K T L UẾ ẬN CHƢƠNG 2
3.4.2 Phân tích Wavelet Packet
Tín hiệu sau khi đƣợc đồng b hóa, phân chia thành 75 ph n bộ ầ ằng nhau đƣợc đƣa vào phân tích Wavelet Packet (ho c Harmonic Wavelet Packet- HWPT) b 4. Hàm ặ ậc wavelet cơ sở đƣợ ử ục s d ng là hàm Daubechies 4. Cây phân tích WPT:
Hình 3. 9: Cây phân tích WPT bậc 4
Hình 3. 11: Hệ ố s WPT a m u tín hi củ ẫ ệu bánh răng gãy bậc 4
Tín hiệu sau khi đồng b hóa, chia làm 75 ph n bộ ầ ằng nhau ta thu đƣợc ma trận 800x 75 ph n t . L y giá tr l ch chu n c a các h s sau phân tích WPT (hoầ ử ấ ị độ ệ ẩ ủ ệ ố ặc HWPT) b c 4, m i d ng hậ ỗ ạ ỏng ta thu đƣợc ma tr n 75x 16 ph n t ậ ầ ử làm đầu vào cho m ng ạ Nơron.
3.4.3 Mô hình m ng Nạ ơron trong nh n d ng v t nậ ạ ế ứt bánh răng
Mô hình m ng ạ nơron đƣợc ch n s d ng là m ng ọ ử ụ ạ nơron truy n thề ẳng đa lớp MLP. Các vector u vào c a m ng đầ ủ ạ là 16 vector thành ph n giá tr có ầ ị tƣơng ứng v i ớ giá tr l ch chu n c a h s WPT, s u ra là 4 ị độ ệ ẩ ủ ệ ố ố đầ tƣơng ứng v i 4 trớ ạng thái hƣ h ng cỏ ủa bánh răng. Số ớ l p và s ng ố lƣợ nơron trong m i l p có th ỗ ớ ể đƣợc tùy ch n, ọ thƣờng m i m ng có t 2-3 l p ỗ ạ ừ ớ nơron ứ, t c là có 1-2 l p ớ nơron ẩ n.
Ứng d ng m t mô hình ụ ộ nơron ụ c thể thƣờng đƣợc chia ra làm hai giai đoạn: Huấn luy n và ki m tra m u. T l phân loệ ể ẫ ỷ ệ ại đúng tình trạng bánh răng của mạng
ph ụthuộc nhi u vào t p m u. Mề ậ ẫ ột tập m u t t là mẫ ố ột tập mẫu đủ ớ l n, chứa thông tin chính xác, đặc trƣng của d ng hạ ỏng bánh răng. Với m i d ng h ng trong thí nghi m, ỗ ạ ỏ ệ tín hiệu đƣợc chia làm 75 ph n b ng nhau, m i phầ ằ ỗ ần đặc trƣng bởi 16 độ ệ l ch chu n. ẩ Ta s chia chúng thành hai nhóm: m t nhóm d ẽ ộ ữ liệu đủ ớn dùng để l hu n luyấ ện m ng, và m t nhóm d ạ ộ ữliệu dùng để ể ki m tra m ng. ạ
Hình 3. 12: Độ ệ l ch chu n c a m u tín hiẩ ủ ẫ ệu bánh răng gãy phân tích WPT b c 4 ậ
Đố ới v i vi c phân lo i, nh n dệ ạ ậ ạng hƣ hỏng b ng m ng nằ ạ ơron, khâu m t th i gian ấ ờ lâu nh t là hu n luy n mấ ấ ệ ạng ban đầu, thời gian đáp ứng cho vi c ki m tra m u là ệ ể ẫ khá nhanh chóng. V i m ng ớ ạ nơron đƣợc kh i tở ạo ban đầu, sau quá trình hu n luyấ ện thu đƣợc m t m ng ộ ạ nơron ớ v i các tr ng s liên kọ ố ết và các độ ệch đã đƣợ l c hi u ệ chỉnh tƣơng ứng v i hàm mớ ục tiêu đề ra, ta s d ng mử ụ ạng để nh n d ng m t m u ậ ạ ộ ẫ bất kỳ. Thuật toán đƣợc sử ụng để d huấn luy n m ng là thu t toán lan truyệ ạ ậ ền ngƣợc.
