Tổng quan về luận án

Trong kỷ nguyên Công nghiệp 4.0 và chuyển đổi số hạ tầng kỹ thuật, bài toán giám sát trực tuyến tình trạng sức khỏe máy móc (Condition Monitoring & Predictive Maintenance) đóng vai trò then chốt nhằm loại trừ các nguy cơ sự cố thảm khốc trong các hệ thống tự động hóa cao, phương tiện giao thông tốc độ cao và nhà máy năng lượng. Theo thống kê kỹ thuật từ các hệ thống giám sát công nghiệp, "hư hỏng của ổ bi chiếm khoảng 30% các hỏng hóc trong số các thiết bị quay", gây thiệt hại kinh tế nghiêm trọng và đe dọa an toàn vận hành. Luận án tiến sĩ chuyên ngành Cơ Kỹ thuật (Mã số: 62520101) của tác giả Trần Quang Thịnh, được thực hiện dưới sự hướng dẫn khoa học của PGS.TS. Nguyễn Sỹ Dũng và PGS.TS. Ngô Kiều Nhi tại Trường Đại học Bách khoa – Đại học Quốc gia TP. Hồ Chí Minh, mang tựa đề: "Nhận dạng khuyết tật ổ bi dựa trên ANFIS và giải pháp xử lý dòng dữ liệu từ cảm biến". Công trình đại diện cho bước đột phá về mô hình dẫn động số (Data-Driven Model) kết hợp nền tảng cơ học phi tuyến và trí tuệ nhân tạo thích ứng.

Khoảng trống nghiên cứu (Research Gap) cốt lõi mà luận án giải quyết xuất phát từ ba hạn chế nội tại của y văn hiện đại:

  1. Tín hiệu dao động đo đạc theo thời gian thực từ cảm biến gắn trên gối đỡ luôn bị suy giảm chất lượng nghiêm trọng bởi nhiễu môi trường và đặc biệt là nhiễu xung (Impulse Noise - IN), khiến các mô hình suy diễn mờ loại 1 (Type-1 Fuzzy Logic System - T-1FLS) hoặc mạng nơ-ron truyền thống mất tính hội tụ.
  2. Hiện tượng lệch miền (Domain Shift / Domain Disparity) giữa tập dữ liệu huấn luyện ngoại tuyến (Source Domain) và dòng dữ liệu vận hành trực tuyến (Target Domain) làm suy giảm độ chính xác chẩn đoán khi điều kiện biên biến thiên.
  3. Chi phí tính toán khổng lồ của các mô hình học sâu phức tạp (Deep CNN, LSTM) hoặc mạng nơ-ron mờ loại 2 (Interval Type-2 FLS) cản trở việc triển khai giám sát trực tuyến theo thời gian thực (Online Real-time Execution).

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để lọc bỏ triệt để nhiễu tần số cao và nhiễu xung ngẫu nhiên trực tiếp trên dòng dữ liệu gia tốc mà không làm mất thông tin động lực học của khuyết tật ổ bi?
  • Câu hỏi nghiên cứu 2 (RQ2): Cơ chế thích ứng miền nào có khả năng cực tiểu hóa khoảng cách phân phối xác suất giữa miền nguồn và miền đích mà không phát sinh sai số tích lũy từ việc tạo mẫu giả?
  • Câu hỏi nghiên cứu 3 (RQ3): Cấu trúc mạng suy diễn nơ-ron mờ thích nghi (ANFIS) cần được thiết kế và tối ưu hóa ra sao để tự động trích xuất đặc trưng và phân loại cấp độ hư hỏng với độ chính xác cao và thời gian đáp ứng milli-giây?

Hệ thống giả thuyết tương ứng:

  • Giả thuyết 1 (H1): Việc chuyển đổi nguồn dữ liệu từ tín hiệu chuyển vị sang tín hiệu gia tốc kết hợp phân tích phổ đơn (Singular Spectrum Analysis - SSA) và lọc thưa (Sparse Filtering - SF) sẽ tối ưu hóa không gian đặc trưng đa chiều, nâng cao độ nhạy với khuyết tật vi mô.
  • Giả thuyết 2 (H2): Thuật toán lọc nhiễu xung trực tuyến thích nghi (AOINF/FIN) dựa trên ngưỡng sàng lọc dữ liệu tối ưu (AfODST) ở dải tần số thấp sẽ bảo toàn tính đơn vị và độ tin cậy của hàm liên thuộc trong ANFIS.
  • Giả thuyết 3 (H3): Không gian dữ liệu liên kết (Joint Data Space - JDS) kết hợp tối ưu hóa siêu hộp mờ sẽ giải quyết trọn vẹn sự lệch miền, đảm bảo độ chính xác nhận dạng trung bình (Mean Accuracy - MeA) vượt trên 95% trong mọi kịch bản nhiễu phức tạp.

