve University (Hoa Kỳ) khuôn khổ dự án nghiên cứu phân loại dao động cho thiết bị quay Các liệu thực nghiệm chia sẻ mạng Internet, file liệu sử dụng cho phân tích download trực tiếp từ trang web [41] Hình 4.23: Mơ hình thí nghiệm Mơ hình thí nghiệm hệ truyền động đơn giản bao gồm động điện thay đổi tốc độ quay biến tần, trục truyền động, khớp nối thiết bị tạo tải trọng (Hình 4.23) Trục động đỡ ổ lăn kiểu SKF 6205-2RS JEM Ổ lăn đối tượng nghiên cứu thực nghiệm 83 Bảng 4.4: Thông số kỹ thuật ổ lăn SKF 6205 - 2RS JEM Đường Đường kính Đường kính Bề dày kính vịng vịng ngồi viên bi (mm) ổ (mm) (mm) (mm) 25 52 15 Hệ thống đo dao động sử dụng mô hình thí nghiệm bao gồm hai gia tốc kế áp điện để đo dao động hệ theo phương thẳng đứng đầu đo tín hiệu xung tham chiếu Gia tốc kế thứ gắn vỏ ổ lăn, gia tốc kế thứ hai gắn móng máy Đầu đo xung tham chiếu (theo nguyên tắc quang học) đặt đầu trục động để đo quy luật biến thiên vận tốc góc Các hư hỏng ổ lăn tạo cách có chủ ý nhờ gia cơng tia lửa điện để tạo thành vết lõm tròn chi tiết vịng trong, vịng ngồi viên bi Các vết có chiều sâu 0,28 mm (0,011 inch) có đường kính tương ứng với “hư hỏng nhẹ” 0,18 mm (0,007 inch), “hư hỏng nặng” 0,53 mm (0,021 inch) Mỗi ổ lăn sử dụng cho thí nghiệm chứa chi tiết có vết lõm (hoặc vịng trong, vịng ngồi, viên bi) Do vịng ngồi cố định, vết lõm (hư hỏng) tạo vịng ngồi định vị vị trí số (trong vùng tải trọng) 4.2.4.4 Huấn luyện mơ hình Dữ liệu sử dụng luận văn ổ lăn với lỗi hư hỏng nhẹ Tập liệu gồm phân loại hư hỏng: bao gồm ‘con lăn’, ‘vòng trong’, ‘vịng ngồi hướng 3:00’, ‘vịng ngồi hướng 6:00’, ‘vịng ngồi hướng 12:00’ Mỗi phân loại gồm 100 tín hiệu rung đo với tốc độ quay khác nhau, bao gồm 1797, 1772, 1750, 1730 (rpm) Các bước tiền xử lý liệu ổ lăn áp dụng tương tự với liệu bánh mục 4.2.1.2 Sau tiền xử lý huấn luyện, ta thu kết q trình huấn luyện mơ hình với 10% dataset Hình 4.24 Khác với đồ thị trình huấn luyện bánh răng, đồ thị huấn luyện ổ lăn cho thấy độ xác dao động lớn lần tính tốn Tuy vậy, kết huấn luyện cuối mức cao, trường hợp 100% 84 Hình 4.24: Quá trình huấn luyện mơ hình phân loại hư hỏng ổ lăn Tương tự liệu bánh răng, liệu ổ lăn chia nhỏ để huấn luyện mơ hình nhằm kiểm tra khả phân loại mơ hình Kết Bảng 4.3 cho thấy mơ hình huấn luyện tốt với 20% liệu Bảng 4.5 Kết huấn luyện mơ hình với tỉ lệ liệu huấn luyện khác Tỉ lệ data huấn luyện 2% 5% 10% 20% 40% 60% 80% Lượng data huấn luyện 10 25 50 100 200 300 400 Lượng data kiểm tra 490 475 450 400 300 200 100 Độ xác lần huấn luyện 60.00 60.00 70.00 70.00 60.00 76.00 76.00 64.00 80.00 72.00 92.00 100.0 96.00 94.00 94.00 99.00 100.0 100.0 97.00 97.00 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 100.0 Độ xác trung bình 64.00 73.60 95.20 98.60 100.0 100.0 100.0 4.2.4.5 Kiểm tra hiệu mơ hình Mơ hình huấn luyện qua 10% liệu sử dụng để kiểm tra tính tổng quát mơ hình 90% liệu cịn lại gồm 450 mẫu phân loại cho kết Hình 4.25 Theo giao diện hiển thị kết quả, số đánh giá đạt mức cao, độ xác tổng thể đạt 98.7% Kết chứng minh mô hình