Luận văn thạc sĩ nghiên cứu xây dựng bộ dữ liệu lớn và thử nghiệm phương pháp học sâu để phát hiện và chẩn đoán lỗi vòng bi của động cơ ba pha

Luận văn thạc sĩ kỹ thuật nghiên cứu nghiên cứu xây dựng bộ dữ liệu lớn và thử nghiệm phương pháp học sâu để phát hiện và chẩn đoán lỗi, khảo sát thực trạng, phân tích nguyên

Người đăng

Ẩn danh

Thể loại

Luận văn thạc sĩ

2022

68
2
0

Phí lưu trữ

30 Point

Mục lục chi tiết

LỜI CẢM ƠN

DANH MỤC HÌNH VẼ

DANH MỤC BẢNG BIẾU

DANH MỤC TỪ VIẾT TẮT

1. CHƯƠNG 1. TỔNG QUAN LỖI VÒNG BI

1.1. Khái niệm về vòng bỉ

1.2. Tổng quan về lỗi vòng bi

1.2.1. Nguyên nhân xuất hiện lỗi vòng bi

1.2.2. Dấu hiệu lỗi vòng bi

1.2.3. Tác động của lỗi vòng bi lên động cơ điện

1.2.4. Phân loại lỗi vòng bi

1.2.5. Phương pháp tạo lỗi trên vòng bi

1.2.6. Lựa chọn phương pháp tạo lỗi

1.2.7. Lựa chọn động cơ điện

1.2.8. Kết quả tạo lỗi vòng bi trên thực tế

1.3. Kết luận chương

2. CHƯƠNG 2. CƠ SỞ LÝ THUYẾT

2.1. Phân loại một số tín hiệu liên quan đến lỗi vòng bi

2.2. Các phương pháp xử lý tín hiệu

2.2.1. Phương pháp xử lý tín hiệu trong miền thời gian

2.2.2. Phương pháp xử lý tín hiệu trong miền tần số

2.2.3. Phương pháp xử lý tín hiệu trong miền thời gian - tần số

2.3. Tổng quan về mạng Neuron

2.4. Mạng Neuron tích chập (Convolution Neural Network)

2.5. Kết luận chương

3. CHƯƠNG 3. XÂY DỰNG BỘ DỮ LIỆU LỚN VÀ THỬ NGHIỆM PHƯƠNG PHÁP HỌC SÂU CHẨN ĐOÁN LỖI VÒNG BI

3.1. Phương pháp chẩn đoán lỗi vòng bi

3.2. Các bộ dữ liệu lỗi vòng bi trên thế giới

3.3. Thiết kế hệ thống thu nhận tín hiệu rung động của động cơ

3.3.1. Mục tiêu thiết kế mô hình testbench

3.3.2. Mô hình thu nhận tín hiệu rung của động cơ

3.4. Thiết kế bộ dữ liệu lớn

3.5. Áp dụng phương pháp học sâu để chẩn đoán lỗi vòng bi

3.6. Kết luận chương

4. CHƯƠNG 4. KẾT QUẢ

4.1. Dữ liệu thu thập

4.1.1. Đánh giá các đặc trưng cơ bản của dữ liệu

4.2. Đánh giá đặc tính tần số lỗi trong dữ liệu

4.3. Đánh giá mô hình

4.4. Kết luận chương

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

1. Kết luận

2. Hướng phát triển của đồ án trong tương lai

TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan phương pháp chẩn đoán lỗi vòng bi động cơ 4

Trong bối cảnh Công nghiệp 4.0, việc đảm bảo hoạt động liên tục và hiệu quả của máy móc là yếu tố sống còn. Động cơ điện ba pha, trái tim của nhiều dây chuyền sản xuất, đặc biệt nhạy cảm với các sự cố, trong đó hỏng hóc vòng bi chiếm tới 40-50% tổng số lỗi. Những hỏng hóc này không chỉ gây ngừng sản xuất đột ngột mà còn dẫn đến thiệt hại kinh tế nghiêm trọng. Do đó, lĩnh vực bảo trì dự đoán (predictive maintenance) ra đời như một giải pháp tất yếu, thay thế cho các phương pháp bảo trì truyền thống. Thay vì sửa chữa khi đã xảy ra sự cố hoặc bảo trì định kỳ tốn kém, giám sát tình trạng máy (condition monitoring) cho phép phát hiện các dấu hiệu lỗi ở giai đoạn rất sớm. Luận văn này tập trung vào việc phát triển một phương pháp tiên tiến, kết hợp giữa việc xây dựng một bộ dữ liệu lớn và ứng dụng học sâu (deep learning) để phát hiện và chẩn đoán chính xác các loại lỗi bạc đạn trong động cơ ba pha. Phương pháp này dựa trên việc phân tích tín hiệu rung (vibration analysis), một trong những kỹ thuật hiệu quả nhất để theo dõi sức khỏe cơ khí của động cơ. Bằng cách chuyển đổi tín hiệu rung động thành dạng ảnh phổ và sử dụng Mạng nơ-ron tích chập (CNN), nghiên cứu mở ra một hướng đi mới, tự động hóa và nâng cao độ tin cậy cho quy trình chẩn đoán, góp phần giảm thiểu rủi ro và tối ưu hóa chi phí vận hành cho các nhà máy hiện đại.