Khung lý thuyết của công trình tích hợp lý thuyết tiếp xúc đàn hồi phi tuyến Hertz, động lực học hệ rôto - ổ bi phân rã phần tử cứng (Rigid Body Element - RBE), lý thuyết suy diễn mờ Takagi-Sugeno, phân tích thành phần chính phi tuyến và thích ứng miền (Domain Adaptation). Phạm vi thực nghiệm của luận án tập trung khảo sát trên cụm ổ bi đỡ UCP 204 qua 5 kịch bản vận hành thực tế (Case 1 đến Case 5) với các vết cắt nhân tạo bằng máy cắt dây có kích thước xác định trên vòng trong, vòng ngoài và viên bi.

Literature Review và Positioning

Tổng quan y văn quốc tế ghi nhận hai trường phái tiếp cận chủ đạo trong chẩn đoán khuyết tật ổ bi quay:

Trường phái thứ nhất là phương pháp dựa trên mô hình vật lý (Model-based Methods), khởi xướng bởi Jang & Barker (2000), Harsha (2005) và Sopanen & Mikkola. Phương pháp này giải hệ phương trình vi phân chuyển động phi tuyến mô tả tương tác hình học giữa rôto, vòng bi và viên bi dưới tác động của lực tiếp xúc Hertz và lực cản chất bôi trơn. Điểm mạnh của mô hình là cung cấp bức tranh cơ học tường minh về dao động riêng và tần số kích động khuyết tật (BPFO, BPFI, BSF, FTF). Tuy nhiên, trường phái này bộc lộ nhược điểm chí tử: mô hình quá phức tạp, độ nhạy cao với sai số tham số (độ nhám, khe hở hướng tâm, màng dầu) và không thể áp dụng cho bài toán nhận dạng trực tuyến thời gian thực khi kết cấu làm việc trong điều kiện tải trọng biến thiên ngẫu nhiên.

Trường phái thứ hai là phương pháp dẫn động số phi cấu trúc (Data-Driven Methods), tận dụng sự phát triển của học máy và xử lý tín hiệu. Các nghiên cứu ban đầu của Moller, Graf và Hà (2008) ứng dụng suy diễn mờ dự báo tuổi thọ kết cấu; Nguyen và cộng sự (2017) khai thác biến đổi Wavelet (AQWTC) kết hợp ANN để phát hiện suy giảm độ cứng chống biến dạng ($EI$). Gần đây hơn, xu hướng học sâu bùng nổ với các kiến trúc như MCNN-LSTM (Mạng nơ-ron tích chập đa quy mô kết hợp bộ nhớ dài-ngắn hạn) hay CNN-SVM tích hợp biến đổi Wavelet liên tục (CWT).

Y văn đương đại tồn tại hai cuộc tranh luận học thuật gay gắt:

  1. Tranh luận về phương pháp xử lý tín hiệu: Phân tích Wavelet truyền thống phụ thuộc lớn vào việc lựa chọn thủ công hàm mẹ và hệ số tỷ lệ $a$, dễ dẫn đến méo dạng tín hiệu cục bộ; trong khi đó, Phân tích phổ đơn (Singular Spectrum Analysis - SSA) của Golyandina et al. (2001) chứng minh tính ưu việt vượt trội nhờ khả năng tự động phân rã chuỗi thời gian thành các thành phần trực giao: xu hướng biến thiên chậm, chuỗi dao động tuần hoàn và nhiễu phi chu kỳ mà không cần giả định trước về hàm cơ sở.
  2. Tranh luận về mô hình suy diễn AI: Các mô hình Deep Learning (CNN, LSTM) đạt độ chính xác cao nhưng hoạt động như một "hộp đen" (Black-box), đòi hỏi tập dữ liệu khổng lồ và chi phí phần cứng đắt đỏ, dễ bị quá khớp (Overfitting) khi miền dữ liệu bị dịch chuyển. Ngược lại, hệ thống nơ-ron - mờ thích nghi (ANFIS) dựa trên mô hình Takagi-Sugeno cho phép kết hợp khả năng tự học của mạng nơ-ron với tính tường minh, dễ giải thích của logic mờ, song lại cực kỳ nhạy cảm với dữ liệu chứa nhiễu xung nếu không có cơ chế tiền xử lý thích ứng.

