Nhận dạng khuyết tật ổ bi dựa trên ANFIS và giải pháp xử lý dòng dữ liệu từ cảm biến

NHẬN DẠNG KHUYẾT TẬT Ổ BI DỰA TRÊN ANFIS

Theo sơ đồ khối này cùng với những kết luận rút ra từ [4a], NCS đã kế thừa và điều chỉnh giải pháp tiếp cận cho đối tượng nghiên cứu của luận án (ổ bi quay). Kết quả nghiên cứu được trình bày trên các công bố tiếp theo [1a], [2a] và [3a] liên quan tới các phương pháp nhận dạng khuyết tật ổ bi có tên ASSBDIM, BFDM và ANFIS-BFDM. Hình 3.2 Nguyên tắc tính các chỉ số hư hỏng dựa trên ANFIS. Nghiên cứu [4a] đã cho thấy một số khía cạnh mang tính định hướng quan trọng như sau: 1) ANFIS hoàn toàn phù hợp với bài toán nhận dạng khuyết tật theo mô hình giải bài toán ngược động lực học cơ hệ, sử dụng tín hiệu đo dao động. 2) Độ chính xác nhận. Trạng thái kích thích dao động thứ i, ( ). dạng dựa trên ANFIS phụ thuộc nhiều vào đặc thù của của cơ sở dữ liệu, chẳng hạn như mức độ của nhiễu, tính đa chiều cũng như độ phân tán trong phân bố trên từng chiều dữ liệu. 3) Tín hiệu chuyển vị chỉ phù hợp với một số cơ hệ dao động với biên độ đủ lớn. 4) Tiền xử lý dữ liệu đo cũng như chuyển dữ liệu thô từ cảm biến về những dạng thức trung gian để phân tích đặc trưng có ý nghĩa lớn đối với hiệu quả của bài toán mục tiêu. Trên cơ sở phương pháp tiếp cận và những định hướng trong nghiên cứu [4a] ở trên, luận án đã phát triển các công cụ toán để đề xuất và xây dựng các giải thuật khác nhau nhằm mục đích thực hiện nhiệm vụ nghiên cứu là nhận dạng khuyết tật của ổ bi theo hướng trực tuyến.

Tất cả những thay đổi này gây khó khăn cho việc trích xuất đặc trưng từ dữ liệu và làm giảm độ tin cậy của các mô hình thu được trong quá trình huấn luyện bằng cách sử dụng dữ liệu chứa nhiễu khi chúng được so sánh với các mô hình được học từ dữ liệu sạch, vốn thể hiện những đặc trưng thực sự của bài toán. Trích xuất các đặc trưng (Extract Features) trong tập dữ liệu là quá trình chuyển đổi tập dữ liệu thô ban đầu thành tập các đặc trưng có thể giúp biểu diễn tập dữ liệu ban đầu tốt hơn, tạo điều kiện để giải quyết các bài toán dễ dàng hơn, giúp tương thích với từng mô hình dự đoán cụ thể, cũng như cải thiện độ chính xác của mô hình dự đoán hiện tại. Khai thác thuật toán AOINF trình bày ở mục 3.3.2, phương pháp chia bó của ANFIS-JS là ngăn ngừa quá trình chia bó xuất hiện các mẫu dữ liệu tới hạn, cùng với việc tìm kiếm và loại bỏ các mẫu dữ liệu tới hạn trong CDS được thực hiện, đồng thời khắc phục hiện tượng đa cộng tuyến trong mỗi bó dữ liệu.

Một đặc trưng đại diện tốt phải làm giảm sự khác biệt về phân phối giữa các miền càng nhiều càng tốt, đồng thời bảo toàn các thuộc tính quan trọng (chẳng hạn như thuộc tính hình học, đặc tính thống kê hoặc thông tin phụ) của dữ liệu gốc, đặc biệt là cho dữ liệu miền đích [125]. Nó xuất phát từ thực tế là việc phân phối dữ liệu trong miền nguồn được sử dụng để thiết lập cơ sở dữ liệu để huấn luyện mô hình luôn khác với phân phối dữ liệu trong miền đích sử dụng để thiết lập cơ sở dữ liệu kiểm tra để đánh giá trạng thái hỏng hóc của ổ bi. Hệ thống nhận dạng khuyết tật dựa trên mô hình dẫn động số, nói chung, một miền nguồn được gắn nhãn (Xs,ys) được xây dựng để mô tả phản ứng động của hệ thống trong giai đoạn huấn luyện trong khi một miền đích Xt được thiết lập trong quá trình vận hành hệ thống để cung cấp thông tin phản hồi động của hệ thống tại thời điểm khảo sát.

