K T L UẾ ẬN CHƢƠNG 2
3.2 Mô hình thí nghi ệm
D ữliệu dao động h p s ộ ố đƣợ ử ục s d ng trong luận văn là dữ u c a nhóm tác gi liệ ủ ả tài li u tham khệ ảo [9], [10] đã thí nghiệm. Mô hình trên, bánh răng đã đƣợc c tình ố làm sai h ng các d ng h ng và mỏ ở ạ ỏ ức độ ỏ h ng khác nhau nh m nghiên c u, chằ ứ ẩn đoán sai hỏng c a h p s . Mô hình bao g m: ủ ộ ố ồ
B h p s ộ ộ ố bánh răng đƣợc truyền động bởi động cơ điện điề ốu t c. Cơ cấ ạ ả ằu t o t i b ng bánh ma sát.
H ệ đo gồm một đầu đo pha quang học đo tín hiệu pha tham chi u, mế ột đầu đo gia tốc k ba chiế ều đo gia tố dao động theo ba phƣơng X, Y, Z tạc i cùng một vị trí trên v h p. ỏ ộ
Đế gi m ch n nh m giả ấ ằ ảm đi phần nào ảnh hƣởng của rung động ngoài môi trƣờng.
Toàn b h ộ ệ thống đƣợc k t nế ối và điều khi n bể ởi máy tính đo với ph n m m x ầ ề ử lý chuyên d ng. ụ
Tín hiệu đƣợc l y m u t n s l y m u ấ ẫ ở ầ ố ấ ẫ fs 16384( )Hz , bánh răng làm thí nghi m có s ệ ố răng Z1 30 , tốc độ trục n1 1420 (vòng/ phút), t n s ầ ố trục:
1 23,67( )
n
f Hz , t n s ầ ố ăn khớp của bánh răng: fz2 fz1 Z f1. n1 ). Các sai h ng có ch ỏ ủ đích đƣợ ạo ra là mòn và gãy răng. c t
3.3 Phát hi n v t nệ ế ứt bánh răng bằng phân tích tín hi u trong mi n thệ ề ời gian, t n s ầ ố
3.3.1 Phân tích tín hi u trong mi n th i gian ệ ề ờ
Phân tích tín hi u trong mi n thệ ề ời gian là bƣớc ban đầu trong quy trình phân tích tín hi u s , cung c p cho ta nhệ ố ấ ững thông tin ban đầu đánh giá về tín hiệu dao động của hộp s . ố
T hình 3.3 cho ta th y tín hiừ ấ ệu dao động trong mi n thề ời gian tƣơng ứng với t ng tình tr ng cừ ạ ủa bánh răng. Qua đó ta có thể đƣa ra một vài nhận định ban đầu:
Hình 3. 3: Tín hiệu dao động trong mi n th i gian: a)- ề ờ bánh răng bình thường, b)- mòn nhẹ, c)- mòn trung bình, d)- gãy răng
a)
b)
d) c)
Vùng có các tín hiệu dày đặc (dải đen) cho ta th y mấ ức độ ảnh hƣởng của rung động đến h p s , h p s chộ ố ộ ố ịu rung động nhi u thì d i tín hi u do rung ề ả ệ gây ra càng dày, ảnh hƣởng đến s ự ăn khớp của bánh răng.
Các dao động có biên độ ớ l n x y ra trong th i gian ng n là k t qu c a quá ả ờ ắ ế ả ủ trình ăn khớp gi a cữ ác răng với nhau.
Tuy nhiên, trong th c t hoự ế ạt động c a chủ ẩn đoán kỹ thuật, ta c n biầ ết đƣợ ạc t i thời điểm nào x y ra sai h ng, t ả ỏ ừ đồthị tín hi u theo th i gian- ệ ờ biên độ dao động ta chƣa thể ế k t luận đƣợc li u rệ ằng bánh răng đã hỏng hay chƣa. Vì ngoài những yếu t ố ảnh hƣởng do sai h ng cỏ ủa bánh răng, những yế ố tác động chính, bánh răngu t - h p s còn chộ ố ịu ảnh hƣởng bởi dao động các b ph n khác c a thi t b ở ộ ậ ủ ế ị đang hoạt động, nhi u bên ngoài. Các tín hi u này ch ng ch t v i nhau t o nên tín hi u m i có ễ ệ ồ ấ ớ ạ ệ ớ c u trúc ch ng chấ ồ ất (trong đó yếu t sai h ng là m t thành ph n) có th làm cho ố ỏ ộ ầ ể biên độ dao động tăng lên rất nhi u. ề
3.3.2 Phân tích tín hi u trong mi n t n s ệ ề ầ ố
Phân tích ph t n s tín hiổ ầ ố ệu đo đƣợc trên h p s d a trên phép biộ ố ự ến đổi Fourier (FFT) v i t n s l y m u 16384 (Hz). Thông qua ph t n s (Hình 3.4), ta có th ớ ầ ố ấ ẫ ổ ầ ố ể thấy đƣợc nh ng t n s mà ữ ầ ố ở đó biên độ dao động l n, các t n s ớ ầ ố này tƣơng ứng với t n s ầ ố ăn khớp và những điều hòa b c cao c a nó. Không ch v y, quá trình tiậ ủ ỉ ậ ến triển c a các y u t ủ ế ố ảnh hƣởng đến bánh răng (ở đây là mòn) còn đƣợc th hi n ể ệ ở nh ng dữ ải phụ xung quanh những điểm tần s ốtrên.