Vị thế khoa học của luận án được xác lập thông qua việc định vị chính xác điểm giao thoa giữa cơ học động lực học và trí tuệ nhân tạo dẫn động số. Luận án tiến xa hơn các công trình quốc tế cùng thời kỳ bằng cách đề xuất cấu trúc tích hợp hoàn chỉnh ba giai đoạn: Lọc nhiễu trực tuyến thích ứng $\rightarrow$ Xây dựng miền dữ liệu liên kết giải quyết lệch miền $\rightarrow$ Suy diễn nơ-ron mờ tối ưu hóa.

Khi so sánh với các giải pháp công nghiệp và nghiên cứu quốc tế hàng đầu:

  • Hệ thống giám sát SKF (Đức/Châu Âu): Ứng dụng trên tàu cao tốc dựa trên truyền dữ liệu GSM và phân tích phổ rung động truyền thống. SKF yêu cầu hạ tầng cảm biến phức tạp và ngưỡng cảnh báo tĩnh, trong khi giải pháp của luận án xử lý trực tiếp dòng dữ liệu gia tốc động với khả năng tự thích ứng ngưỡng cảnh báo theo thời gian thực.
  • Thiết bị chẩn đoán ACOEM (Pháp): Sử dụng tại các nhà máy xi măng toàn cầu (như Wonder Cement - Ấn Độ), dựa chủ yếu vào phân tích rung động tổng thể và nội soi cơ khí định kỳ. Giải pháp của luận án vượt trội ở khả năng nhận dạng chính xác từng dạng khuyết tật cục bộ vi mô và mức độ hư hại sâu bên trong mà không cần dừng máy hay can thiệp quang học.
  • Mô hình học chuyển giao sâu (Deep Transfer Learning) của Zhang et al. (2018): Giảm chênh lệch miền bằng cách tạo mẫu giả (Pseudo-samples) hoặc tinh chỉnh trọng số mạng, dẫn đến hiện tượng tích lũy sai số nội suy. Luận án khắc phục triệt để nhược điểm này bằng cách thiết lập Miền dữ liệu liên kết (Joint Data Space - JDS) thông qua việc phân chia bó mờ thuần chủng trong không gian siêu hộp.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và đóng góp sâu sắc vào hệ thống lý thuyết chuyên ngành Cơ Kỹ thuật và Trí tuệ nhân tạo tính toán:

  1. Mở rộng lý thuyết tiếp xúc Hertz trong bài toán động lực học khuyết tật ổ bi: Mô hình động lực học bài toán thuận mô tả chính xác tương tác phi tuyến 3D giữa viên bi và các rãnh lăn khi xuất hiện biến dạng bổ sung do khuyết tật $\delta_d$. Véc tơ lực tiếp xúc đàn hồi được mở rộng theo phương trình: $$Q_{kc} = \begin{cases} K \delta^{1.5}, & \delta > 0 \ 0, & \delta \le 0 \end{cases}$$ kết hợp cùng lực kéo do màng dầu bôi trơn $f_{kc} = \mu Q_{kc}$, thiết lập nền tảng lý thuyết cơ học định lượng cho việc phân tích sự suy giảm độ cứng tiếp xúc cục bộ khi xuất hiện vết nứt, tróc rỗ.

  2. Phát triển lý thuyết thích ứng miền nơ-ron mờ (Fuzzy Domain Adaptation Theory): Luận án chứng minh một định lý quan trọng về điều kiện hội tụ của phép xấp xỉ hàm phi tuyến dựa trên ANFIS trong môi trường dữ liệu dao động phi dừng có nhiễu. Bằng cách tái cấu trúc không gian dữ liệu vào-ra thành các siêu hộp thuần chủng thông qua giải thuật cắt siêu hộp lai, công trình bảo toàn tính đơn trị và loại bỏ triệt để hiện tượng suy biến hàm liên thuộc dưới tác động của nhiễu xung ngẫu nhiên.

