Ứng dụng phương pháp unsupervised neural networks để xác định hư hỏng gãy răng, mòn răng của hộp giảm tốc một cấp răng trụ răng thẳng

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA - HUỲNH CÔNG LỚN ỨNG DỤNG PHƯƠNG PHÁP UNSUPERVISED NEURAL NETWORKS ĐỂ XÁC ĐỊNH HƯ HỎNG GÃY RĂNG, MÒN RĂNG CỦA HỘP GIẢM TỐC MỘT CẤP RĂNG TRỤ RĂNG THẲNG Chuyên ngành: CƠ KHÍ CHẾ TẠO MÁY Mã ngành: 2.01.00 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 12 năm 2007 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: TS Lưu Thanh Tùng Cán chấm nhận xét 1: Cán chấm nhận xét 2: Luận văn thạc sĩ bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm LỜI CẢM ƠN Để có kiến thức q giá hoàn thành tốt luận văn tốt nghiệp giao ngày hôm nay, em xin chân thành cảm ơn quan tâm - giúp đỡ tận tình thầy trường Đại học Bách Khoa Tp.HCM dạy em suốt thời gian qua đặc biệt hướng dẫn TS.Lưu Thanh Tùng, tận tình giúp đỡ tạo điều kiện thuận lợi cho em hoàn thành tốt nhiệm vụ Chân thành cảm ơn q thầy Khoa Cơ Khí, Bộ mơn Cơ giới hóa XN - XD giúp đỡ ủng hộ cho em suốt trình học tập, nghiên cứu thời gian thực luận án Chân thành cảm ơn bạn sinh viên khóa 2003 - ngành Máy xây dựng nâng chuyển dành nhiều thời gian giúp sức cho đề tài hoàn thành tốt Và cuối cùng, chân thành cảm ơn Anh Chị đồng nghiệp đồng học lớp Cao học Chế tạo máy khóa 15 dành thời gian giúp cho đề tài hoàn thành tốt đẹp TP.HCM, ngày 14 tháng 12 năm 2007 Huỳnh Công Lớn Abstract The suitability of artificial neural networks (ANNS) for detecting fault conditions in gearbox is investigated Specifically, the ability of a neural network to act as a predictor of correct gear behaviour is examined Experimental results indicate that standard network architectures are unsuitable for temporal prediction of non-linear system behaviour An unsupervised neural network architecture designed specifically as a predictor and based on Kohonen Model is therefore proposed The performance of this network is evaluated using measured data Laboratory implementation of the fault detection system produced encouraging quantitative results, including high success rates for the detection of faults corresponding to gearbox MỤC LỤC Trang GIỚI THIỆU 1-9 Tổng quan 1-4 1.1.1 Bảo trì phục hồi 1.1.2 Bảo trì phịng ngừa 1.1.3 Bảo trì xác CHƯƠNG 1.1 1.2 Tổng quan phương pháp chuẩn đoán xác định hư hỏng hộp truyền động 4-9 1.2.1 Phương pháp phân tích tín hiệu trung bình đồng thời 1.2.2 Phân tích miền thời gian 1.2.3 Phân tích phổ tần số 1.3 Nội dung thực GIỚI THIỆU MẠNG NƠRON NHÂN TẠO 10-37 2.1 Cấu trúc sinh học nơron 10-11 2.2 Tổng quát cấu trúc nơron nhân tạo 11-14 2.2.1 Giới