Hình ảnh cảm biến mơmen quay DR2269-50 Nm

Cảm biến quay sử dụng trong mơ hình là mơmen quay DR2269-50 Nm

Cảm biến momen quay cho phép đo mômen trên trục động cơ ở chế độ quá độ cũng như chế độ xác lập

Các đặc tính của cảm biến:

- Mômen từ 0 – 50 Nm quá tải 75 Nm - Sai sơ tuyến tính < 0,25% max - Điện trở cầu 350 Ω - Độ nhạy 2mV/V - Chế độ định mức 1500 vòng/phút - Tốc độ cực đại (10 phút) 3000v/phút ❖ Cảm biến rung động Hình 3-4: Hình ảnh cảm biến rung động PCB 352C33

Cảm biến rung sử dụng là gia tốc kế PCB 352C33 Cảm biến rung đo độ rung của vòng bi chịu tải Các đặc tính của cảm biến:

- Độ nhạy: (± 10%)100 mV/g (10.2 mV/(m/ )) - Phạm vi đo lường: ± 50 g pk (± 490 m/ pk)

- Độ phân giải băng thông rộng: 0.00015 g rms ( 0.0015 m/ rms) - Dải tần số: (± 5%) 0.5 đến 10000 Hz

43 - Vật liệu cảm biến: Gốm

- Khối lượng: 5,8 g

❖ Cảm biến tốc độ

Hình 3-5: Hình ảnh cảm biến tộc độ RE O444 L1 MF 0,02A

Cảm biến tốc độ trong mơ hình là cảm biến RE O444 L1 MF 0,02A

Cảm biến tốc độ là một máy phát tốc độ một chiều theo cấu trúc và nguyên lý làm việc là máy phát điện một chiều cơng suất nhỏ, kích thích bằng nam châm vĩnh cửu hoặc kích từ độc lập. Nó cung cấp điện áp một chiều tỷ lệ với tốc độ quay. Các đặc tính của cảm biến: - Hằng số tốc độ: 0,02V/vòng - Dòng điện max: 0,26 A - Tốc độ max: 7000 vòng/phút - Điện trở phần cứng: 100 Ω C. Phanh bột từ Hình 3-6: Hình ảnh phanh bột từ FP 10/15 D2

44 Phanh bột từ được sử dụng là phanh bột từ Leroy sommer FP 10/15 D2

Phanh bột từ bao gồm stato A và roto B đồng tâm, - A là sơ cấp chứa cuộn dây điện từ

- B là thứ cấp được kéo bằng động cơ được thử nghiệm - Giữa A và B có khe hở E trong đó có chứa bột từ

Khi ta cho dịng điện một chiều thay đổi trong cuộn dây, tạo lên từ trường M tỷ lệ với dòng điện.

Từ trường này cắt qua khe hở E chứa các hạt bột từ có tính chất từ và tính chất cơ đặc biệt. Do ảnh hưởng của từ trường các hạt bột từ tạo nên chuổi có định hướng giữa các phần tử A và B

Độ cứng của chuỗi này thay đổi từ trường và tỷ lệ thuận với cường độ dòng điện chạy qua cuộn dây. Các chuỗi này cứng hay ít cứng làm thay đổi mơmen cản

Các đặc tính của phanh bột từ:

- Điện trở cuộn dây ở 20°C : 20Ω - Tốc độ quay cực đại: 3000 vòng/phút - Dòng điện định mức: In = 0,22A - Dòng điện max: Imax = 0,65A - Momen định mức: Tn= 10 Nm - Momen max: Tmax= 25 Nm D. Hộp điều chỉnh tín hiệu

Hình 3-7: Hình ảnh mơđun đo cơ MODMECA3

Hộp điều chỉnh tín hiệu của phanh điện từ, ta sử dụng môđun đo cơ MODMECA3

Môđun gồm các thành phần sau:

- Thiết bị đo và đọc tốc độ quay của động cơ, xuất phát từ điện áp do cảm biến tốc độ cung cấp

- Thiết bị hiển thị của cảm biến công suất cơ P từ các dữ liệu tốc độ và mômen.