1.1. Tầm quan trọng của giám sát tình trạng máy CBM

Giám sát tình trạng máy (Condition-Based Monitoring - CBM) là nền tảng của bảo trì dự đoán. Chức năng chính của nó là theo dõi liên tục các thông số hoạt động của thiết bị, như độ rung, nhiệt độ, và dòng điện, để xác định bất kỳ sai lệch nào so với trạng thái hoạt động bình thường. Vòng bi, một thành phần cơ khí quan trọng, chịu trách nhiệm giảm ma sát và chịu tải. Khi vòng bi bắt đầu hỏng, nó tạo ra các mẫu rung động đặc trưng. Việc phân tích các tín hiệu này cho phép các kỹ sư phát hiện lỗi tiềm ẩn trước khi chúng trở nên nghiêm trọng, giúp lên kế hoạch sửa chữa chủ động, giảm thời gian chết của máy và tránh các hư hỏng dây chuyền thảm khốc.

1.2. Vai trò của vòng bi và các dạng hỏng hóc phổ biến

Vòng bi là chi tiết cơ khí chính xác, có vai trò nâng đỡ trục quay, chịu tải và đảm bảo chuyển động trơn tru. Luận văn tập trung vào các dạng lỗi vòng bi cơ bản nhưng phổ biến nhất, bao gồm lỗi tại vòng trong (Inner Race Fault), lỗi tại vòng ngoài (Outer Race Fault), và lỗi trên con lăn (Rolling Element Fault). Mỗi loại lỗi này, khi xuất hiện, sẽ tạo ra một tần số rung động đặc trưng trong tín hiệu của động cơ. Việc xác định và phân loại chính xác các tần số này là chìa khóa để chẩn đoán đúng vị trí và bản chất của hư hỏng, từ đó đưa ra phương án khắc phục phù hợp.

II. Thách thức khi phát hiện sớm lỗi vòng bi động cơ ba pha

Việc phát hiện bất thường (anomaly detection) ở giai đoạn đầu của lỗi vòng bi là một bài toán phức tạp. Các tín hiệu lỗi ban đầu thường rất yếu và bị che lấp bởi nhiễu từ môi trường vận hành và các thành phần cơ khí khác. Các phương pháp truyền thống dựa trên phân tích phổ tần số yêu cầu chuyên môn cao để diễn giải kết quả và dễ bị ảnh hưởng bởi sự thay đổi tốc độ và tải của động cơ. Một thách thức lớn khác là sự thiếu hụt các bộ dữ liệu công khai, chất lượng cao và đa dạng. Hầu hết các bộ dữ liệu hiện có như bộ dữ liệu CWRU chỉ bao gồm các lỗi đơn lẻ trong điều kiện phòng thí nghiệm được kiểm soát chặt chẽ. Điều này làm hạn chế khả năng tổng quát hóa của các mô hình học máy khi áp dụng vào thực tế, nơi các điều kiện vận hành luôn biến động. Luận văn này giải quyết trực tiếp thách thức đó bằng cách tự xây dựng một bộ dữ liệu lớn và toàn diện hơn, ghi nhận tín hiệu rung động của động cơ không đồng bộ ba pha dưới nhiều điều kiện tải và các kích thước lỗi khác nhau. Việc tạo ra lỗi nhân tạo bằng các phương pháp có kiểm soát như gia công tia lửa điện (EDM) giúp đảm bảo tính nhất quán và khả năng tái lập của dữ liệu, tạo nền tảng vững chắc cho việc huấn luyện các mô hình học sâu hiệu quả và đáng tin cậy.