hoạt động theo lý thuyết 85 Hình 4.25: Kết kiểm tra mơ hình huấn luyện testing data Kết luận chương Quy trình xử lý tín hiệu đề xuất chương cho thấy hiệu tốt với nhiều liệu khác Các bước tiến hành quy trình đưa chi tiết với giao diện phần mềm phân loại dễ sử dụng 86 KẾT LUẬN Kết luận Luận văn rõ tính cấp thiết đề tài tình hình phát triển quy mơ khai thác lượng gió Việt Nam Luận văn đưa cách giải vấn đề nhận dạng hư hỏng sớm phần tử bánh ổ lăn hộp số tua bin gió mạng học sâu Hình ảnh đưa vào mạng học sâu thu từ biến đổi wavelet tín hiệu, giảm nhiễu phép biến đổi TQWT, wavelet entropy sử dụng để chọn hệ số TQWT tốt Việc tối ưu mạng học sâu áp dụng số phương pháp phù hợp với đặc trưng hình ảnh phân bố thời gian tần số bánh ổ lăn Mô hình phân loại tự động chứng minh hiệu liệu khác nhau, độ xác phân loại cao liệu cho thấy mơ hình phân loại tự động có tính tổng quát, áp dụng nhiều trường hợp hộp số vận hành khác Hơn nữa, giao diện xây dựng tảng Matlab để việc sử dụng mơ hình phân loại trở nên dễ dàng Hướng phát triển đề tài tương lai Trước ứng dụng phương pháp phân loại hư hỏng hộp số tua bin gió vào thực tế Việt Nam, mơ hình phân loại cần huấn luyện để đạt độ tin cậy cao Cụ thể hơn, vấn đề giới hạn liệu tham gia huấn luyện hạn chế khả phát triển mơ hình, đặc biệt thiết bị quay thường phải hoạt động đến bị thay xác định tình trạng hư hỏng thực tế, phải theo dõi nhiều năm Do đó, hướng phát triển thuật tốn phân loại khả thi Mặc dù việc xác định hình ảnh phân bố thời gian tần số có sở dựa đặc điểm dao động học tín hiệu chiều thiết bị quay, nhiên mối quan hệ đặc trưng hình ảnh chiều chưa khái quát hóa thành lý thuyết Với kết đạt đề tài này, ta phát triển theo hướng tìm mối quan hệ đặc trưng liệu chiều, từ có sở để lọc bỏ thành phần không quan trọng tăng độ tin cậy phương pháp Hơn nữa, kết phân loại hư hỏng tốt với liệu chịu loại tải trọng khác cho thấy tiềm phân loại hư hỏng với trường hợp tốc độ quay tải trọng thay đổi – vốn trường hợp khó nhà nghiên cứu quan tâm 87 DANH MỤC CƠNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN VĂN [1] [2] [3] N.T.Du, N.P.Dien, N.H.Cuong, D.H.Phong, P.T.Trung, Nghiên cứu mạng học sâu ứng dụng việc nhận dạng phân loại tự động hư hỏng bánh Hội nghị Cơ học toàn quốc lần thứ XI, 2022 1(1): p.567 N.T.Du, N.P.Dien, N.H.Cuong, Một phương pháp tự động phân loại hư hỏng hộp số tua bin gió Hội nghị Khoa học tồn quốc lần thứ hai Động lực học Điều khiển Đại học Bách khoa Hà Nội, 2022 1(1): p.215 Du, N., Dien, N., Cuong, N (2022) Detection Fault Symptoms of Rolling Bearing Based on Enhancing Collected Transient Vibration Signals The AUN/SEED-Net Joint Regional Conference in Transportation, Energy, and Mechanical Manufacturing Engineering RCTEMME 2021 Lecture Notes in Mechanical Engineering Springer, Singapore https://doi.org/10.1007/978-981-19-1968-8_30 88 TÀI LIỆU THAM KHẢO [1] L Grau, C Jung, and D Schindler, "Sounding out the repowering potential of wind energy – A scenario-based assessment from Germany," Journal of Cleaner