45 - Bộ chuyển đổi tín hiệu cảm biến mơmen để cung cấp cho việc đo và hiển

thị mômen

- Thiết bị nguồn, điều khiển và tự động hóa phanh bột từ 3 màn hình hiển thị LED tương ứng với:

- Công suất cơ Pm theo W. Dải đo 300 ÷ 3000 W. Độ chính xác ≤ 3% - Tốc độ quay n theo vòng/phút. Dải đo 2000 ÷ 6000 vịng/phút. Độ chính

xác ≤ 1%

- Mơmen T tính bằng Nm. Dải đo 10 ÷ 40 Nm. Độ chính xác ≤ 2%

Để hiệu chỉnh các chế độ hoạt động của phanh bột từ, ta sử dụng nút điều chỉnh của chiết áp điều khiển chế độ để chon chế độ điều chỉnh tín hiệu của động cơ như tốc độ hoặc mơmen. Sau đó, ta sử dụng nút điều chỉnh độ dốc của phanh theo tốc độ hoặc theo mômen đã được chọn trước.

E. Bộ thu dữ liệu

Hình 3-8: Hình ảnh bộ thu dữ liệu NI 9234

Bộ thu dữ liệu sử dụng trong mơ hình là bộ thu dữ liệu NI 9234

NI 9234 là mơ-đun thu nhận tín hiệu động gồm 4 bốn kênh thu tín hiệu[14], có thể đo các tín hiệu từ các cảm biến áp điện tích hợp (IEPE) và các cảm biến không IEPE như gia tốc kế, máy đo tốc độ và đầu dò gần. Mơ-đun cũng tương thích với các cảm biến TEDS thông minh. Mô-đun cung cấp dải động rộng, kết hợp ghép điện AC / DC có thể lựa chọn bằng phần mềm và điều hịa tín hiệu IEPE. Các kênh đầu vào đo tín hiệu đồng thời. Mỗi kênh cũng có các bộ lọc khử răng cưa tích hợp tự động điều chỉnh theo tốc độ lấy mẫu của bạn. Khi được sử dụng với phần mềm NI, mô-đun này cung cấp chức năng xử lý để theo dõi tình trạng như phân tích tần số và theo dõi.

NI 9234 mang lại dải động 102 dB và kết hợp điều hịa tín hiệu áp điện điện tử tích hợp (IEPE) ở dịng điện không đổi 2 mA cho máy đo gia tốc. Bốn kênh đầu vào thu được đồng thời ở tốc độ lên đến 51,2 kS / s. NI 9234 sử dụng tính năng lọc tương tự và kỹ thuật số để mang lại mơ tả chính xác các tín hiệu trong băng tần, đồng thời loại bỏ các tín hiệu ngồi băng tần. Sau đó, các bộ lọc phân biệt giữa các tín hiệu phụ thuộc vào băng thơng hoặc dải tần của tín hiệu.

46 Modun thu thập tín hiệu động NI 9234 lí tưởng để ghi dữ liệu rung và âm thanh bởi vì ta có thể bật hay ngắt điều chỉnh IEPE cũng như lựa chọn khớp AC hoặc DC. Modun có độ phân giải 24 bit, dải động 102 dB và bộ lọc chống sai số lấy mẫu. Modun NI 9234 có thể được sử dụng với bộ đo âm thanh và độ rung của NI bao gồm hỗ trợ âm thanh và độ rung nhằm đơn giản hóa thu thập và phân tích tín hiệu ồn cũng như rung bằng cách cung cấp môi trường độc lập, phân tích tương tác và thu thập.

Các đặc tính cơ bản của NI9234:

- Số kênh: 4 kênh ngõ vào tương tự - Độ phân giải ADC: 24 bit

- Chế độ lấy mẫu: đồng thời

- Tốc độ ghi nhận dữ liệu: 1.652 kS/s ÷ 51.2 kS/s

- Ghép điện ngõ vào: AC/DC (tùy chỉnh bằng phần mềm) - Điện áp ngõ vào: ±5 V

F. Lập trình thu dữ liệu rung bằng phần mềm Labview

Hình 3-9: Hình ảnh phần mềm Labview

LabVIEW (Laboratory Virtual Instrumentation Engineering Workbench) là một phần mềm máy tính được phát triển bởi cơng ty National Instruments.