Hiệu quả của các giải thuật nhận dạng khuyết tật của ổ bi nói riêng và các hệ thống giám sát trực tuyến máy móc nói chung phụ thuộc sâu vào khả năng xử lý dữ liệu trực tuyến và độ nhạy của các đặc trưng của dữ liệu được sử dụng để nhận ra sự thay đổi phản ứng động của hệ thống. Trong nghiên cứu [1a] và [3a], dữ liệu đo dao động của ổ bi được lọc nhiễu qua phân tích phổ đơn và bộ lọc FIN trong miền thích ứng, véc tơ đặc trưng MF( )k đã được thiết lập để xây dựng cơ sở dữ liệu cho các giải thuật đề xuất BFDM và ANFIS-BFDM sử dụng trong các nghiên cứu [3a] và [1a]. Trong giai đoạn ngoại tuyến, bằng cách áp dụng phân tích phổ đơn và lọc thưa cho dòng dữ liệu đo dưới dạng dữ liệu lớn có chứa nhiễu, việc tiền xử lý dữ liệu và trích xuất thông tin hữu ích từ dữ liệu được thực hiện để xây dựng hai cơ sở dữ liệu ngoại tuyến (Offline-Databases) được ký hiệu là Off_DaB và Off_testDaB.

Trong giai đoạn ngoại tuyến (Offline), bằng cách khởi tạo các tham số trong véc tơ ps(3.45) và áp dụng phân tích phổ đơn cùng với lọc thưa cho dòng dữ liệu đo phản ánh dao động của gối đỡ ổ bi, hai cơ sở dữ liệu ngoại tuyến Off_DaB và Off_testDaB được xây dựng như trong (3.43). Thứ hai là thuật toán được đề xuất để nhận dạng trực tuyến khuyết tật của ổ bi, trong đó sử dụng ANFIS cho cả nhận dạng ngoại tuyến đáp ứng động của ổ bi dựa trên Off_DaB và Off_testDaB cũng như nhận dạng trực tuyến các trạng thái thực của ổ bi qua On_DaB. Ngoài những kế thừa từ hai giải thuật trước đây liên quan tới ANFIS, phân tích phổ đơn và xây dựng véc tơ đặc trưng, ANFIS-BFDM đi sâu vào lọc nhiễu trực tuyến, tìm giải pháp cho việc giảm thiểu sự lệch miền giữa miền nguồn và miền đích và xây dựng miền thích ứng.

Thuật toán này bao gồm xử lý các luồng dữ liệu đo từ cảm biến dựa trên phân tích phổ đơn và FIN, thiết lập véc tơ đặc trưng từ dữ liệu đã xử lý và phép nội suy dựa trên ANFIS (3.61) trong đó ANFIS thực hiện vai trò ánh xạ từ miền thích ứng Xf đến miền đích. Phương pháp của FIN dựa trên hai quan sát quan trọng như sau: quan sát thứ nhất được trình bày trong mục 3.4.2; quan sát thứ hai là mặc dù luôn tồn tại sự lệch miền giữa miền nguồn và miền đích, sự khác biệt giữa tương quan dữ liệu trong cơ sở dữ liệu (Xs Xt) không chứa nhiễu so với cơ sở dữ liệu chứa nhiễu xung (IN) có thể được nhận ra dựa trên trạng thái phân phối dữ liệu của chúng. Xét một ma trận dữ liệu X chứa nhiễu thỏa mãn ba khía cạnh sau đây. 1) Nó nhận được từ miền nguồn/miền đích của hệ thống cơ học được khảo sát; 2) Nó ở dạng của lXt, chẳng hạn như uXt (bao gồm lXt)) hoặc các phần riêng trong Xsnhận được từ trạng thái hư hỏng đơn (single fault); 3) Kích thước của nó phải bằng kích thước của lXt.