thiệu 11 2.2.2 Tính tốn mạng nơron 12 Phương pháp huấn luyện mạng 14-16 2.3.1 Giải thuật học có giám sát 15 2.3.2 Giải thuật học không giám sát 16 CHƯƠNG 2.3 2.4 Cấu trúc mạng 17-23 2.4.1 Cấu trúc mạng truyền tiến 17 2.4.2 Cấu trúc mạng lan truyền ngược 20 Mô tả loại mạng nơron thông dụng 23-37 2.5.1 Mạng perceptron 23 2.5.2 Mạng Hopfield 28 2.5.3 Mạng Kohone 30 2.5.4 Mạng RBF 33 2.5 PHƯƠNG PHÁP THỰC HIỆN 38-54 3.1 Chọn mô hình thí nghiệm 38-39 3.2 Qúa trình đo xử lý tín hiệu 39-54 CHƯƠNG 3.2.1 Qúa trình đo 40 3.2.2 Xử lý tín hiệu 41 3.2.3 Các phổ dao động cho trường hợp bánh bị gãy 45 3.2.4 Các phổ dao động cho trường hợp bánh bị mòn 50 HUẤN LUYỆN VÀ NHẬN DẠNG HƯ HỎNG 55-69 4.1 Giải thuật huấn luyện 55-57 4.2 Kết huấn luyện 58-69 CHƯƠNG 4.2.1 Huấn luyện mạng trường hợp bánh bình thường 58 4.2.2 Huấn luyện mạng trường hợp bánh bị gãy 60 4.2.3 Huấn luyện mạng trường hợp bánh bị mòn CHƯƠNG KẾT LUẬN 63 70-71 5.1 Kết luận 70 5.2 Các mặt hạn chế đề tài 71 5.3 Các đề xuất 71 TÀI LIỆU THAM KHẢO 72-73 PHỤ LỤC 74-88 A Các chương trình huấn luyện nhận dạng 74-86 Chương trình huấn luyện nơron không giám sát 74 Chương trình kiểm tra nhận dạng hư hỏng 77 Chương trình chuyển đổi FFT 82 Huấn luyện nơron không giám sát chiều 85 B Một số chương trình viết để tham khảo 86-88 Thuật toán FFT 86 Thiết kế lọc Cheblp 87 BẢNG LIỆT KÊ BẢNG BIỂU VÀ HÌNH ẢNH TT Tên hình Trang 2.1 Mơ hình nơ ron sinh học 10 2.2 Mơ hình nơron nhân tạo 11 2.3 Giải thuật học có giám sát 15 2.4 Giải thuật học không giám sát 16 2.5 Mơ hình tốn mạng truyền tiến lớp 18 2.6 Mơ hình mạng động dùng đầu truyền tiến đầu vào truyền lùi 22 2.7 Mơ hình học tổng qt cho mạng có giải thuật lan truyền ngược 23 2.8 Mạng perceptron nhiều lớp 24 2.9 Mơ hình tín hiệu nơron vào thứ j 25 10 2.10 Mơ hình tín hiệu mạng nơron xuất thứ k 26 11 2.11 Mạng hopfield 28 12 2.12 Mạng Kohonen 31 13 2.13 Mạng RBF 35 14 3.1 Sơ đồ động hộp giảm tốc cấp trụ thẳng 38 15 3.2 Phổ bánh bình thường, đo lần 42 16 3.3 Phổ bánh bình thường, đo lần 43 17 3.4 Phổ bánh bình thường, đo lần 44 18 3.5 Phổ bánh gãy răng, đo lần 45 19 3.6 Phổ bánh gãy răng, đo lần 46 20 3.7 Phổ bánh gãy răng, đo lần 47 21 3.8 Phổ bánh gãy răng, đo lần 48 22 3.9 Phổ bánh gãy răng, đo lần 49 23 3.10 Phổ bánh bị mòn răng, đo lần 50 24 3.11 Phổ bánh bị mòn răng, đo lần 51 25 3.12 Phổ bánh bị mòn răng, đo lần 52 26 3.13 Phổ bánh bị mòn răng, đo lần 53 27 3.14 Phổ bánh bị mòn răng, đo lần 54 28 4.1 Nhận dạng bánh bình thường 66 29 4.2 Nhận dạng bánh bị gãy 67 30 4.3 Nhận dạng bánh mịn 68 31 4.4 Bánh khơng nhận dạng 68 %doc file thu va cac tang so lay mau N=2^15;if ~exist('b1'),b1=wavread('t4');,end