LabVIEW có thể đo lường được từ bất kỳ cảm biến (tín hiệu dạng điện áp, dòng điện, xung), LabVIEW có thể điều khiển được bất kỳ cơ cấu chấp hành (động cơ DC/AC, động cơ xăng, bơm thủy lực, lị nhiệt, pistion thủy khí,vv.), LabVIEW truyền qua bất kỳ chuẩn giao tiếp máy tính-máy tính, máy tính – thiết bị như chuẩn RS232, chẩn USB, chuẩn PCI, PXI, Wifi, Bluetooth, TCP/IP, vv.

Phần mềm Labview được tích hợp với bộ thu của hãng National Instruments qua đó sẽ hỗ trợ tối đa trong việc thu nhận tín hiệu từ bộ thu thông qua các khối dữ liệu được tạo trên cửa sổ làm việc. Bên cạnh đó Labview hộ trợ trong việc hiển thị dữ liệu trong thời gian thực giúp ta có thể giám sát được q trình hoạt động của động cơ

Trong mơ hình thu nhận tín hiệu. Ta kết nối bộ thu dữ liệu với máy tính thơng qua phần mềm Labview. Labview sẽ hiển thị tín hiệu thu được trong thời gian

47 thực và lưu trữ dữ liệu rung động về các tệp dữ liệu dưới dạng file Exel để có thể dễ dàng phân tích và xử lý dữ liệu.

3.4 Thiết kế bộ dữ liệu lớn

Sau khi thiết kế bộ thu dữ liệu rung động của động cơ, ta sẽ tiến hành thu tín hiệu và xây dựng bộ dữ liệu lỗi vòng bi.

Bộ thu dữ liệu được thu với tần số lấy mẫu là 12800 Hz và mỗi tệp dữ liệu được đo trong khoảng thời gian t= 10s tương ứng với số lượng mẫu thu Ns = 128000. Sau khi dữ liệu được thu thập bằng bộ thu dữ liệu, dữ liệu được xử lý trong môi trường MATLAB và tất cả các tệp dữ liệu được lưu trữ ở định dạng MATLAB (.mat).

Từ tín hiệu thu được, ta xậy dựng bộ dữ liệu với 3 tập dữ liệu con tương ứng với các trạng thái của vịng bi là bình thường, lỗi vịng ngồi, lỗi vịng trong.

Hình 3-10: Tín hiệu rung động thu được

Dữ liệu rung động được thu thập đối với tải động cơ từ 0 w đến 500W với tốc độ vòng động cơ từ 1356 đến 1484 vòng/phút.

Như vậy, bộ dữ liệu bao gồm 27 tệp dữ liệu, được chia thành 3 nhóm NO (bình thường), IR (Lỗi vịng trong), OR (Lỗi vịng ngồi).Trong mỗi nhóm, dữ liệu được chia thành tệp dữ liệu nhỏ dựa theo kích thước lỗi trên vịng bi và giá trị tải trọng hoạt động. Đối với tên của tệp dữ liệu, chữ cái đầu tiên là trạng thái vòng bi, ba số tiếp theo biểu thị đường kính lỗi và số cuối cùng biểu thị tải trọng. Ví dụ tệp dữ liệu IR002_105 chứa lỗi vịng trong, có đường kính lỗi là 0,2 mm và được vận hành dưới tải 500 W.