Production, vol 293, p 126094, 2021/04/15/ 2021 [2] IUCN, "Opportunities and challenges in expanding wind in Vietnam’s electricity mix https://www.iucn.org/vi/news/viet-nam/202205/mo-rongdien-gio-trong-hop-dien-cua-viet-nam-co-hoi-va-thach-thuc," 2022 [3] F P G Márquez, A M Tobias, J M P Pérez, and M J R e Papaelias, "Condition monitoring of wind turbines: Techniques and methods," vol 46, pp 169-178, 2012 [4] S Faulstich, B Hahn, and P J J W e Tavner, "Wind turbine downtime and its importance for offshore deployment," vol 14, no 3, pp 327-337, 2011 [5] F Spinato, P J Tavner, G J Van Bussel, and E J I R P G Koutoulakos, "Reliability of wind turbine subassemblies," vol 3, no 4, pp 387-401, 2009 [6] J Igba, K Alemzadeh, C Durugbo, K J R Henningsen, and S E Reviews, "Performance assessment of wind turbine gearboxes using in-service data: Current approaches and future trends," vol 50, pp 144-159, 2015 [7] J Yoon, D He, and B J I t o i e Van Hecke, "On the use of a single piezoelectric strain sensor for wind turbine planetary gearbox fault diagnosis," vol 62, no 10, pp 6585-6593, 2015 [8] N Đ Huy, "Xây dựng mơ hình dao động tham số tính tốn dao động tuần hoàn truyền bánh nghiêng hai cấp," Trường Đại học Bách Khoa Hà Nội, 2011 [9] N T Du, "Chẩn đoán hư hỏng hộp số bánh phân tích thời gian - tần số dao động học," 2015 [10] H Heidari-Bafroui and A Ohadi, Application of Continues Wavelet Transform and Neural Network in Gearbox Fault Detection under Varying Speed Conditions 2011 [11] L Yang and H Chen, "Fault diagnosis of gearbox based on RBF-PF and particle swarm optimization wavelet neural network," Neural Computing and Applications, vol 31, no 9, pp 4463-4478, 2019/09/01 2019 [12] L Wen, X Li, and L Gao, "A transfer convolutional neural network for fault diagnosis based on ResNet-50," Neural Computing and Applications, vol 32, no 10, pp 6111-6124, 2020/05/01 2020 [13] R Eisemann, "Machinery malfunction diagnosis and correction: Vibration analysis and troubleshooting for process industries," 1998 [14] K Shin and J Hammond, Fundamentals of signal processing for sound and vibration engineers John Wiley & Sons, 2008 [15] C Cempel, Vibroakustische Maschinendiagnostik Verlag Technik, 1990 [16] U Klein, Schwingungsdiagnostische Beurteilung von Maschinen und Anlagen: Hrsg vom Verein für Betriebsfestigkeitsforschung (VBFEh) im Verein Deutscher Eisenhütteleute (VDEh) Düsseldorf Stahleisen, 1998 [17] J Kolerus, Zustandsüberwachung von Maschinen: das Lehr-und Arbeitsbuch für den Praktiker expert Verlag, 2017 [18] W J Staszewski, The application of time-variant analysis to gearbox fault detection The University of Manchester (United Kingdom), 1994 89 [19] P J J D Bielawski, "Measurement and evaluation of mechanical vibration of reciprocating machines," pp 25-30, 2012 [20] W J B Bartz, "Schäden an geschmierten Maschinenelementen, expert," ed, 1992 [21] A M Al-Ghamd, D Mba "A comparative experimental study on the use of acoustic emission and vibration analysis for bearing defect