Để lựa chọn đầu vào cho mạng nơron trước hết cần phân tích tín hiệu của mỗi dạng hỏng để tìm ra đặc trưng của mỗi tín hiệu đó. Ban đầu tín hiệu mỗi dạng hỏng sẽ được chia thành các khối bằng nhau (cụ thể trong trường hợp này 37 khối) dựa trên cơ sở tín hiệu pha và phép nội suy. Mỗi khối tín hiệu này tiếp tục được phân ly thành 16 tín hiệu thành phần bằng phép biến đổi WPT bậc 4 (mỗi tín hiệu thành phần tương ứng với một vùng tần số khác nhau của khối tín hiệu). Sau đó tiến hành lấy độ lệch chuẩn của của 16 tín hiệu thành phần này (hình 5.56). Như vậy với mỗi dạng hỏng ta thu được một ma trận gồm các phần tử là độ lệch chuẩn (37x16 phần tử). Ma trận này chính là ma trận đặc trưng cho tín hiệu của mỗi dạng hỏng, được sử dụng để làm đầu vào cho mạng nơron (hình 5.57).
Không thể sử dụng trực tiếp các giá trị tín hiệu đặc trưng như Kurtosis, Crest factor… cho các khối tín hiệu ở trên để làm đầu vào cho mạng nơron. Bởi vì nếu sử dụng nó sẽ cho ra ma trận có số phần từ ít hơn nhiều (37x1 phần tử), và không mang đầy đủ thông tin về tín hiệu, đặc biệt là rất khó phát hiện những tín hiệu dạng xung xảy ra trong thời gian rất ngắn (điều mà phân tích WPT có thể làm được) [99].
Hình 5.56: Miêu tả phép biến đổi Wavelet packet phân ly bậc 4 và các độ lệch chuẩn tương ứng
Hình 5.57: Mô hình mạng nơron truyền thẳng đa lớp MLP
Hàm mục tiêu của mạng được xây dựng: - Bánh răng bình thường: 1 1 1 1T - Bánh răng mẻ: 1 1 1 1T - Bánh răng gãy: 1 1 1 1T - Hư hỏng tổng hợp: 1 1 1 1T
trong đó hư hỏng tổng hợp là hư hỏng đo được khi hộp số vừa hư hỏng ổ lăn vừa gãy răng và cong trục.
136
Với mạng nơron được khởi tạo ban đầu, sau quá trình huấn luyện thu được một mạng nơron với các trọng số liên kết và các độ lệch đã được hiệu chỉnh tương ứng với hàm mục tiêu đề ra, ta sử dụng mạng để nhận dạng một mẫu bất kỳ. Thuật toán được sử dụng để huấn luyện mạng là thuật toán lan truyền ngược. Đầu ra của mạng nơron là các dạng hỏng cần phân loại. Các bước phân loại, nhận dạng hư hỏng bánh răng với mô hình mạng nơron:
- Thiết kế mạng nơron dựa trên dữ liệu đã phân tích. - Huấn luyện mạng nơron.
- Kiểm tra việc huấn luyện trên mẫu mới.
Từ những nghiên cứu về WPT và mạng nơron đưa ra sơ đồ thuật toán phân loại hư hỏng như hình 5.58. Trong 37 bộ số liệu lệch chuẩn của mỗi dạng hỏng được phân chia như sau: Sử dụng 27 bộ số liệu vào huấn luyện, 5 bộ để xác thực và 5 bộ để kiểm tra. Kết quả huấn luyện mạng đạt 100% chính xác (hình 5.59) cho thấy lựa chọn các tham số mạng và chọn đầu vào mạng (độ lệch chuẩn của các hệ số WPT) mang lại hiệu quả huấn luyện cao nhất.
Hình 5.58: Sơ đồ thuật toán phân loại hư hỏng bằng ANN
Bánh răng bình thường Bánh răng mẻ Bánh răng gãy Hư hỏng tổng hợp
137
Hình 5.59: Kết quả huấn luyện mạng phân loại hư hỏng
Bộ dữ liệu chưa dùng (5 bộ số liệu còn lại của mỗi dạng hỏng), được sử dụng kiểm tra chất lượng mạng tương ứng với 4 dạng hỏng khác nhau. Kết quả kiểm tra mạng đạt 97.5% chính xác với duy nhất một mẫu bị sai thể hiện trên đồ thị hình 5.60. Từ đó có thể thấy phân loại hư hỏng bằng mạng nơron cho một kết quả nhanh chóng, chính xác, đơn giản và có thể được sử dụng vào hệ thống giám sát dao động online.