2.1. Hạn chế của các phương pháp phân tích tín hiệu truyền thống

Các kỹ thuật truyền thống như phân tích phổ sử dụng biến đổi Fourier nhanh (FFT) tuy hiệu quả trong việc xác định các tần số lỗi đặc trưng ở điều kiện ổn định, nhưng lại gặp khó khăn với các tín hiệu không dừng (non-stationary) – là đặc điểm chung của máy móc trong thực tế. Các tín hiệu này có tần số thay đổi theo thời gian do sự biến đổi của tải và tốc độ. Điều này đòi hỏi các phương pháp xử lý tín hiệu phức tạp hơn như phân tích thời gian-tần số, vốn yêu cầu kiến thức chuyên sâu và tốn nhiều thời gian để thực hiện thủ công.

2.2. Sự cần thiết của bộ dữ liệu lớn và đa dạng trong thực tế

Mô hình học máy cho chẩn đoán lỗi chỉ thực sự mạnh mẽ khi được huấn luyện trên một bộ dữ liệu đủ lớn và phản ánh đúng sự đa dạng của các điều kiện vận hành. Một bộ dữ liệu lý tưởng cần bao gồm nhiều loại lỗi khác nhau (vòng trong, vòng ngoài), nhiều kích thước lỗi (từ nhỏ đến lớn), và được ghi nhận dưới các mức tải trọng và tốc độ quay khác nhau. Việc xây dựng một bộ dữ liệu như vậy là một quá trình tốn kém và phức tạp nhưng lại là bước đi bắt buộc để tạo ra các giải pháp chẩn đoán lỗi tự động có khả năng ứng dụng thực tiễn cao.

III. Cách xây dựng bộ dữ liệu lớn từ tín hiệu rung động cơ

Để vượt qua các hạn chế về dữ liệu, nghiên cứu đã tiến hành thiết kế và xây dựng một hệ thống testbench chuyên dụng. Hệ thống này là một mô hình thu nhỏ của môi trường công nghiệp, cho phép kiểm soát và ghi nhận dữ liệu một cách khoa học. Trọng tâm của hệ thống là động cơ không đồng bộ ba pha được kết nối với một phanh bột từ để giả lập các mức tải khác nhau (0W, 250W, 500W). Cảm biến gia tốc có độ nhạy cao (model PCB 352C33) được gắn trực tiếp lên vỏ động cơ, ngay tại vị trí của vòng bi chịu tải, để đảm bảo thu được tín hiệu rung rõ nét nhất. Quá trình thu thập dữ liệu (DAQ) được thực hiện bằng card NI 9234 với tần số lấy mẫu 12.800 Hz, đủ cao để nắm bắt các tần số lỗi đặc trưng. Các lỗi nhân tạo được tạo ra một cách chính xác trên vòng bi bằng máy cắt dây EDM với các kích thước vết nứt khác nhau (0.2mm, 0.6mm, 1mm, 1.5mm) ở cả vòng trong và vòng ngoài. Toàn bộ quy trình, từ tạo lỗi đến thu thập dữ liệu, được chuẩn hóa để tạo ra một bộ dữ liệu đáng tin cậy. Kết quả là 27 tệp dữ liệu gốc, đại diện cho 9 trạng thái vòng bi (1 bình thường, 4 lỗi vòng trong, 4 lỗi vòng ngoài) dưới 3 điều kiện tải, tạo thành một bộ dữ liệu lớn và đa dạng.

3.1. Thiết kế hệ thống testbench thu nhận tín hiệu rung động

Mô hình testbench bao gồm động cơ điện ba pha Hồng ký, cảm biến mô-men quay, cảm biến tốc độ, phanh bột từ (tải), và cảm biến rung. Toàn bộ hệ thống được đặt trên một giá đỡ chắc chắn để loại bỏ rung động từ bên ngoài. Tín hiệu từ cảm biến được thu thập thông qua bộ thu dữ liệu NI 9234 và được giám sát thời gian thực bằng phần mềm LabVIEW. Thiết kế này đảm bảo quá trình thu thập dữ liệu được thực hiện một cách chính xác và có thể lặp lại.

3.2. Quy trình tạo lỗi nhân tạo và thu thập dữ liệu chi tiết

Phương pháp tạo lỗi nhân tạo bằng máy cắt dây EDM được lựa chọn vì độ chính xác cao và khả năng tạo ra các vết nứt có kích thước siêu nhỏ. Luận văn đã tạo lỗi trên vòng bi SKF 6204 tại hai vị trí: vòng trong và vòng ngoài, với bốn kích thước lỗi khác nhau cho mỗi vị trí. Đối với mỗi vòng bi bị lỗi (và vòng bi bình thường), dữ liệu rung động được ghi lại trong 10 giây dưới ba mức tải trọng khác nhau. Quy trình này đảm bảo bộ dữ liệu bao quát được nhiều kịch bản hỏng hóc vòng bi.