Hàm m c tiêu c a mụ ủ ạng đƣợc xây d ng: ự
Bánh răng bình thƣờng: 1 1 1 1 Bánh răng mòn nhẹ: 1 1 1 1 Bánh răng mòn trung bình: 1 1 1 1
Bánh răng gãy: 1 1 1 1
Hình 3. 13: Mô hình mạng nơron truy n thề ẳng đa lớp MLP
Các bƣớc phân lo i, nh n dạ ậ ạng hƣ hỏng bánh răng với mô hình m ng ạ nơron: Thiế ế ạt k m ng nơron ự d a trên d liữ ệu đã phân tích.
Huấn luy n mệ ạng nơron.
Kiểm tra vi c hu n luy n trên m u m i. ệ ấ ệ ẫ ớ
Mạng Nơron khởi tạo ban đầu D u hu n ữliệ ấ luy nệ Mạng Nơron với thông số đã hiệu chỉnh, có kh ả năng
khái quát hóa
D u ữliệ kiểm tra K t qu kiế ả ểm tra Huấn luy n ệ m ng ạ Kiểm tra m ng ạ
3.4.4 Nh n d ng v t nậ ạ ế ứt bánh răng nhờ Wavelet Neural Networks
T ừ các bƣớc thu th p d u, x lý d u và thi t l p m ng ậ ữliệ ử ữliệ ế ậ ạ nơron, ta có th ể đƣa ra mô hình chẩn đoán thông minh vế ứt, hƣ hỏng bánh răng nhờt n Wavelet Neural Networks:
Hình 3.14: Mô hình chẩn đoán thông minh nhờ WNN
Để hu n luy n m ng ấ ệ ạ nơron ớ v i b d li u trên, ta xây d ng mộ ữ ệ ự ột chƣơng trình thực hi n trên ph n mệ ầ ềm Matlab, chƣơng trình có sử ụ d ng m t s hàm v phân tích ộ ố ề WPT và m ng ạ nơron trong Toolbox. Để thu n ti n và trậ ệ ực quan hơn trong quá trình nh n d ng, phát hiậ ạ ện hƣ hỏng bánh răng ta tạo m t giao diộ ện GUI. Chƣơng trình này cho phép ngƣời dùng có th th nghi m v i nhi u mô hình m ng ể ử ệ ớ ề ạ nơron khác nhau, cho phép ngƣời dùng có th l a ch n phép phân tích d li u, s l p ể ự ọ ữ ệ ố ớ nơron, nh p vào s ng ậ ố lƣợ nơron trong m t l p, hàm hu n luy n. Bên cộ ớ ấ ệ ạnh đó chƣơng trình
còn có chức năng huấn luy n, ki m tra m ng, nh n dệ ể ạ ậ ạng hƣ hỏng v i b d u bớ ộ ữ liệ ất k ỳ và đƣa ra các kết quảtrực quan.
Hình 3. 15: Giao diện chính của chương trình
Tín hiệu dao động c a h p s ủ ộ ố sau khi đƣợc ti n x lề ử ý đồng b hóa và phân tích ộ Wavelet Packet, ta thu đƣợc 75 ph n b ng nhau, m i phầ ằ ỗ ần đƣợc đặc trƣng bởi 16 giá tr l ch chu n. V i m i d ng h ng, ta l y 55 ph n tín hiị độ ệ ẩ ớ ỗ ạ ỏ ấ ầ ệu dùng để huấn luy n m ng, 10 ph n tín hiệ ạ ầ ệu dùng để ể ki m tra l i mạ ạng sau khi đã huấn luyện, s ố lƣợng đầu vào c a mủ ạng là 16, đầu ra là 4 ng v i 4 d ng h ng. Mứ ớ ạ ỏ ạng đƣợc ch n là ọ m ng có 3 l p ạ ớ nơron ố lƣợ, s ng nơron m i l p là 10, 6, 4. K t qu hu n luy n và ỗ ớ ế ả ấ ệ ki m tra mể ạng là đúng khi đáp ứng- u ra c a m ng trùng v i hàm m c tiêu c a đầ ủ ạ ớ ụ ủ t ng d ng h ng. ừ ạ ỏ
Hình 3. 16: Tạo m ng nạ ơron ớ v i 3 lớp m ng, các thông s c a m ng ạ ố ủ ạ
Hình 3.17, khi đƣa tín hiệu vào chƣơng trình, ta có 220 mẫu hu n luy n (55 m u ấ ệ ẫ ở ỗ ạng hƣ hỏ m i d ng của bánh răng), kết qu hu n luy n mả ấ ệ ạng đạt 100% chính xác, qua đó ta thấ ựy l a chọn độ ệ l ch chu n c a các h s wavelet là l a chẩ ủ ệ ố ự ọn đúng đắn.