Hình 5.60: Kết quả kiểm tra mạng phân loại hư hỏng
Kết luận chƣơng 5
Chương 5 đã trình bày và giới thiệu chương trình tính DSPT để phục vụ chẩn đoán hư hỏng hộp số bánh rẳng. Bên cạnh đó mô hình thí nghiệm và một số kết quả chẩn đoán dao động đối với hộp số bánh răng cũng đã được trình bày. Từ những phân tích, bình luận trong chương này cho thấy rằng, bằng cách kết hợp các phương pháp phân tích thời gian – tần số với trung bình hóa tín hiệu đồng bộ cải tiến có thể chẩn đoán hư hỏng các chi tiết quay trong hộp số bánh răng vận hành với tốc độ quay ổn định và biến đổi. Bên cạnh đó phương pháp phân loại hư hỏng tự động bằng cách kết hợp giữa WPT và mạng nơron cũng đã được kiểm chứng trên mô hình thực tế. Có thể nói rằng các phương pháp được đề xuất trong luận án đưa ra kết quả chẩn đoán nhanh, với độ chính xác cao hơn các phương pháp phân tích tín hiệu truyền thống.
Mẫu sai Bánh răng bình thường Bánh răng mẻ Bánh răng gãy Hư hỏng tổng hợp
138
KẾT LUẬN
Trên cơ sở nghiên cứu những vấn đề hư hỏng hộp số bánh răng, luận án đã đi sâu giải quyết bài toán chẩn đoán dao động các chi tiết tiêu biểu trong hộp số như bánh răng và ổ lăn bằng phương pháp kết hợp giữa các phép biến đổi thời gian – tần số với trung bình hóa tín hiệu đồng bộ. Bên cạnh đó luận án đã áp dụng trí tuệ nhân tạo vào hệ thống chẩn đoán dao động nhằm mục đích chẩn đoán trực tuyến cho các hộp số công nghiệp. Nhìn chung luân án đã thực hiện được mục tiêu đã đề ra.
Những kết quả chính thu đƣợc trong luận án
1. Đã xây dựng mô hình chẩn đoán dựa trên các thông số chẩn đoán nhằm xác định triệu chứng của các phần tử trong hộp số bánh răng. Các triệu chứng hư hỏng của các chi tiết quay như trục, bánh răng, ổ lăn được xác định dựa vào phân tích dao động đo được tại phần tĩnh của hộp số bánh răng. Mỗi chi tiết có một triệu chứng khác nhau thể hiện thông qua các tín hiệu có vùng tần số khác nhau.
2. Xây dựng mô hình thí nghiệm cho hộp số bánh răng trụ 1 cấp và 2 cấp trong các điều kiện vận hành khác nhau. Tiến hành đo đạc bằng đầu đo gia tốc và đầu đo pha kết nối với máy đo dao động đa kênh, nhằm kiểm soát đường truyền dao động ra vỏ hộp số. Các hư hỏng được tạo ra có chủ ý trên bánh răng, ổ lăn, trục quay, nhằm mục đích kiểm chứng hiệu quả các phương pháp chẩn đoán được áp dụng.
3. Sử dụng phương pháp phân tích thời gian – tần số trên cơ sở phép biến đổi Wavelet nhằm đưa ra thông tín về tín hiệu đồng thời trong cả hai miền thời gian và tần số. Cải tiến độ phân giải trong phân bố thời gian – tần số của tín hiệu trên cơ sở phép biến đổi Wavelet bằng các phép biến đổi mới như phép biến đổi Wavelet nén đồng bộ và phép biến đổi Wavelet nén đồng bộ suy rộng. Đặc biệt, phép biến đổi Wavelet nén đồng bộ suy rộng có thể đưa ra thông tin các dải biên xung quanh tần số ăn khớp của tín hiệu dao động đo tại hộp số bánh răng vận hành với tốc độ quay biến đổi.