48

Bảng 3-1: Bộ dữ liệu rung động

Trạng thái vịng bi

Kích thước lỗi Trạng thái tải trọng Tệp dữ liệu

Bình thường 0 mm 0 W NO_100 250 W NO_102 500 W NO_105 Lỗi vịng ngồi 0,2 mm 0 W OR002_100 250 W OR002_102 500 W OR002_105 0,6 mm 0 W OR006_100 250 W OR006_102 500 W OR006_105 1 mm 0 W OR010_100 250 W OR010_102 500 W OR010_105 1,5 mm 0 W OR015_100 250 W OR015_102 500 W OR015_105 Lỗi vòng trong 0,2 mm 0 W IR002_100 250 W IR002_102 500 W IR002_105 0,6 mm 0 W IR006_100 250 W IR006_102 500 W IR006_105 1 mm 0 W IR010_100 250 W IR010_102 500 W IR010_105 1,5 mm 0 W IR015_100 250 W IR015_102 500 W IR015_105

Sau khi tạo được bộ dữ liệu về lỗi vòng bi, để phục vụ cho bài toán học sâu ta chuyển đổi dữ liệu sang dạng ảnh. Từ ảnh phổ thu được bằng phép biến đổi STFT, ta sẽ chia nhỏ thành các ảnh với kích thước nhỏ hơn để tăng số lượng ảnh trong dữ liệu.Ta sẽ tính tốn số lượng ảnh thu được qua mỗi mẫu lỗi của bộ dữ liệu.

49 -Với bốn tốc độ của động cơ sử dụng để lấy tín hiệu, ta thấy tần số thấp nhất ứng với tốc độ động cơ nhỏ nhất (Khơng tính lỗi tại lồng của vịng bi).

-Số mẫu trong một cửa sổ với tốc độ lấy mẫu bằng 12000Hz là:

(điểm)

-Tần số lỗi có thể sai lệch từ 1-2%, do đó trong đồ án này, ta tính theo tỉ lệ sai lệch là 2%. Khi đó, số mẫu trong một cửa sổ (độ dày của hàm cửa sổ) là:

n=577*1.02= 577(điểm)

-Do phép tính FFT tối ưu khi số lượng mẫu N = 2s (S > 0), do đó em lựa chọn độ dài của hàm cửa sổ là 1024 điểm. Với tỉ lệ chồng lấn là 75%, ta có số lượng mẫu bị chồng lấn là:

overlap = 1024*75%=768 (điểm) -Độ dài bước nhảy là:

hop = n – overlap = 1024 – 768 = 256 (điểm) -Số điểm dữ liệu sinh ra từ phép biến đổi STFT:

Số điểm dữ liệu = (Tổng số mẫu-độ dài hàm cửa sổ)/ hop +1=499 -Tần số lỗi xuất hiện là 76,5 Hz và 121,8 Hz

-Hình ảnh được nhận từ phép biến đổi STFT nên có độ dài là 1 chu kỳ lỗi để có thể bao hàm các đặc tính tần số của dữ liệu. Số điểm dữ liệu ứng với 1 chu kỳ xuất hiện lỗi là:

Vậy mỗi ảnh được trích xuất sẽ bao gồm 5 điểm dữ liệu từ phép biến đổi STFT. Mỗi ảnh sẽ được tạo ra bằng cách dịch chuyển 2 điểm dữ liệu trên tập dữ liệu để só được mối quan hệ về thời gian giữa các ảnh thu được

50

Bảng 3-2: Số lượng ảnh lấy từ phép biến đổi STFT

Dữ liệu chuyển về dưới dạng ảnh phổ năng lượng theo thời gian và tần số được sắp xếp vào các nhóm lỗi ban đầu.

Hình 3-11: Ảnh phổ lỗi vòng trong a) Tải 0W b) Tải 250W c) Tải 500W

Vị trí lỗi Tốc độ Số mẫu Số ảnh Rãnh trong 1481 128000 247 1436 128000 247 1356 128000 247 Rãnh ngoài 1481 128000 247 1436 128000 247 1356 128000 247 Bình thường 1481 128000 247 1436 128000 247 1356 128000 247

51

Hình 3-12:Ảnh phổ bình thường a) Tải 0W b) Tải 250W c) Tải 500W

52 Số lượng ảnh thu được cho mỗi lỗi động cơ là 247 ảnh, tổng số mẫu ảnh là 2223 ảnh. Sau đó tập dữ liệu được phân loại ngẫu nhiên thành tập dữ liệu đào tạo vào tập dữ liệu kiểm tra theo tỷ lệ 8:2. Trong đó, số lượng ảnh được dùng để huấn luyện là 1778 ảnh và số ảnh được dùng để kiểm tra là 445 ảnh.