b11=b1(1:32768,:);b12=b1(32768:65536,:); b13=b1(65536:98304,:);b14=b1(98304:131072,:);b15=b1(131072:163840,:) %mau dau vao cua banh rang tot lan mau11=thinghiem11(b11);mau12=thinghiem12(b12); mau13=thinghiem13(b13);mau14=thinghiem14(b14);mau15=thinghiem15(b15); %trong so dau vao cho neuron thi nghiem lan P11=[mau11;mau12;mau13;mau14;mau15] khongthay1(P11);%bo neuron da duoc hoc % -function mau11=thinghiem11(b11) N=2^15;y1=b11(:,1)';y2=b11(:,2)'; if rem(log(N),log(2))==0 else n=ceil(log(N)/log(2));N1=2^n;kk=N1-N; y1=[y1(:,1:N) zeros(1,kk)];N=N1; end N2=N/2;l=log2(N);%so tang yy=-pi*sqrt(-1)/N2;%tao so phuc ww=exp(yy);%ham mu e jj=0:N2-1;%chia chuo N phan W1=ww.^jj;%he so quay roi -Trang 5- W2=W1; for L=1:l-1;%chay tung tang u1=y1(:,1:N2); v1=y1(:,N2+1:N); t1=u1+v1; s1=W1.*(u1-v1); y1=[t1;s1]; U1=W1(:,1:2:N2); W1=[U1;U1]; N=N2; N2=N2/2; end u1=y1(:,1); v1=y1(:,2); Y1=[u1+v1;u1-v1]; P0=abs(Y1);h=length(P0); m=sum(P0)/h;%gia tri trung binh for i1=1:h sdd(i1,:)=(P0(i1,:)-m).^2; end sdd1=sum(sdd);sd=(sdd1/(h-1))^0.5;%do lech chuan for i2=1:h skk(i2,:)=(P0(i2,:)-m).^3;end skk=sum(skk)/(h*sd^3);%he so lech rms1=sum(P0.^2); rms=sqrt(rms1/h);%can quan phuong sf=rms/m; %he so hinh hoc % mau11=[m sd skk rms sf]; % function neuron1=khongthay1(P11) %Train unsuperviser netword for dimension -Trang 6- P=P11; W=zeros(1,5); Learnrate=0.5;%learn rate Collapserate=0.001;%collapse rate r=1;%radius of Gaussan Iter=0; for Iter=1:50000 if Iter>1; r=r*(1-Collapserate);end [m,n]=size(W); m1=(1:m)'*ones(1,n); n1=ones(m,1)*(1:n); ee=exp(-(0:((m-1)^2+(n-1)^2))/(r^2))*Learnrate; for i=1:m for j=1:n d=(i-m1).^2+(j-n1).^2+1; neigh{i,j}=ee(d); end end for item=1:size(P,1) x1=W(:,1)-P(item,1); x2=W(:,2)-P(item,2); x3=W(:,3)-P(item,3); x4=W(:,4)-P(item,4); x5=W(:,5)-P(item,5); dist=x1.^2+x2.^2+x3.^2+x4.^2+x5.^2; [a,b]=min(dist(:)); w1=1+floor((b-1)/m); w2=b-(w1-1)*m; t1=neigh{w2,w1}; t2=1-t1; W(:,1)=W(:,1).*t2(:,2)+P(item,1)*t1(:,2); W(:,2)=W(:,2).*t2(:,2)+P(item,2)*t1(:,2); W(:,3)=W(:,3).*t2(:,2)+P(item,3)*t1(:,2); -Trang 7- W(:,4)=W(:,4).*t2(:,2)+P(item,4)*t1(:,2); W(:,5)=W(:,5).*t2(:,2)+P(item,5)*t1(:,2); end end khongthay1=[W(:,1) W(:,2) W(:,3) W(:,4) W(:,5)] save E:\luu\khongthay1; load('E:\luu\khongthay1') 2.Chương trình kiểm tra nhận dạng hư hỏng clear all; clc %doc file thu va cac tang so lay mau N=2^15; if ~exist('b1'),b1=wavread('t1');,end b11=b1(1:32768,:); b12=FFT(b11); b13=abs(b12(:,1)); f=(0:length(b13)-1)*2000/length(b13); plot(f,b13),grid on,ylabel('Amplitude[dB]') xlabel('Frequency[Hz]'),title('Phan tich pho') %mau dau vao cua banh rang can kiem tra mau11=thinghiem11(b11); %thong so