B ng vi c so sánh v i chuằ ệ ớ ẩn tƣơng đối (so sánh k t qu sau v i k t qu ế ả ớ ế ả trƣớc) nhìn chung có th y r ng: khi mòn xu t hi n, các t n s d i biên xung quanh tểthấ ằ ấ ệ ầ ố ả ần s ố ăn khớp chính ( 1 1
2
z z
f f )cũng xuất hiện, tăng dần theo mức độ hƣ hỏng. Khi răng bị mòn s dẽ ẫn đến ăn khớp với nhau không đều, gây ra nh ng va ch m v i ữ ạ ớ nh ng tữ ần số khác nhau, càng mòn va chạm càng tăng. Với bánh răng hƣ hỏng n ng, ặ ph t n s không th n rõ ràng t n s ổ ầ ố ể hiệ ầ ố ăn khớp, tín hi u do va chệ ạm ăn khớp của các cặp răng tăng lên rất lớn, ta khó phân biệt đƣợc gãy răng hay mòn nặng.
Hình 3. 4: Phổ tín hi u trong mi n t n s : a)- ệ ề ầ ố bánh răng bình thường, b)- mòn nh , ẹ c)- mòn trung bình, d)- gãy răng
a) b) d) 1 z f 2fz1 1 4fz c)
T quá trình theo dõi ph tín hi u b ng phân tích FFT, so sánh v i chu n ừ ổ ệ ằ ớ ẩ tƣơng đối ta nh n diậ ện đƣợc sơ bộ sai hỏng trong bánh răng, nhƣng ta không thấy rõ đƣợc s n tri n cựtiế ể ủa nó ra sao. Để thấy đƣợc s n tri n cựtiế ể ủa hƣ hỏng bánh răng ta tiến hành phân tích ph ổ đƣờng bao của tín hiệu. Các bƣớc phân tích phổ đƣờng bao:
Ở ph t n s tín hi u, dùng chuổ ầ ố ệ ẩn tƣơng đối, ta có th d ể ự đoán ban đầu sai h ng ỏ của bánh răng nằm ở vùng t n s t ầ ố ừ 1500 ÷ 7000 (Hz). Căn cứ vào đó, ta sẽ ọ l c tín hi u trong kho ng tệ ả ần số 1500 ÷ 7000 (Hz), sau đó với phép biến đổi Hilbert ta tách đƣợc đƣờng bao c a tín hi u n m trong kho ng t n s . Phân tích ph ủ ệ ằ ả ầ ố đó ổ đƣờng bao c a tín hiủ ệu dao động, ta có th y s phát tri n d n cểthấ ự ể ầ ủa hƣ hỏng bánh răng. Ban đầu khi răng hoạt động bình thƣờng, d i tín hi u do va ch m b mả ệ ạ ề ặt răng khi ăn kh p nh ớ ỏ(dải đen). Trong quá trình hoạt động, răng bị hƣ hỏng d n, d i tín hiầ ả ệu đó cũng lớn d n và có xu t hi n nhầ ấ ệ ững điểm có biên độ ớ l n h n do va chẳ ạm ăn khớp.
Hình 3. 5: Phổ đường bao c a các trủ ạng thái hư hỏng bánh răng a):Bình thường, b): mòn nh , c): mòn trung bình, d): mòn nẹ ặng/ gãy răng.
3.4 Nh n d ng v nậ ạ ết ứt bánh răng nhờ Wavelet Neural Networks
3.4.1 Đồng b hóa tín hi u ộ ệ
Khi ti n hành phân tích tín hiế ệu dao động h p s ộ ố bánh răng, các mẫu tín hi u cệ ần thỏa mãn điều kiện đƣợc đo trong cùng một kho ng th i gian, s m l y m u b ng ả ờ ố điể ấ ẫ ằ nhau. Trong trƣờng h p v n t c góc c a trợ ậ ố ủ ục quay không thay đổi, hoặc thay đổ ấi r t nh (có th coi là h ng s ) thì s m l y m u tín hi u trong cùng m t kho ng thỏ ể ằ ố ố điể ấ ẫ ệ ộ ả ời gian m i d ng h ng có th coi là b ng nhau. Tuy nhiên, vở ỗ ạ ỏ ể ằ ới trƣờng h p v n tợ ậ ốc góc của trục quay thay đổi, đ đảể m b o s m l y m u mả ố điể ấ ẫ ở ỗi dạng hỏng nhƣ nhau, ta cần đồng b hóa tín hi u vộ ệ ới số vòng quay c a trủ ục vào.
Hình 3. 6: Tín hiệu chưa được đồng b hóa ng v i 1 vòng quay cộ ứ ớ ủa tr cụ
Ta có th ể tiến hành đồng b v i s giúp c a tín hi u pha [1], vì tín hi u pha ộ ớ ự trợ ủ ệ ệ đảm b o chính xác, không b ả ị ảnh hƣởng b i y u t v n t c quay c a trở ế ố ậ ố ủ ục. Để ố s
điểm l y m u trong m i vòng quay b ng nhau, ta ti n hành l y m u l i b ng các ấ ẫ ỗ ằ ế ấ ẫ ạ ằ phép n i suy có s n, ví d ộ ẵ ụ nhƣ hàm interp1, pchip trong phần mềm Matlab. V i mớ ỗi loại tình tr ng cạ ủa bánh răng, ta chia tín hiệu thành 75 ph n bầ ằng nhau, tƣơng ứng v i 75 vòng quay c a tr c vào, m i vòng quay chớ ủ ụ ỗ ứa 800 điểm lấy m u. ẫ
Hình 3. 7: Phân chia tín hiệu thành các khố ể đồi đ ng b hóa nh tín hi u pha [1] ộ ờ ệ
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