IV. Bí quyết ứng dụng học sâu để chẩn đoán lỗi vòng bi tối ưu

Giải pháp cốt lõi của nghiên cứu là áp dụng phương pháp học sâu để tự động hóa quá trình chẩn đoán. Thay vì phân tích thủ công, quy trình này biến đổi tín hiệu rung động 1D thành ảnh phổ 2D, một dạng biểu diễn giàu thông tin hơn. Đầu tiên, tín hiệu thô được tiền xử lý bằng phương pháp Phân rã Chế độ Thực nghiệm (EMD) để loại bỏ nhiễu và trích xuất các thành phần dao động nội tại. Sau đó, tín hiệu đã được làm sạch được chuyển đổi sang miền thời gian-tần số bằng Biến đổi Fourier thời gian ngắn (STFT). Kết quả của quá trình này là các ảnh phổ (spectrogram), trong đó trục hoành biểu thị thời gian, trục tung biểu thị tần số, và màu sắc biểu thị biên độ năng lượng. Những ảnh này trực quan hóa các đặc trưng của lỗi vòng bi. Sau đó, một mô hình Mạng nơ-ron tích chập (CNN), được thiết kế đặc biệt cho bài toán phân loại ảnh, được sử dụng. Mô hình CNN có khả năng tự động học và trích xuất đặc trưng (feature extraction) từ các ảnh phổ để phân biệt giữa trạng thái bình thường và các loại lỗi khác nhau. Kiến trúc CNN được đề xuất trong luận văn được tối ưu hóa từ mô hình LeNet-5 kinh điển, mang lại hiệu quả cao hơn về cả độ chính xác và thời gian huấn luyện. Đây chính là bước đột phá, giúp hệ thống machine learning for fault diagnosis trở nên thông minh và hiệu quả hơn.

4.1. Tiền xử lý dữ liệu và chuyển đổi tín hiệu sang ảnh phổ

Quá trình tiền xử lý dữ liệu (data preprocessing) là cực kỳ quan trọng. Tín hiệu rung động 1D từ cảm biến được chuyển đổi thành ảnh phổ 2D bằng STFT. Việc lựa chọn các tham số cho STFT, như độ dài cửa sổ (1024 điểm) và độ chồng lấn (75%), được tính toán cẩn thận để đảm bảo độ phân giải tốt nhất ở cả miền thời gian và tần số. Mỗi tệp dữ liệu 10 giây được chuyển thành một ảnh phổ lớn, sau đó được chia thành 247 ảnh nhỏ hơn để tăng cường số lượng mẫu cho quá trình huấn luyện mô hình học sâu.

4.2. Kiến trúc mô hình CNN và quy trình huấn luyện đề xuất

Mô hình CNN được đề xuất bao gồm nhiều lớp tích chập để trích xuất đặc trưng ở các cấp độ khác nhau, theo sau là các lớp gộp (pooling) để giảm chiều dữ liệu và các lớp kết nối đầy đủ (fully connected) để thực hiện phân loại. So với kiến trúc LeNet-5, mô hình này sử dụng các kỹ thuật tiên tiến hơn như phép tích chập tách biệt chiều sâu (Depthwise Separable Convolution) để giảm số lượng tham số và tăng tốc độ tính toán. Mô hình được huấn luyện để phân loại dữ liệu thành 9 lớp tương ứng với 9 trạng thái của vòng bi.

V. Phân tích kết quả thử nghiệm mô hình chẩn đoán lỗi vòng bi

Hiệu suất của mô hình học sâu đề xuất đã được đánh giá một cách nghiêm ngặt và so sánh trực tiếp với mô hình LeNet-5 kinh điển. Kết quả thực nghiệm cho thấy sự vượt trội rõ rệt của phương pháp mới. Về độ chính xác, mô hình đề xuất đạt được tỷ lệ phân loại đúng lên tới 99.5%, cao hơn đáng kể so với LeNet-5. Điều này chứng tỏ khả năng của mô hình trong việc học các đặc trưng tinh vi từ ảnh phổ để phân biệt chính xác giữa các trạng thái lỗi bạc đạn khác nhau, ngay cả khi kích thước lỗi rất nhỏ hoặc điều kiện tải thay đổi. Một ưu điểm quan trọng khác là hiệu quả tính toán. Nhờ kiến trúc được tối ưu hóa, thời gian huấn luyện của mô hình đề xuất chỉ bằng khoảng một nửa so với LeNet-5, trong khi vẫn duy trì được độ chính xác cao hơn. Đồ thị hàm mất mát (loss function) trong quá trình huấn luyện cũng cho thấy mô hình mới hội tụ nhanh hơn và ổn định hơn. Những kết quả này không chỉ xác thực tính hiệu quả của phương pháp nghiên cứu mà còn khẳng định tiềm năng ứng dụng thực tiễn của nó trong các hệ thống giám sát tình trạng máy thời gian thực, nơi cả độ chính xác và tốc độ xử lý đều là những yếu tố then chốt.