dau vao cho neuron de nhan dang PP=mau11 % -Trang 8- save E:\luu\PP; load('E:\luu\PP') %goi du lieu da duoc luu tu may load('E:\luu\khongthay1'); load('E:\luu\khongthay2');load('E:\luu\khongthay3'); load('E:\luu\khongthay4');load('E:\luu\khongthay11'); load('E:\luu\khongthay12'); load('E:\luu\khongthay13'); load('E:\luu\khongthay21');load('E:\luu\khongthay22'); load('E:\luu\khongthay23');load('E:\luu\khongthay31'); load('E:\luu\khongthay32'); load('E:\luu\khongthay33'); load('E:\luu\khongthay41');load('E:\luu\khongthay42'); load('E:\luu\khongthay43');load('E:\luu\khongthay14');load('E:\luu\khongthay34'); load('E:\luu\khongthay24');load('E:\luu\khongthay44');load('E:\luu\khongthay45');load('E:\luu\ khongthay35');load('E:\luu\khongthay25');load('E:\luu\khongthay15'); load('E:\luu\khongthay26');load('E:\luu\khongthay36');load('E:\luu\khongthay46'); %load du lieu cua dang mon rang load('E:\luu\mon1'); load('E:\luu\mon2');load('E:\luu\mon11'); load('E:\luu\mon21'); load('E:\luu\mon12'); load('E:\luu\mon22');load('E:\luu\mon13'); load('E:\luu\mon23'); load('E:\luu\mon14'); load('E:\luu\mon24');load('E:\luu\mon15'); load('E:\luu\mon25'); load('E:\luu\mon3'); load('E:\luu\mon31');load('E:\luu\mon32'); load('E:\luu\mon33'); load('E:\luu\mon34'); load('E:\luu\mon35'); % %gia tri cac khoang cach nd1=(abs(PP-khongthay1)).^2;nd2=(abs(PP-khongthay2)).^2; nd24=(abs(PP-khongthay24)).^2;nd44=(abs(PP-khongthay44)).^2; nd3=(abs(PP-khongthay3)).^2;nd4=(abs(PP-khongthay4)).^2; nd13=(abs(PP-khongthay13)).^2;nd12=(abs(PP-khongthay12)).^2; -Trang 9- nd14=(abs(PP-khongthay14)).^2;nd34=(abs(PP-khongthay34)).^2; nd11=(abs(PP-khongthay11)).^2;nd21=(abs(PP-khongthay21)).^2; nd22=(abs(PP-khongthay22)).^2;nd23=(abs(PP-khongthay23)).^2; nd31=(abs(PP-khongthay31)).^2;nd32=(abs(PP-khongthay32)).^2; nd33=(abs(PP-khongthay33)).^2;nd41=(abs(PP-khongthay41)).^2; nd42=(abs(PP-khongthay42)).^2;nd43=(abs(PP-khongthay43)).^2; nd45=(abs(PP-khongthay45)).^2;nd35=(abs(PP-khongthay35)).^2; nd25=(abs(PP-khongthay25)).^2;nd15=(abs(PP-khongthay15)).^2; nd26=(abs(PP-khongthay26)).^2;nd36=(abs(PP-khongthay36)).^2; nd46=(abs(PP-khongthay46)).^2; %gia tri cac khoang cach mon rang m1=(abs(PP-mon1)).^2;m2=(abs(PP-mon2)).^2;m11=(abs(PP-mon11)).^2; m21=(abs(PP-mon21)).^2;m12=(abs(PP-mon12)).^2;m22=(abs(PP-mon22)).^2; m13=(abs(PP-mon13)).^2;m23=(abs(PP-mon23)).^2;m14=(abs(PP-mon14)).^2; m24=(abs(PP-mon24)).^2;m15=(abs(PP-mon15)).^2;m25=(abs(PP-mon25)).^2; m3=(abs(PP-mon3)).^2;m31=(abs(PP-mon31)).^2;m32=(abs(PP-mon32)).^2; m33=(abs(PP-mon33)).^2;m34=(abs(PP-mon34)).^2;m35=(abs(PP-mon35)).^2; % -%ham so sanh dieu kien if sum(nd1,2)