Hình 3. 18: Kết quả ể ki m tra mạng đạt 100%
B d ộ ữ liệu chƣa dùng để hu n luy n mấ ệ ạng đƣợc dùng để ki m tra chể ất lƣợng m ng sau khi hu n luy n. Hình 3.18 là k t qu sau khi hu n luy n, k t qu ki m tra ạ ấ ệ ế ả ấ ệ ế ả ể cho ta nh n d ng 4 dậ ạ ạng hƣ hỏng khác nhau của bánh răng đạt 100% chính xác. Qua đó ta thấy đƣợc chất lƣợng đáng tin cậy c a m ng trong nh n d ng ủ ạ ậ ạ hƣ hỏng bánh răng.
Ngoài ra, v i m ng ớ ạ nơron đã có, ta có thể n hành nh n d ng tình tr ng ctiế ậ ạ ạ ủa bánh răng với m t b tín hi u b t k . V i tín hiộ ộ ệ ấ ỳ ớ ệu dao động b t k c a h p s bánh ấ ỳ ủ ộ ố răng, ta tiến hành các bƣớc phân tích nhƣ hình 3.14, ới cơ sở đã có ủ v c m ng s a ạ , ẽ giúp ta đƣa ra kết quả ề v tình trạng bánh răng đó.
K T LU N CHẾ Ậ ƢƠNG 3
Ch ng 3 ã trình bày các dƣơ đ ạng hƣ hỏng ch y u củ ế ủa bánh răng, mô hình thí nghiệm đo tín hiệu dao động c a h p s bánủ ộ ố h răng với các d ng hạ ỏng đƣợc định trƣớc. Chƣơng này cũng trình bày kết qu phân tích tín hi u trong mi n th i gian, ả ệ ề ờ miề ần t n s , cho thố ấy đƣợc nh ng h n ch c a các phép phân tích tín hi u trên trong ữ ạ ế ủ ệ nh n dậ ạng hƣ hỏng bánh răng, từ đó đƣa ra chẩn đoán tình trạng bánh răng bằng Wavelet Neural Networks. V i vi c trình bày trình t ớ ệ ự các bƣớc x lý, phân tích tín ử hi u, nh n d ng b ng Wavelet Nệ ậ ạ ằ eural Networks, k t qu ế ả thu đƣợc là tin cậy, đúng v i các sai hớ ỏng định trƣớc có th ể thấy đƣợc ƣu điểm và kh ả năng ứng d ng cụ ủa ch n oán thông minh trong thẩ đ ực tiễn s n xu t. ả ấ
K T LU N Ế Ậ
Luận văn trình bày về kh ả năng phát hiện hƣ hỏng c a h p s ủ ộ ố bánh răng nhờ mô hình tín hiệu dao động, phân tích tín hiệu dao động b ng phép biằ ến đổi wavelet rời r c k t h p v i kh ạ ế ợ ớ ả năng phân loạ ủi c a m ng ạ nơron. Tín hiệu dao động đƣợc x ử lý b ng phép biằ ến đổi gói Wavelet (Wavelet Packet Transform- WPT) với wavelet cơ s ở là hàm Daubechies 4, song song đó tín hiệu cũng đƣợc x lý b ng phép biử ằ ến đổi wavelet điều hòa (Harmonic Wavelet Packet Transform- HWPT). M ng ạ Nơron đƣợ ử ục s d ng là m ng ạ nơron truy n thề ẳng đa ớ l p MLP với các vector đầu vào ch a ứ 16 giá tr là 16 giá tr l ch chu n c a các h s ị ị độ ệ ẩ ủ ệ ố wavelet sau khi đã tiến hành phân tích wavelet b c 4. S ậ ố lƣợng đầu ra c a mủ ạng là 4 tƣơng ứng v i 4 trớ ạng thái hƣ h ng cỏ ủa bánh răng bình thƣờ- ng, mòn nh , mòn trung ẹ bình và gãy răng. Qua phân tích tín hi u, nh n d ng b ng m ng ệ ậ ạ ằ ạ nơron ế k t qu ả thu đƣợc cho ta đánh giá đúng về tình trạng hƣ hỏng của bánh răng và đúng với nh ng sai hữ ỏng đƣợc c tình t o ra ố ạ trong thí nghiệm.