4. Đề xuất phương pháp trung bình hóa tín hiệu đồng bộ cải tiến nhằm giảm thiểu nhiễu ngẫu nhiên và nhiễu do các nguồn dao động khác, với mục đích chẩn đoán chính xác hư hỏng cục bộ và hư hỏng phân bố gây ra bởi các chi tiết quay trong hộp số bánh răng. Kỹ thuật trung bình hóa tín hiệu đồng bộ đã được cải tiến sao cho có thể áp dụng cho hộp số nhiều cấp tốc độ mà chỉ cần duy nhất một đầu đo pha, do đó tiết kiệm chi phí cho việc mua sắm thiết bị đo. Bên cạnh đó với những hộp số có vỏ bọc che kín, không gắn được đầu đo pha, gây khó khăn cho việc áp dụng kỹ thuật trung bình hóa tín hiệu đồng bộ cũng đã được giải quyết bằng cách tách thông tin pha từ chính tín hiệu đo gia tốc. Phương pháp trung bình hóa tín hiệu đồng bộ cải tiến còn được sử dụng, như một phương pháp loại trừ, nhằm chẩn đoán hư hỏng ổ đỡ con lăn.
5. Xây dựng mô hình chẩn đoán thông minh, tự động phân loại hư hỏng bằng cách phối hợp giữa phân tích Wavelet packet và mạng nơron. Đây là một phương pháp mới và tiên tiến trên thế giới được đưa ra nhằm mục đích phát huy sức mạnh của mạng internet, giúp cho các nhà chuyên môn làm việc ở một vị trí cố định nhưng có thể kiểm soát hoạt động và đưa ra các nhận định đánh giá cho hộp số ở nơi xa.
6. Tiến hành xây dựng quy trình chẩn đoán và chương trình tính DSPT trên nền tảng Matlab với các thuật toán truyền thống và các thuật toán mới được áp dụng, nhằm chẩn đoán dao động các chi tiết quay trong hộp số bánh răng. Chương trình tính DSPT có thể áp
139
dụng để phát hiện hư hỏng đối với từng chi tiết khác nhau, cũng như nhiều chi tiết cùng hỏng một lúc. Việc sử dụng chương trình tính DSPT giúp cho các nhà chuyên môn nhanh chóng đưa ra những nhận định, đánh giá chính xác về tình trạng hiện thời của thiết bị.
7. Luận án đã kết hợp với cơ sở sản xuất thực tế nhằm phối hợp giữa nghiên cứu và thực tiễn. Tiến hành lắp đặt thiết bị đo và giám sát tình trạng hoạt động của hộp số tại một nhà máy cán thép. Các kết quả mới của luận án đã được áp dụng ngoài thực tế cho thấy việc áp dụng chẩn đoán dao động có thể rút ngắn thời gian sửa chữa, chủ động trong việc thay thế và tăng độ tin cậy của thiết bị.
Hƣớng phát triển của đề tài
- Tiếp tục nghiên cứu và hoàn thiện phương pháp pháp đã đề xuất để chẩn đoán các chi tiết quay trong hộp số bánh răng, đặc biệt là chẩn đoán các hộp số phức tạp nhiều cấp tốc độ làm việc trong điều kiện tốc độ quay và tải trọng khác nhau. Nghiên cứu phương pháp chẩn đoán cho các thiết bị công nghiệp khác như hộp số bánh răng hành tinh, turbin gió và các động cơ điện…
- Áp dụng kết quả của đề tài trong thu thập và xử lý số liệu cho các nhà máy sản xuất, tiến tới xây dựng các trung tâm xử lý số liệu tập trung và các thiết bị chẩn đoán online để đảm bảo khả năng vận hành liên tục của nhà máy, giảm thiểu rủi ro và thiệt hại về kinh tế do phải dừng máy đột ngột. Đặc biệt là trong các nhà máy nhiệt điện, thủy điện, cán thép… với những thiết bị nhập khẩu đắt tiền, đòi hỏi bộ phận bảo dưỡng phải có chiến lược thay thế dự phòng lâu dài.
