Đối với trường hợp vịng bi bình thường, sau khi chuyển đổi sang miền tần số và tiến hành lọc tần số bậc cao, tín hiệu thu được sẽ chỉ có tần số dao động của vịng bi (f= 25 Hz) và các thành phần sóng hài của tín hiệu. Các tần số nhiễu đã được loại bỏ và phổ tần số của tín hiệu chỉ tín hiệu rung của động cơ.
Hình 4-5: Đặc tính tần số của tín hiệu trong trạng thái lỗi vịng ngoài
Đối với trường hợp vịng bi bị lỗi vịng ngồi, bên cạnh các tín hiệu dao động với tần số đặc trường f= 25 Hz, ta thấy xuất hiện thêm tần số lỗi vịng ngồi vịng bi f= 76,5 Hz và các thành phần sóng hài của tần số lỗi. Các tần số lỗi trên có biên độ lớn hơn so với các tần số khác trong phổ tần số của tín hiệu. Như vậy, khi xảy ra lỗi vịng ngồi, ta đã thu nhận được tín hiệu có xuất hiện tần số lỗi như theo cơng thức đã tính tốn ở trên.
63 Đối với trường hợp vịng bi bị lỗi vịng trong, bên cạnh các tín hiệu dao động với tần số đặc trường f= 25 Hz, ta thấy xuất hiện thêm tần số lỗi vịng ngồi vịng bi f= 121,8 Hz và các thành phần sóng hài của tần số lỗi.Các tần số lỗi trên có biên độ lớn hơn so với các tần số khác trong phổ tần số của tín hiệu. Như vậy , khi xảy ra lỗi vịng trong, ta đã thu nhận được tín hiệu có xuất hiện tần số lỗi như theo cơng thức đã tính tốn ở trên.
Như vậy, sau q trình kiểm tra số liệu thu thập được từ động cơ trong quá trình hoạt động, ta nhận được bộ dữ liệu mang đầy đủ các đặc tính tần số của từng trường hợp lỗi. Từ đó, ta xác nhận là bộ dữ liệu thu nhận được là đáng tin cậy và có thể đưa vào mơ hình phân tích lỗi vịng bi.
4.2 Đánh giá mơ hình
Khi xây dựng một mơ hình Machine Learning, chúng ta cần một phép đánh giá để xem mơ hình sử dụng có hiệu quả khơng và để so sánh khả năng của các mơ hình. Có nhiều cách để đánh giá một mơ hình, tùy thuộc vào u cầu cụ thể của bài toán mà chúng ta sử dụng các phương pháp đánh giá khác nhau. Tuy nhiên, các phương pháp thường được sử dụng là: accuracy score, confusion matrix, ROC curve, Area Under the Curve, Precision and Recall, F1 score, Top R error,etc.
Cách đơn giản và hay được sử dụng nhất là accuracy score (độ chính xác). Cách đánh giá này đơn giản tính tỉ lệ giữa số điểm được dự đoán đúng và tổng số điểm trong tệp dữ liệu dùng để kiểm thử. Cách này đơn giản chỉ đánh giá tổng quan độ chính xác của mơ hình mà khơng thể biết được chi tiết những điểm dữ liệu nào đã bị dự đoán sai.
Bên cạnh đó ta sẽ sử dụng Loss function (hàm mất mát) để đánh giá sự đương đồng giữa kết quả dự đốn của mơ hình và kết quả thực tế. Cách tính của hàm mất mát dựa trên sự chênh lệch giữ giá trị thực tế và giá trị dự đốn. Hàm mất mát có giá trị càng nhỏ thì tính chính xác của mơ hình càng cao.
64
Hình 4-8: Hình ảnh đồ thị độ chính xác ở 2 mơ hình Lenet-5 và mơ hình đề xuất
Kết quả từ hai hình ảnh trên cho thấy mơ hình đạt độ chính xác rất cao ( xấp xỉ 98%) so với mơ hình Lenet-5 chỉ đạt khoảng 96% sau 20 lần thực hiện huấn luyện . Cùng với đó hàm mất mát của mơ hình đề xuất cũng có giá trị giảm dần về 0 ( khoảng 0,01) sau các lần huấn luyện qua đó ta thấy rằng kết quả của mơ hình gần như tương đương với kết quả thực tế cần dự đốn.
Hình 4-9: Hình ảnh đồ thị thời gian huấn luyện ở 2 mơ hình Lenet-5 và mơ hình đề xuất
Thời gian dùng để huấn luyện trong một lần huấn luyện của mơ hình đề xuất và mơ hình Lenet-5 lần lượt là 161 ms và 202 ms. Điều này chứng tỏ thời gian
65 dùng để xử lý của mơ hình đề xuất là ít hơn khoảng 20% so với mơ hình Lenet- 5.Do đó, ta có thể sử dụng mơ hình đề xuất để rút ngắn thời gian huấn luyện của dữ liệu
4.3 Kết luận chương
Phần đầu chương 4 đã phân tích, đánh giá tính đặc trưng và độ tin cậy của tập dữ liệu thu được, qua đó xác định được tập dữ liệu có chứa các đặc tính thành phần lỗi của vịng bi và có thể sử dụng để phát hiện lỗi vòng bi trong động cơ. Phần sau đánh giá độ hiệu quả của mơ hình đề xuất với mơ hình học sâu thơng thường. Qua quá trình đánh giá kết quả của mơ hình đề xuất, ta nhận thấy mơ hình đề xuất đã đáp ứng được các mục tiêu ban đầu đặt ra là mơ hình có tính chính xác cao và thời gian huấn luyện được giảm bớt so với mơ hình thơng thường.