Có th y r ng vi c chể thấ ằ ệ ẩn đoán, giám sát tình trạng h p s , các thi t b quay ộ ố ế ị thông qua tín hiệu dao động là kh thi, giúp cho k ả ỹthuật viên có th ể theo dõi đƣợc tình tr ng thi t b , s phát tri n c a sai h ng n u có, t ạ ế ị ự ể ủ ỏ ế ừ đó đƣa ra các phƣơng án khắc phục sửa ch ữa.
T ừ luận văn có thể y rthấ ằng phƣơng pháp phân tích Wavelet r i r c nói chung ờ ạ và phân tích gói Wavelet (WPT và HWPT) nói riêng trong chẩn đoán tình trạng máy móc còn khá m i m ớ ẻ nhƣng lạ ấ ữi r t h u ích. Bên cạnh đó việc ứng d ng m ng ụ ạ nơron vào chẩn đoán tình trạng máy m ở ra bƣớc ti n mế ới trong lĩnh vực chẩn đoán đó là chẩn đoán thông minh, chẩn đoán tự động, online… Qua đó cũng mở ra m t ộ s ố hƣớng nghiên c u trong th i gian t i trên n n ng d ng m ng ứ ờ ớ ề ứ ụ ạ nơron:
Support vector machines. Neuro- zzy System. Fu
TÀI LI U THAM KH O Ệ Ả
Tiếng Việt
[1] Nguyễn Phong Điền (2012), K ỹ thuật đo đạc và phân tích tín hiệu dao động trong cơ học,Trƣờng Đại học Bách Khoa Hà Nội, Hà Nội.
[2] Nguyễn Phong Điền, Nguy n Tr ng Du (2012), ễ ọ Phát hi n v t nệ ế ứt răng của b ộtruyền bánh răng bằng phương pháp trung bình hóa tín hiệu dao động và phép biến đổi Wavelet liên tục, H i ngh ộ ị Cơ học toàn qu c l n th IX, Hà ố ầ ứ N ội.
Tiếng Anh
[3] H. Bendjama, S. Bouhouche, M. S. Boucherit (2012): “Application of Wavelet Transform for Fault Diagnosis in Rotating Machinery”,
International Journal of Machine Learning and Computing, 2(1), pp. 82- 87. [4] Howard Demuth, Mark Beale (2002), Neural Network Toolbox User’s Guide,
The Math Works.
[5] Ruqiang Yan, Robert X. Gao (2005), “An efficient approach to machine health diagnosis based on harmonic wavelet packet transform”, Elsevier, Robotics and Computer- Integrated Manufacturing, 21, pp. 291- 301.
[6] Robert X. Gao, Ruqiang Yan (2011), Wavelets- Theory and Applications for Manufacturing, Springer, London.
[7] Meltzer G., Nguyen Phong Dien (2004), Fault diagnosis in gears operating “ under non-stationary rotational speed using polar wavelet amplitude maps”, Elsevier, Mechanical Systems and Signal Processing, 18, pp. 985 992. –
[8] Juuso Olkkonen (2011), Discrete Wavelet Transforms- Theory and Applications, InTech, Croatia.
[9] J. Rafiee, F. Arvani, A. Harifi, M.H. Sadeghi (2007), “ Intelligent condition monitoring of a gearbox using artificial neural network”, Elsevier, Mechanical Systems and Signal Processing, 21, pp. 1746- 1754.
[10] J. Rafiee, F. Arvani, A. Harifi, M.H. Sadeghi (2009), “A novel technique for selecting mother wavelet function using an intelligent fault diagnosis system”, Elsevier, Expert Systems with Applications, 36(3), pp. 4862- 4875.