140
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ
1. Nguyễn Phong Điền, Nguyễn Trọng Du (2012). Phát hiện vết nứt răng của bộ truyền bánh răng bằng phương pháp trung bình hóa tín hiệu dao động và phép biến đổi Wavelet liên tục. Tuyển tập công trình khoa học hội nghị Cơ học toàn quốc lần thứ 9, tập 1 – Động lực học và Điều Khiển, Hà nội, tháng 12, trang 119-129.
2. Nguyễn Phong Điền, Nguyễn Trọng Du (2013). Phát hiện hư hỏng trong các hệ truyền động cơ khí bằng kỹ thuật chẩn đoán rung. Hội nghị khoa học và công nghệ toàn quốc về Cơ khí, Đại học Công nghiệp Hà Nội, tháng 4, trang 249-255.
3. Nguyễn Phong Điền, Nguyễn Trọng Du (2013). Nhận dạng hư hỏng của ổ bi trong quá trình vận hành bằng phân tích wavelet các dao động riêng tần số cao. Tạp chí Khoa học và Công nghệ Năng lượng số6, trường Đại học Điện Lực, trang 24-30. 4. Nguyễn Phong Điền, Nguyễn Trọng Du (2014). Một phương pháp phân tích dao
động của hệ truyền động với tốc độ vận hành thay đổi: Áp dụng cho hộp số bánh răng công nghiệp. Tuyển tập công trình hội nghị Cơ học kỹ thuật toàn quốc kỷ niệm 35 năm thành lập Viện Cơ học, tập 1 – Cơ học máy, Cơ học Thủy khí và Động lực học và Điều khiển, Hà nội, tháng 04, trang 491-496.
5. Nguyen Trong Du, Nguyen Phong Dien (2014). Detecting gear tooth cracks using K-hybrid thresholding de-noising method based on continuous wavelet transforms.
Proceedings of the 7th AUN/SEED-Net Regional Conference in Mechanical and Manufacturing Engineering (RCMME2014), Ha noi, October 9-10, pp. 122 - 126. 6. Nguyen Trong Du, Nguyen Phong Dien (2014). Gear fault identification using
artificial neural network and wavelet packet transform. Proceedings of the 3rd International Conference on Engineering Mechanics and Automation - ICEMA 3, Ha noi, October 15, pp. 17 – 22.
7. Nguyễn Trọng Du (2015). Phương pháp nhận dạng hư hỏng bộ truyền bánh răng trong điều kiện vận hành với tốc độ quay biến đổi bằng phép biến đổi nén Wavelet suy rộng. Tạp chí Cơ khí Việt Nam,số 1+2, trang 159-165.
8. Nguyễn Phong Điền, Nguyễn Trọng Du (2015). Phát hiện sớm hư hỏng của bánh răng từ dao động của vỏ hộp số bằng phương pháp trung bình hóa đồng bộ trong miền thời gian. Tạp chí khoa học và công nghệ các trường Đại học kỹ thuật,số 104, trang 73-77.
9. Nguyễn Trọng Du, Nguyễn Phong Điền (2015). Chẩn đoán sớm hư hỏng hệ truyền động bằng kỹ thuật phân tích dao động mới. Tạp chí nghiên cứu khoa học và công nghệ Quân sự, số 36, trang 160-166.
10. Nguyen Phong Dien, Nguyen Trong Du (2015). Detection of Gear Faults in Gearboxes using Advanced Signal Processing Methods. Journal of Science of Technology 106, 063-068.
141
TÀI LIỆU THAM KHẢO
Tiếng Việt
[1] Huy, Nguyễn Đức (2011). Xây dựng mô hình dao động tham số và tính toán dao động tuần hoàn của bộ truyền bánh răng nghiêng hai cấp. Trường Đại học Bách khoa Hà nội (Luận văn thạc sĩ khoa học).
[2] Hùng, Nguyễn Oai (2010). Nghiên cứu các giải pháp kỹ thuật để giám sát và chẩn đoán tình trạng kỹ thuật của ổ đỡ con lăn từ các tín hiệu đo dao động cơ học.
Trường Đại học Bách khoa Hà Nội (Luận văn thạc sĩ khoa học).