5.1. Đánh giá độ chính xác và hiệu suất của mô hình đề xuất

Các chỉ số đánh giá chính bao gồm độ chính xác (accuracy), hàm mất mát (loss) và ma trận nhầm lẫn (confusion matrix). Đồ thị kết quả trong luận văn (Hình 4-8) cho thấy đường cong độ chính xác của mô hình đề xuất nhanh chóng đạt mức cao và ổn định, trong khi đường cong mất mát giảm đều và nhanh chóng. Ma trận nhầm lẫn cũng cho thấy rất ít trường hợp bị phân loại sai, khẳng định độ tin cậy của mô hình trong việc chẩn đoán từng loại bearing fault cụ thể.

5.2. So sánh hiệu năng với mô hình CNN LeNet 5 kinh điển

Việc so sánh trực tiếp với một mô hình nền tảng như LeNet-5 cung cấp một thước đo khách quan về sự cải tiến. Kết quả chỉ ra rằng, mô hình đề xuất không chỉ chính xác hơn mà còn hiệu quả hơn về mặt tài nguyên tính toán (Hình 4-9). Điều này đặc biệt quan trọng cho việc triển khai trên các hệ thống nhúng hoặc các thiết bị có năng lực xử lý hạn chế, mở ra khả năng ứng dụng rộng rãi hơn trong công nghiệp.

VI. Triển vọng từ luận văn Tương lai của bảo trì dự đoán

Công trình nghiên cứu này không chỉ dừng lại ở một giải pháp học thuật mà còn mở ra nhiều hướng phát triển đầy hứa hẹn cho ngành bảo trì dự đoán. Kết quả thành công trong việc xây dựng bộ dữ liệu và áp dụng học sâu để chẩn đoán lỗi vòng bi là một minh chứng mạnh mẽ cho tiềm năng của trí tuệ nhân tạo trong công nghiệp 4.0. Hướng phát triển trong tương lai có thể tập trung vào việc mở rộng bộ dữ liệu để bao gồm các loại lỗi phức tạp hơn, chẳng hạn như lỗi kép (lỗi xảy ra đồng thời ở cả vòng trong và vòng ngoài) hoặc các lỗi ở những bộ phận khác của động cơ. Một hướng đi tiên tiến khác là chuyển từ bài toán chẩn đoán (xác định lỗi gì) sang bài toán tiên lượng (dự đoán khi nào lỗi sẽ xảy ra). Bằng cách phân tích xu hướng suy giảm của tín hiệu theo thời gian, các mô hình học sâu như Mạng nơ-ron hồi quy (RNN/LSTM) có thể được sử dụng để dự đoán Tuổi thọ hữu ích còn lại (Remaining Useful Life - RUL) của thiết bị. Việc triển khai các mô hình này trên các nền tảng đám mây hoặc thiết bị biên (edge computing) sẽ tạo ra các hệ thống giám sát tình trạng máy thông minh, tự động và có khả năng đưa ra cảnh báo sớm, giúp các doanh nghiệp tiến một bước dài trong việc tối ưu hóa sản xuất và giảm thiểu rủi ro.

6.1. Hướng phát triển bộ dữ liệu và mô hình trong tương lai

Các nghiên cứu tiếp theo có thể bổ sung dữ liệu về các loại lỗi khác, các loại động cơ khác nhau, hoặc ảnh hưởng của các yếu tố môi trường như nhiệt độ và độ ẩm. Về mô hình, việc khám phá các kiến trúc học sâu mới hơn như Transformer hay Graph Neural Networks có thể mang lại những cải tiến đột phá hơn nữa. Việc kết hợp nhiều loại tín hiệu (rung, dòng điện, âm thanh) cũng là một hướng đi tiềm năng để tăng cường độ chính xác và độ tin cậy của hệ thống chẩn đoán.