3.5 Áp dụng phương pháp học sâu để chẩn đốn lỗi vịng bi

Sau khi đã tìm hiểu về mạng Nơron tích chập, tác giả đề xuất mơ hình mạng Nơron để phục vụ cho việc xử lý dữ liệu. Mơ hình được xây dựng dự trên phép tính Depthwise Separable Convolution mơ hình Mobile Net và kiến trúc mạng Lenet 5 để giảm kích thước và độ phức tạp của thuật tốn.

A. Phép tính Depthwise Separable Convolution

Trước khi hiểu về DSC chúng ta cùng nhắc lại một chút về Convolution. Convolution ta có thể đơn giản nó là một cữa sổ trượt trên một ma trận, các lớp Convolution có các parameter (Kernel Matrix) sẽ tiến hành tính tốn và đưa ra các giá trị đặc trưng nhờ đó có thể trích suất các điểm đặc trưng và giảm chiều tính tốn.

Hình 3-14: Hình ảnh phép tích chập thơng thường

Trên là hình ảnh của mơt kernel. Ta thấy một hình ảnh bình thường (2D) có 3 chiều tương ứng với các thông số (h,w,c), h là chiều cao, w là chiều dài, c là chiều sâu. Một kernel bình thường gồm (k,k,c) (k là độ lớn, c là chiều sâu ảnh).

Xét trên một kernel, độ phức tạp tính tốn sẽ (h′×w′) × (k×k×c) (Với h′,w′ là chiều của feature map sau khi quét qua tất cả h và w). Vì thực tế chúng ta có nhiều kernel nên độ phức tạp sẽ là:

(h′×w′×c′) ×(k×k×c) (với c′ là số kernel)

Như chúng ta thấy độ phực tạp tính tốn trên khá lớn, khó có thể áp dụng vào những dự án trên các thiết bị nhỏ gọn như Smartphone hay máy tính nhúng.

Do đó, ta hay sử dụng kỹ thuật Separable Convolutions, một kỹ thuật mới vô cùng mạnh mẽ giúp giảm lượng tham số mơ hình trong mạng CNN mà vẫn đáp ứng đẩy đủ các yêu cầu trong việc học các features của ảnh. Với separable convolutions, chúng ta có thể hướng đến việc giải quyết các bài toán realtime khả thi hơn rất nhiều so với các mơ hình mạng CNN truyền thống.

Kỹ thuật Separable Convolutions được chia thành 2 loại chính là Spatial Separable Convolutionsvà Depthwise Separable Convolution.

53 Đầu tiên, ta sẽ nói về phép tính Spatial Separable Convolutions.Ý tưởng của phép tính là chia 1 convolution thành 2 bước thay vì một như trước, giúp giảm lượng phép tính cần phải thực hiện. Trong tích chập thơng thường, nếu chúng ta có sử dụng kernel 3 x 3 cho 1 lớp tích chập thì trong phép tính Spatial Separable Convolutions,ta có thể chia kernel 3 x 3 thành 2 kernel 3 x 1 và kernel 1 x 3. Sau đó, trong Spatial Separable Convolutions, đầu tiên chúng ta thực hiện phép tích chập với kernel 3 x 1 rồi đến kernel 1 x 3. Điều này yêu cầu 6 thay vì 9 tham số so với tích chập thơng thường, và do đó, tham số hiệu quả hơn (u cầu thêm ít phép nhân ma trận hơn).

Hình 3-15: Hình ảnh minh họa phép tính Spatial Separable Convolutions

Tuy nhiên, vấn đề chính đối với Spatial Separable Convolutions đó là khơng phải tất cả kernel đều có thể chia thành 2 kernel nhỏ hơn, dẫn đến khó khăn trong q trình chúng ta huấn luyện. Đó là lý do vì sao nó khơng được sử dụng nhiều trong Deep Learning.Từ đó người ta đã xây dựng, phát triển lên phép tính