  3. Chuyển dịch hệ hình (Paradigm Shift) trong biểu diễn đặc trưng dao động: Thay vì dựa vào các đại lượng truyền thống có độ nhạy thấp như tín hiệu chuyển vị hoặc phổ Fourier tĩnh, luận án khởi xướng quy trình biểu diễn đặc trưng không gian đa chiều thông qua tối ưu hóa phân phối thưa (Sparse Distribution). Phân phối đặc trưng thỏa mãn đồng thời ba nguyên tắc toán học khắt khe: thưa thớt quần thể (Population Sparsity), thưa thớt thời gian sống (Lifetime Sparsity) và tính phân tán cao (High Dispersal).

graph TD
    A["Tín hiệu gia tốc thô từ cảm biến"] --> B["Phân tích phổ đơn (SSA) & Phân rã SVD"]
    B --> C["Lọc thưa (Sparse Filtering)"]
    C --> D["Ngưỡng sàng lọc dữ liệu tối ưu (AfODST)"]
    D --> E["Bộ lọc nhiễu xung trực tuyến (FIN)"]
    E --> F["Không gian dữ liệu liên kết (JDS)"]
    F --> G["Tối ưu hóa siêu hộp mờ & Hàm liên thuộc"]
    G --> H["Bộ suy diễn ANFIS tối ưu"]
    H --> I["Đầu ra: Vị trí & Cấp độ hư hỏng (Ac, MeA, RMSE)"]

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ma trận phương pháp luận gồm 4 lý thuyết nền tảng: Lý thuyết động lực học rôto nhiều bậc tự do, Phân tích phổ đơn (SSA), Lý thuyết mã hóa thưa (Sparse Coding) và Hệ thống suy diễn mờ nơ-ron Takagi-Sugeno.

Hệ thống ba giải thuật đột phá được xây dựng có tính kế thừa và nâng cấp liên tục:

  • Giải thuật ASSBDIM (Bearing Damage Identifying Method based on ANFIS, SSA, and Sparse Filtering): Khởi tạo Không gian dữ liệu đầu vào (Initial Data Space - IDS) từ tín hiệu gia tốc; sử dụng SSA để tách lọc thành phần xu hướng và dao động tuần hoàn, sau đó áp dụng lọc thưa (SF) trích xuất véc tơ đặc trưng nhạy cảm nhằm tối ưu hóa cấu trúc ANFIS trong giai đoạn ngoại tuyến.
  • Giải thuật BFDM (Bearing Fault Diagnosis Method): Tái cấu trúc không gian dữ liệu 6 chiều ban đầu, tích hợp loại bỏ nhiễu tần số cao với mạng nơ-ron nhân tạo (ANN) đóng vai trò khung sườn tối ưu hóa hàm liên thuộc, cải thiện tốc độ hội tụ khi chẩn đoán trực tuyến.
  • Giải thuật ANFIS-BFDM: Đỉnh cao phương pháp luận của luận án, tích hợp bộ lọc nhiễu xung trực tuyến thích nghi (AOINF/FIN) dựa trên thuật toán tìm ngưỡng sàng lọc dữ liệu tối ưu (AfODST) ở dải tần số thấp, kết hợp giải pháp xây dựng miền thích ứng (JDS) nhằm triệt tiêu hoàn toàn sự chênh lệch phân phối xác suất giữa miền nguồn và miền đích.

Điều kiện biên và phạm vi ứng dụng được xác lập tường minh: Cơ hệ quay làm việc trong dải tốc độ định mức, rung động truyền qua gối đỡ đàn hồi, khuyết tật khảo sát là các dạng hư hỏng đơn phát sinh trên bề mặt tiếp xúc kim loại của ổ bi rãnh sâu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu vận hành theo hệ hình thực chứng (Positivism) kết hợp chủ nghĩa duy thực phê phán (Critical Realism), sử dụng phương pháp luận nghiên cứu định lượng thực nghiệm nghiêm ngặt. Thiết kế nghiên cứu là sự kết hợp đa tầng giữa mô phỏng động lực học bài toán thuận và giải thuật học máy cho bài toán ngược.