66
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận
Vòng bi là thành phần rất quan trọng trong động cơ vì thế nên việc giám sát tình trạng vịng bi đóng vai trị rất quan trọng Đồ án đã tiếp cận kế quy trình chẩn đốn lỗi ổ trục dựa trên mơ hình mạng CNN. Hiệu quả mang lại theo phương pháp đề xuất của chúng tôi là giảm thiểu được tài nguyên và thời gian hoạt động. Ngoài ra, lựa chọn IMF dựa trên EMD và CNN phù hợp để đơn giản hóa tín hiệu và trích xuất các thành phần hữu ích ngay cả trong mơi trường nhiễu thấp, góp phần làm giảm kích thước hình ảnh đầu vào của mơ hình CNN.
Bộ dữ liệu thu được có độ tin cậy cao, có sự đa dạng về các trường hợp lỗi vòng bi và có thể phân loại được các loại lỗi xảy ra trong vòng bi. Kết quả thí nghiệm chỉ ra rằng sử dụng phương pháp được đề xuất cao hơn so với tài nguyên hệ thống tiêu thụ ít hơn so với phương pháp dựa trên LeNet5. Trong đồ án này, ngồi việc đảm bảo độ chính xác khi phân loại, đồ án cịn phát triển mơ hình nhỏ gọn, và có khả năng sử dụng trên các máy tính nhúng (hướng đến việc chế tạo thiết bị cầm tay).
Hướng phát triển của đồ án trong tương lai
Hiện tại, đồ án mới chỉ hướng đến các trường hợp lỗi đơn của vòng bi trong động cơ, tuy nhiên trong tực tế nhiều khi có thể xảy ra 2 lỗi trên cùng một vòng bi. Vì thế việc mở rộng ra nghiên cứu, phân tích các trường hợp lỗi kép của vòng bi trong quá trình hoạt động là điều cần thiết.
Trong động cơ điện, bên cạnh lỗi vòng bi hay gặp phải, các bộ phân khác của vịng bi cũng có khả năng xảy ra lỗi và ảnh hưởng đến quá trình hoạt động của động cơ. Do đó trong tương lại, ta có kết mở rộng ra nghiên cứu lỗi của các thành phần khác trong động cơ và kết hợp thêm việc phân tích các tín hiệu dao động khác để tăng hiểu quả cho mơ hình chẩn đốn
67
TÀI LIỆU THAM KHẢO
[1] en.wikipedia.org/wiki/Bearing_(mechanical)
[2] O. Imoru, A. A. Jimoh, Y. Hamam “Origin and Manifestation of Electrical MachineFaults–A review” ICPERE 2014
[3] Christian Lessmeier ,James Kuria Kimotho, Detmar Zimmer, Walter Sextro “Condition Monitoring of Bearing Damage in Electromechanical Drive Systems by Using Motor Current Signals of Electric Motors: A Benchmark Data Set for Data-Driven Classification”
[4] Ahmed Nabhan, Nouby M Ghazaly, Abdelhalim Samy, Mousa M.O “Bearing Fault Detection Techniques - A Review”
[5] J. Niyompongwirat, N. Wararatkul, T. Suesut “Temperature Monitoring System for Unbalance Phase Analysis of Induction Motor”
[6] Pankaj Gupta, M. K Pradhan “Fault detection analysis in rolling element bearing: A review”, 5th International Conference of Materials Processing and Characterization (ICMPC 2016).
[7] Elham Pazouki, Seungdeog Choi “Fault Diagnosis and Condition Monitoring of Bearing Using Multisensory Approach Based Fuzzy-Logic Clustering”
[8] J. Seshadrinath, B. Singh, and B. K. Panigrahi, “Investigation of vibration signatures for multiple fault diagnosis in variable frequency drives using complex wavelets” IEEE Transactions on Power Electronics,vol.29,no.2,pp.936- 945,2014
[9] N.E. Huang, Z. Shen, S.R. Long, M.C.Wu, H.H. Shih, Q.Zheng, N.C. Yen,C.C. Tung, H.H. Liu, “The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis,” Proc. R. Soc. Lond. Ser. A 454 (3) (1998) 903–995
[10] M.Feldman “Hilbert Transforms”
[11] https://en.wikipedia.org/wiki/Neural_network
[12] Dhiraj Neupane, Jongwon Seok “Bearing Fault Detection and Diagnosis Using Case Western Reserve University Dataset With Deep Learning Approaches: A Review”
[13] Laohu Yuan, Dongshan Lian, Xue Kang, Yuanqiang Chen “Rolling Bearing Fault Diagnosis Based on Convolutional Neural Network and Support Vector Machine”
[14] https://www.ni.com/pdf/manuals/NI 9234.pdf
[15] https://www.geeksforgeeks.org/depth-wise-separable-convolutional- neural- networks/
[16] https:// en.wikipedia.org/wiki/LeNet
[17] Sunil Tyagi, Sashi Kanta Panigrahi “An improved envelope detection method using Particle Swarm Optimisation for rolling element bearing fault diagnosis”
68 [18] E. T. Esfahani, S. Wang and V. Sundararajan, “Multisensor wireless system for eccentricity and bearing fault detection in induction motors,” IEEE/ASME Trans. Mechatronics, vol. 19, no. 3, pp. 818- 826, June 2014
[19] J. Seshadrinath, B. Singh, and B. K. Panigrahi, “Investigation of vibration signatures for multiple fault diagnosis in variable frequency drives using complex wavelets,”IEEE Transactions on Power Electronics,vol.29,no.2,pp.936- 945,2014
[20] T. Harris, Rolling Bearing Analysis, 3rd ed. Hoboken, NJ, USA: Wiley, 1991