6.2. Ứng dụng thực tiễn và bài toán dự đoán tuổi thọ RUL

Mục tiêu cuối cùng là tích hợp giải pháp này vào một hệ thống predictive maintenance hoàn chỉnh. Hệ thống này không chỉ cảnh báo khi có lỗi, mà còn có thể dự đoán thời điểm hỏng hóc tiếp theo. Bài toán dự đoán RUL là một thách thức lớn nhưng mang lại giá trị thực tiễn khổng lồ, cho phép lên lịch bảo trì một cách tối ưu nhất, chỉ thay thế linh kiện khi thực sự cần thiết, giúp tiết kiệm chi phí tối đa và đảm bảo an toàn vận hành tuyệt đối cho toàn bộ hệ thống sản xuất.

11/09/2025
Luận văn thạc sĩ nghiên cứu xây dựng bộ dữ liệu lớn và thử nghiệm phương pháp học sâu để phát hiện và chẩn đoán lỗi vòng bi của động cơ ba pha

Trích đoạn nội dung tài liệu

chương 1 đã giới thiệu tông quan vẻ cấu tạo, các loại vòng bi và vai trò của vòng bí trong động cơ ba pha. Tiếp theo, giới thiệu về lỗi vòng bị, nguyên nhân „ dâu hiệu và ảnh hưởng của lỗi vòng bị đến động cơ ba pha. Phần cuối của chương đã giới thiệu vẻ các phương pháp tạo lỗi véng bi trong phòng thí nghiệm. Trong đỏ an này, em lựa chọn phương pháp tạo lỗi vòng bị đưởi dạng vết nứt bằng máy cắt dây vả lựa chọn tạo lỗi ở 2 vị trí trong vòng bi là vòng ngoài và vỏng trong với 4 kích thước lần lượt lả 0,2mm, 0,6mm, 1mm và 1,Smm CHƯƠNG 2.

CƠ SỞ LÝ THUYẾT TIÊN QUAN ĐẾN XỬ LÝ TÍN HIỆI! VẢ HỌC SÂU 2.1 Phân loại một số tín biệu liên quan đến lỗi vòng bỉ Đổ chẵn đoán lỗi của vòng bí trong động cơ điện, ta thường đựa vào việc phân tích các tín hiệu của déng cơ trong quả trình động cơ hoạt động. Đồng cơ diện khi hoạt đông tạo ra rất nhiều loại ti hiện khác nhau. Tùy thuộc vào việc lây tím hiệu nào đề phân tích thì ta sẽ lựa chọn các loại câm biến phủ hợp để giám sát quả trình hoạt động của động cơ. Ta sẽ phân loại các phương pháp đo tin hiệu dựa trên dạng tín hiệu cảm biển thu được: - Tin higu dong dign (Current signal): Tin higu thu được khi ta lắp đặt.

cấm biến dòng đo tín hiệu dòng điện của stato. Khi vòng bỉ hoạt động trong điều kiện lỗi, các chuyến xuyên tâm của trục động cơ sẽ dẫn đến sự thay đổi nhỏ của roto từ đỏ sẽ gây ra sự thay đối thông lượng từ giữa stator va roto. Điện áp gây ra sau dé sé gay ra sự thay đổi của dòng stator. CA biên đông có thể lắp đặt ở bên ngoài động cơ, tránh ảnh hưởng đến động, cơ trong quả trình hoạt động.

Tuy nhiên so với tin hiệu rưng và tin hiệu song 4m, tin hiệu điện chỉ phát hiện việc xuất hiện lỗi trên động cơ chứ không biểu thị rõ được lỗi xuất phát từ vị trí nào của động cơ. - Tím hiệu rung (Vibration sienal) [4]: Là loại tín hiệu được sử đựng rộng rãi nhất trong các loại tín hiệu ding để kiểm tra trạng thái hoạt động của vòng bi. Tín hiệu nay thu được khi ta lắp đặt cắm biên rung trên động cơ do sự rung động eda vong bi trong qué trink động cơ hoại đông. MộL đông cơ ở trạng thái bình thường sẽ tạo ra độ rung tôi thiếu khi hoạt động, bắt kì sự cổ,lỗi nào xây ra bên trong các bộ phận của động cơ đều gây ra dộ rung lớn hơn.

Mỗi một loại lỗi trên từng vị tí của vòng bị lại sinh ra các tân số khác nhau với các biên độ rưng khác nhau. Do đó, dựa vào tín hiệu rung, ta có thể nhận biết được trạng thái làm việc của vòng bí mã không cần phái có những tác động vật lý như mỡ nắp động cơ,. - Tin hiệu sóng âm (Acoustic Emission sigaal) |4]. Tin hiệu thu được khi ta lắp cảm biến sống âm đo lín hiệu sóng âm phát ra từ các vết múi tại điểm xảy ra lỗi.