[3] Hùng, Nguyễn Phương (2007). Ứng dụng của phép biến đổi wavelet trong chẩn đoán dao động của máy quay. Trường Đại học Bách khoa Hà nội (Luận văn thạc sỹ khoa học).
[4] Khang, Nguyễn Văn (2003). Cơ sở cơ học kỹ thuật (Tập 1). Nhà xuất bản Đại học Quốc gia Hà nội.
[5] Adams, E., H. Keppler, & U. Schulte (1995). On the simulation of vibrations of industrial gear drives (Complex interactions of physics, mathematics, numerics and experiments). Archive of Applied Mechanics 65, pp. 142-160.
[6] Addison, P.S., M. Morvidone, J.N. Watson, & D. Clifton (2006). Wavelet transform reassignment and the use of low-oscillation complex wavelets. Mechanical Systems and Signal Processing20, pp. 1429–1443.
[7] Aherwar, A., M. S. Khalid (2012). Vibration analysis techniques for gearbox diagnostic: A review. International Journal of Advanced Engineering Technology 3(2), pp. 4-12.
[8] Al-Arbi, S. (2012). Condition Monitoring of Gear Systems using Vibration Analysis.
University of Huddersfield (Doctoral thesis), Huddersfield.
[9] Al-Ghamd, A. M., D. Mba (2006). 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.
[10] B. Samanta, K.R. Al-Balushi (2003). Artificial neural network based fault diagnostics of rolling element bearings using time-domain features. Mechanical Systems and Signal Processing17(2), pp. 317–328.
[11] Bader, D. (2006). Entwicklung einer flexiblen akustischen Messmethode zur Detektierung von verzahnungstechnischen Qualitätsproblemen. Technischen Universität Ilmenau (Dissertation).
[12] Bartelmus, W. (2001). Mathematical modelling and computer simulations as an aid to gearbox diagnostics. Mechanical Systems and Signal Processing 15(5), pp. 855- 871.
[13] Bartelmus, W., R. Zimroz, & H. Batra (2009). A new feature for monitoring the condition of gearboxes in non-stationary operating conditions. Mechanical Systems and Signal Processing23, pp. 1528-1534.
[14] Bartz, W. J. (1992). Schäden an geschmierten Maschinenelementen. Kontakt und Studium Band 28. Expert Verlag, Ehningen.
[15] Baydar, N., A. Ball (2000). Detection of gear deterioration under varying load conditions by using the instantaneous power spectrum. Mechanical Systems and Signal Processing14, pp. 907-921.
142
[16] Bendat, J. S., A. G. Piersol (2000). Random data analysis and measurement procedures (3rd edn ed.). Wiley, New York.
[17] Bently, D. E. (2003). Fundamentals of rotating machinery diagnostics. American Society of Mechanical Engineers.
[18] Bilošová, A. L., J. Biloš (2012). Vibration Diagnostics. Technical University of Ostrava, Czech Republic.
[19] Blankenship, G. W., R. Singh (1995). Dynamic force transmissibility in helical gear pairs. Mechanism and Machine Theory30, pp. 323-339.
[20] Boashash, B. (1992). Time-Frequency Signal Analysis. Longman Cheshire, London.
[21] Boerner, J. (1999). Rechenprogramm LVR: Beanspruchungsverteilung an evolventischen Verzahnungen. Foschungsberichte, TU Dresden, Institut für Maschinenelemente und Maschinen-konstruktion.
[22] Bonnardot, F., M. El Badaoui, R.B. Randall, J. Danière, & F. Guillet (2005). Use of the acceleration signal of a gearbox in order to perform angular resampling (with limited speed fluctuation). Mechanical Systems and Signal Processing 19(4), pp. 766 -785.
[23] Brändlein, J., P. Eschmann, L. Hasbargen, & K. Weigand (1999). Ball and Roller Bearings: Theory, Design, and Application. John Wiley & Sons, UK.
[24] Braun, S. (1975). The extraction of periodic waveforms by time domain averaging. Acustica32, pp. 69-77.
[25] Braun, S. (2011). The synchronous (time domain) average revisited. Mechanical Systems and Signal Processing25(4), pp. 1087–1102.
[26] Brie, D. (2000). Modelling of the spalled rolling element bearing viration signal: an overview and some new results. Mechanical Systems and Signal Processing