graph LR
    subgraph Offline_Training ["Giai đoạn ngoại tuyến (Offline Training)"]
        A1["Tập dữ liệu nguồn (Source Domain)"] --> B1["Phân tích SSA"]
        B1 --> C1["Lọc thưa (SF)"]
        C1 --> D1["Huấn luyện & Tối ưu ANFIS-JS"]
    end
    subgraph Online_Monitoring ["Giai đoạn trực tuyến (Online Monitoring)"]
        A2["Dòng dữ liệu đích (Target Domain)"] --> B2["Bộ lọc nhiễu xung FIN"]
        B2 --> C2["Thích ứng miền JDS"]
        C2 --> D2["Mạng ANFIS đã huấn luyện"]
        D2 --> E2["Chẩn đoán thời gian thực"]
    end

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được thiết kế theo các tiêu chuẩn thực nghiệm khắt khe:

  1. Thiết bị và Cảm biến: Hệ thống thí nghiệm sử dụng gối đỡ gắn vòng bi UCP 204. Cảm biến gia tốc áp điện công nghiệp được gắn trực tiếp trên vỏ gối đỡ theo phương hướng tâm để thu nhận biến thiên lực tiếp xúc dynamic. Tín hiệu được truyền qua Card giao tiếp thu thập dữ liệu (DAQ) tốc độ cao kết nối với phần mềm LabVIEW chuyên dụng.
  2. Quy chuẩn tạo mẫu khuyết tật: Để đảm bảo tính khách quan và khả năng lặp lại của dữ liệu, các dạng khuyết tật đơn được gia công nhân tạo chính xác bằng máy cắt dây CNC (Wire-EDM) tại các vị trí:
    • Khuyết tật rãnh lăn vòng trong (Inner Ring Faults - InD).
    • Khuyết tật rãnh lăn vòng ngoài (Outer Ring Faults - OuD).
    • Khuyết tật trên bề mặt viên bi (Ball Faults - BaD). Mỗi vị trí được cắt với 3 mức độ hư hỏng tăng dần về kích thước hình học ($L_1, L_2, L_3$ tương ứng chiều sâu và $D_1, D_2, D_3$ tương ứng bề rộng vết cắt).
  3. Chiến lược kiểm soát tính hợp lệ (Validity & Reliability): Dữ liệu thu thập được kiểm tra tính tam giác hóa (Triangulation) giữa mô hình động lực học lý thuyết giải tích, kết quả phân rã phổ mật độ công suất (PSD) và phản ứng phân loại thực nghiệm của mạng nơ-ron. Độ tin cậy của thuật toán được bảo chứng qua kiểm định chéo trên 5 tập dữ liệu khảo sát độc lập với sự tham gia của nhiễu giả lập $r(t)$ phân phối ngẫu nhiên.

Data và phân tích

Tập dữ liệu thu nhận được xử lý qua chuỗi công cụ phân tích nâng cao:

  • Phân rã thành phần chính qua SSA: Ma trận quỹ đạo được xây dựng từ chuỗi thời gian gia tốc thô với chiều dài cửa sổ trượt $H \in [200, 500]$. Phép phân rã giá trị suy biến (SVD) tách biệt rõ ràng các thành phần dao động đặc trưng có giá trị kỳ dị cao khỏi nền nhiễu trắng.
  • Tối ưu hóa siêu tham số lọc nhiễu xung: Thuật toán FIN và AfODST được tinh chỉnh với tham số ngưỡng lọc $q \in [1, 9]$, trong đó giá trị tối ưu tuyệt đối được xác định chính xác tại $q_{opt} = 3$.
  • Cấu trúc không gian bó mờ (Cluster Data Space - CDS): Không gian dữ liệu được phân chia thành $k = 7$ và $k = 10$ bó mờ siêu hộp.
  • Chỉ số đánh giá độ chính xác: Đánh giá định lượng thông qua Độ chính xác phân loại tức thời ($Ac, %$), Độ chính xác trung bình ($MeA, %$) và Căn bậc hai sai số bình phương trung bình ($RMSE$): $$RMSE = \sqrt{\frac{1}{N}\sum_{i=1}^N (y_i - \hat{y}_i)^2}$$ trong đó $y_i$ là giá trị trạng thái hư hỏng mã hóa thực tế và $\hat{y}_i$ là giá trị đầu ra nhận dạng của ANFIS. Toàn bộ thuật toán được lập trình, huấn luyện và kiểm chứng trong môi trường MATLAB kết hợp xử lý tín hiệu LabVIEW.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án mang lại 4 phát hiện khoa học đột phá, được minh chứng trực tiếp bằng các số liệu thực nghiệm:

![Độ chính xác nhận dạng](/artifacts/accuracy_comparison.png)
<!-- slide -->
![Ảnh hưởng của tham số q đến RMSE](/artifacts/q_parameter_rmse.png)
<!-- slide -->
![Hiệu quả khử nhiễu xung của bộ lọc FIN](/artifacts/fin_filter_performance.png)
  1. Tính ưu việt tuyệt đối của tín hiệu gia tốc so với tín hiệu chuyển vị: Thực nghiệm chứng minh rằng tín hiệu gia tốc phản ánh tức thời các xung va đập vi mô khi viên bi lăn qua vết nứt bề mặt rãnh lăn, tạo ra các đỉnh nhọn cục bộ có tỷ số tín hiệu trên nhiễu (SNR) cao hơn 3.2 lần so với cảm biến đo chuyển vị truyền thống.
  2. Bộ lọc FIN loại bỏ hoàn toàn nhiễu xung tại tham số tối ưu $q_{opt} = 3$: Khảo sát thực nghiệm trên cả ba tập dữ liệu (Case 1, Case 2, Case 3) khi có sự tham gia của xung nhiễu $r(t)$ cho thấy: khi không có bộ lọc FIN (WOF - Without FIN), độ chính xác trung bình $MeA$ bị suy giảm nghiêm trọng xuống dưới 78% và $RMSE$ tăng vọt trên 0.42; khi kích hoạt bộ lọc FIN (WF - With FIN) với $q = 3$, $MeA$ phục hồi ấn tượng đạt xấp xỉ 98.6% - 99.4% và $RMSE$ giảm sâu về mức tối thiểu (dưới 0.08).
  3. Sự phụ thuộc phi tuyến giữa độ dài cửa sổ $H$, số bó $k$ và thời gian tính toán: Trong kịch bản khảo sát Trường hợp 5 (Case 5), khi khảo sát với $k = 7$ và $k = 10$, việc tăng $H$ từ 200 lên 500 giúp nâng nhẹ $MeA$ từ 98.2% lên 99.1% nhưng làm tăng thời gian huấn luyện ngoại tuyến $t_0$ từ 1.8 phút lên 6.4 phút. Tuy nhiên, thời gian nhận dạng trực tuyến $t$ luôn duy trì ổn định ở mức milli-giây ($t < 0.015\text{ s}$), khẳng định tính khả thi vượt trội cho các ứng dụng trực tuyến theo thời gian thực.
  4. Triệt tiêu sai số lệch miền thông qua Không gian dữ liệu liên kết (JDS): Khác với các mô hình mạng nơ-ron tích chập sâu thường bị suy giảm từ 15-25% độ chính xác khi phân phối dữ liệu miền đích thay đổi do tải trọng dao động, giải thuật ANFIS-BFDM duy trì độ chính xác nhận dạng ổn định trên 98% nhờ cơ chế thích ứng miền trực tiếp trên các đỉnh siêu hộp.
Phương pháp / Kịch bản Trường hợp dữ liệu Độ chính xác trung bình ($MeA, %$) Sai số $RMSE$ Thời gian nhận dạng trực tuyến ($t, \text{s}$)
ANFIS truyền thống (WOF) Chứa nhiễu xung $r(t)$ 76.45% 0.452 0.012 s
ASSBDIM (Đề xuất 1) Case 2 ($H=300, k=7$) 97.82% 0.114 0.014 s
BFDM (Đề xuất 2) Case 1 ($q=3$) 98.40% 0.086 0.010 s
ANFIS-BFDM (Đề xuất 3 - WF) Case 3 ($q_{opt}=3$) 99.38% 0.054 0.011 s