identification and estimation of defect size," Mechanical Systems and Signal Processing 20, pp 1537-1571, 2006 [22] D Ho and R B Randall, "Optimisation of bearing diagnostic techniques using simulated and actual bearing fault signals," Mechanical Systems and Signal Processing, vol 14, no 5, pp 763-788, 2000 [23] A L Bilošová and J Biloš, Vibration Diagnostics (Applied Mechanics as part of a team designers and developers:) Czech Republic: Technical University of Ostrava, 2012 [24] A A Roque, T A N Silva, J M F Calado, and J C Q Dias, "An Approach to Fault Diagnosis of Rolling Bearings," Wseas transactions on systems and control, vol 4, no 4, pp 188-197, 2009 [25] N P Dien, Kỹ thuật đo phân tích dao động học Hà nội: Nhà Xuất giáo dục, 2015 [26] L Vas, "Fourier Series Fourier Transform." [27] Fernandez, "Troubleshooting of gears https://power-mi.com." [28] S Mallat, A Wavelet Tour of Signal Processing Academic Press, New York, 1999, pp Academic Press, New York [29] G.Meltzer and N P Dien, "Fault diagnosis in gears operating under nonstationary rotational speed using polar wavelet amplitude maps," Mechanical Systems and Signal Processing, vol 18, no 5, pp 985-992, 2004 [30] S Al-Arbi, "Condition monitoring of gear systems using vibration analysis," University of Huddersfield, 2012 [31] P S Addison, M Morvidone, J N Watson, D J M s Clifton, and s processing, "Wavelet transform reassignment and the use of low-oscillation complex wavelets," vol 20, no 6, pp 1429-1443, 2006 [32] R X Gao and R Yan, Wavelets: Theory and applications for manufacturing Springer Science & Business Media, 2010 [33] I W Selesnick, "Wavelet Transform with Tunable Q-Factor," IEEE TRANSACTIONS ON SIGNAL PROCESSING 2011, 2011 [34] I Daubechies, Ten Lectures on Wavelets Philadelphia: Society for Industrial and Applied Mathematics (SIAM), 1992 [35] Y Kong, T Wang, and F Chu, "Adaptive TQWT filter based feature extraction method and its application to detection of repetitive transients," Science China Technological Sciences, vol 61, no 10, pp 1556-1574, 2018 [36] I B a I W Selesnick, "Frequency-domain design of overcomplete rationaldilation wavelet transforms," IEEE Trans Signal Process., vol 57, pp 2957–2972, IEEE Trans Signal Process [37] J Lin and L Qu, "Feature Extraction Based on Morlet Wavelet and Its Application for Mechanical Fault Diagnosis," Journal of Sound and Vibration, vol 234, no 1, pp 135-148, 2000 90 [38] I W Selesnick, "Sparse signal representations using the tunable Q-factor wavelet transform," Proc SPIE 8138, Wavelets and Sparsity XIV, 2011 [39] P Cao, S Zhang, and J Tang, "Pre-Processing-Free Gear Fault Diagnosis Using Small Datasets with Deep Convolutional Neural Network-Based Transfer Learning," IEEE Access, vol PP, 10/24 2017 [40] S Sheng, "Wind Turbine Gearbox Condition Monitoring Vibration Analysis Benchmarking Datasets," ed: National Renewable Energy Laboratory, 2014 [41] C S o Engineering, "Bearing Data Center https://engineering.case.edu/bearingdatacenter/." 91