Phát xạ sóng âm là một sóng dan hồi thoáng qua được tạo ra được gây ra bởi sự giới phỏng nẵng lượng đột ngột gây ra boi sụ thay đôi cấu trúc trong vật liệu. Câm Điền sóng ảm hoạt động dựa trêu tín hiệu sóng, âm được phát ra lừ các vét nút tại thời điểm xảy ra lỗi. Do đó tín hiệu sóng âm có thể phát hiện sớm nhất tĩnh trạng lỗi vòng bị ngay cả khi những lãi này xây ra ở dưới it cửa vòng bí. Các loại cảm biển do sóng âm thường hoại động ở lẫn số cao vì thể đôi hỏi sự chính xác Luyệt đổi khi lắp đặt cảm biến và giá thành cao hơn nhiêu so với các câm biển khác DS chính xác của việc phát hiện lỗi bằng phương pháp đo sóng âm có thể bị giâm do đỗ ổn từ môi trương xung quanh.

~_ Tin hiệu nhiệt (Thermography) [5]: La mot ky thuat ding để chuẩn đoán lễi không phá hỗy đựa trên ãnh nhiệt thu được từ camera hông ngoại Đâu đò hồng ngoại hấp thụ năng lượng phát ra từ vật thể và đo nhì trên bễ mặt của vật thể. Khi vòng bí bị hỏng, dẫn đến nhiệt độ tăng lên, qua đó có thể phát hiện được vòng bí dang bị lỗi. Tuy nhiên phương pháp này ol phái hiện được lỗi vòng bí khí có sự thay đổi rõ rằng về nhiệt độ đo các vết nút trên vòng bị đã đạt đến một mức độ hư hỏng nhất định, nhưng trong giai doạn dầu của lỗi vòng bị, nhiệt độ của động cơ hau như không bị ảnh hưởng. Các yếu tố bên ngoài như nhiệt độ môi trường, tốc độ, tải chạy của động cơ và thời gian chạy đều có ảnh hưởng rố rệt nên nhiệt độ của động cơ, do đó làm giám độ chính xác của phương pháp đo nhiệt trên động cơ.

Trên dây là các tín hiệu cảm biến thưởng dược dùng để chân doản lỗi của déng co. Tuy vao việc chân đoán lãi của thành phan nao ta sé lua chon tín hiệu phù hợp với yêu câu bài toán đặt ra 2.2 Các phương pháp xử lý tín hiệu Tín biểu cầm biển sau khi thu dược n qua bước tiển xi ly tinh dễ lọc các thành phân nhiễu và đưa về đạng đữ liệu mong muốn. Đề phân tich xử lý tín thiệu của vòng bị, người ta sử dụng các phương pháp xứ lý trên ba miễn làm việc chính là: -_ Miễn thời gian ~ Miễn lần số ~_ Miễn thời gian - tần số 2.1 Phương pháp xử lý tín hiệu trong miễn thửi gian ‘Tin hiệu thu được từ cảm biến hay bộ chuyển dỗi thường ở dạng chuỗi thời gim, tiên việc xử lý tín hiệu trơng miễn thời gian là phương pháp giúp tốn íL thời gian và tài nguyên nhất Tuy nhiên phương pháp xủ lý tín hiệu trong miền thời gian có độ chỉnh xác và độ tôi ưu không bằng xử lý tín hiệu trong miễn tần số. Một vải phương pháp được sử dụng là phương pháp xác dinh độ lênh chuẩn (Standard DeviaHion) và phương pháp xác định giá tị hiệu đụng (Root.

Meare Squared Value). Phương pháp xác định đó lệch chuẩn. 1à phương pháp dùng để phản ánh mức độ phân tán của từng điểm tin hiệu so với giả trị trune bình của tin hiệu đỏ, Công thức tính độ lệch chuẩn: SD Trong dé. ÁN: Tổng số điểm lấy mẫu Xị: Dữ liệu tại điểm thử ¡ X : Gia trị trung bình của tín hiệu Ð.

Phương pháp xác định giá trị hiệu dụng Là phương pháp tỉnh giá trị hiệu dụng của các điểm lấy mẫu. Phương pháp nảy biểu thị về năng lượng của tín hiệu. RMS = Trong đỏ N: Tổng số điểm lây mâu X¡: Dữ liệu tại điểm thứ ¡ 2. Phương pháp xử lý tín hiệu trong miền tần số Ngày nay, để cỏ thẻ xử lý nhiều và trích xuất các đặc trưng của tín hiệu thị người ta thường ưu tiên xử lý tin hiệu trong.

miễn tần số. Phương pháp nảy có thể g1Úp ta quan sát các pho tân số khác nhau của tin hiệu[6]. Biên đôi phô biển nhất được sử dụng trong miễn tân số là biển đổi Fourier. Biển đổi Fourier được sử dụng để chuyên đổi tin hiệu có hình dạng bất kỳ thành tổng số vô hạn của sóng hinh sin.

Vi việc phân tích các hàm hình sin đễ dàng hơn so với phân tích các hảm có hình dạng chung, phương pháp này rất hữu ich và được sử dụng rộng rãi Một số phép biển đổi Fourier thường được sử dụng là - Fourier Intergral (FI); Phép bién déi Fourier liên tục - Discrete Fourier Transform (DFT): Phép biển đổi Fourier rời rac - Fast Fourier Transform (FFT): Phép biến đôi Fourier nhanh Biên đội Thời gian a Phd mién thoi gian WY Phổ miền tân số Hình 2-1: Hình anh tin higu trong mién tan số và miễn thời gian A. Phép biến đổi Fourier liên tục 25 Thông thường, phép biến đổi Fourier liên tục thường được cơi là phép biến đổi Fourier. Phép biến đổi Fourier sẽ khai triển 1 hàm số theo các thành phần. trong phổ của nó XA | xŒ).a ?“Pt (3) "Trong đỏ XŒD: Tín hiệu sau khi được biến đổi sang miễn tân số x(t): Tin higu géc 4 miễn thời gian.

Phép bién déi Fourier rai rac Phép biển đối Fourier rai rac đôi khi còn được gọi là biến đổi Fourier him hạn, là một biển dỗi Fourier cho các tin hiệu thời giaut rời ree.Đà vào của biến đổi này là một chuỗi hữu hạn các số thực hoặc số phức, làm biển đổi nảy lả một công cụ lý tưởng đê xử lý thông tin trên các máy tỉnh. amt X, — E8txne 8 Ay Với k= 0,12. N-1 C_ Phép biến déi Fourier nhanh iên đối Foirier nhanh FET thực chất là các thuật toán đề thục hiện phép biển đối Fourier rồi rạc ĐT nhằm phân tích tín hiệu rời rạc theo thời gian trong miền tân số hiệu quả nhờ sự cải thiên rất dáng kể về tốc dé va tinh toan don giản|7]. Thuật toán FFT phải tính tất cả N giá trị của DFT sao cho có hiệu quả cao nhất.

Cá một vải thuật toán đẻ thực hiện EFT, tuy nhiên thuật toán Cooley- Tukey là thuật toán được sử dụng phỏ biển nhất Thuật giái Coaley-Tukey ehí áp dụng cho trường hợp N = 2, s€ N. Vì N chăn, nên tổng (4) có thể phân tích thành hai tổng FŒ) = FY ponw = ĐẺ ƒm)W + ĐÓ Ƒùw th 1 My () = Yramwtyre + Y sams pwr 0 m=0 e() + W~*Fa(Œ) Với W 22n/, N _ „ 240/ ag 2) „ nên ta thấy I'.,N/2 1} Có nghĩa là môi mét Fe(k) va Fo(k) được phân tích thành tổng của hai phép biển đổi Fourier rời rạc của N/2 điểm. Tiếp tục quả trình trên cho đến khi cho đến khi ta được biến đổi Fourier rời rạc của 2 điểm. Ngoài ra, do tính tuân hoàn chu kỳ N/2 nên chỉ cản tinh F.(k) va F,(k) voi N/2 <k <N ~ 1 hoặc với 0 < k<N2-1 2.

Phương pháp xử lý tín hiệu trong miền thời gian — tần số A. Phép biển đổi Fourier thời gian ngắn Các tin hiệu thường gặp trong thực tế thường là tin hiệu không dừng (ví dụ tin hiệu nhạc, tín hiệu nhiều, .) thì phân tích Fourier hoàn toàn không mang lại các thông tin hữu ích. Ta xét một ví dụ đơn giản dé thay rõ điều nảy. Xét trường hợp tín hiệu xung õ(0), phép biến đổi Fourier F(@)=1, với Vø.

Ta thấy rằng thông tin Về vị trí xung. trong miễn thời gian hoàn toàn không phát hiện trong miền tân số. Như vậy, biến đổi Fourier không phân tích được biến thiên tân số trong từng vũng theo thời gian của tín hiệu.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