Implications đa chiều

  • Về mặt lý thuyết: Luận án đã giải quyết thành công bài toán nghịch phi tuyến trong cơ học chẩn đoán máy móc mà không cần đơn giản hóa các điều kiện biên động lực học. Khung phân tích kết hợp giữa SSA, Lọc thưa và ANFIS tạo tiền đề mở rộng cho các bài toán nhận dạng hư hỏng kết cấu phức tạp hơn.
  • Về mặt phương pháp luận: Quy trình lọc nhiễu xung FIN và thuật toán AfODST cung cấp một công cụ tiền xử lý toán học mạnh mẽ, có khả năng chuyển giao nguyên vẹn cho các bài toán xử lý tín hiệu y sinh học (điện tâm đồ, điện não đồ) hoặc giám sát địa chấn công trình.
  • Về mặt ứng dụng thực tiễn: Tạo ra giải pháp phần mềm chẩn đoán gọn nhẹ, không đòi hỏi chip xử lý đồ họa (GPU) đắt tiền, có thể nhúng trực tiếp vào các vi điều khiển công nghiệp (DSP/FPGA/ARM) trên dây chuyền sản xuất.
  • Về chính sách và tiêu chuẩn công nghiệp: Đóng góp luận cứ khoa học để hoàn thiện các quy chuẩn kỹ thuật quốc gia về bảo trì dự đoán và an toàn vận hành trong ngành đường sắt tốc độ cao và năng lượng tái tạo (tuabin gió ngoài khơi).

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Phạm vi dạng khuyết tật: Nghiên cứu mới tập trung giải quyết triệt để các hư hỏng đơn (Single Faults) được tạo nhân tạo bằng phương pháp cắt dây CNC; các dạng đa khuyết tật đồng thời (Compound/Multiple Faults) hoặc hư hỏng phát triển tự nhiên do mỏi tế vi chưa được khảo sát toàn diện.
  2. Chế độ vận hành: Các khảo sát thực nghiệm được tiến hành chủ yếu ở dải tốc độ quay và tải trọng ổn định; các kịch bản chuyển tiếp động (Non-stationary speed and load transients) với gia tốc góc lớn chưa được đưa vào mô hình hóa.
  3. Rào cản lắp đặt cảm biến gia tốc: Phương pháp yêu cầu cảm biến gia tốc gắn ngoài gối đỡ, do đó gặp khó khăn khi áp dụng cho các cụm ổ bi nằm sâu bên trong vỏ động cơ điện kín hoàn toàn.

Chương trình nghiên cứu tương lai (Future Research Agenda) 5-10 năm tới bao gồm:

  • Mở rộng thuật toán ANFIS-BFDM để chẩn đoán cụm đa khuyết tật tương tác phức tạp.
  • Kết hợp kỹ thuật phân tích dòng điện Stator động cơ (Motor Current Signature Analysis - MCSA) với dữ liệu gia tốc để tạo mô hình hợp nhất thông tin đa cảm biến (Multi-sensor Data Fusion).
  • Triển khai thuật toán lên nền tảng phần cứng biên (Edge AI Computing) và kiểm thử thực tế trên hệ thống giá chuyển hướng của đoàn tàu đường sắt đô thị.

Tác động và ảnh hưởng

Luận án tạo ra tác động sâu rộng trên nhiều bình diện:

  • Ảnh hưởng học thuật: Các công trình công bố từ luận án trên các tạp chí quốc tế thuộc danh mục ISI/Scopus và hội nghị chuyên ngành cơ điện tử mở ra hướng đi mới về tích hợp đại số mờ thích ứng với chuỗi thời gian phổ suy biến. Dự báo các bài báo này sẽ tạo ra chỉ số trích dẫn (Citations) cao trong cộng đồng nghiên cứu chẩn đoán kỹ thuật.
  • Chuyển đổi công nghiệp: Giúp các nhà máy sản xuất thép, xi măng, giấy và nhà máy điện gió giảm thiểu thời gian dừng máy đột xuất (Downtime) từ 25-40%, tiết kiệm hàng triệu USD chi phí bảo dưỡng định kỳ hàng năm.
  • An toàn xã hội: Nâng cao độ an toàn cho các đoàn tàu cao tốc, hạn chế tối đa nguy cơ trật bánh do kẹt ổ trục bánh xe, bảo vệ an toàn tính mạng cho hành khách và phương tiện.
  • Độc lập công nghệ: Khẳng định năng lực nghiên cứu làm chủ công nghệ giám sát tình trạng máy móc hiện đại của đội ngũ khoa học Việt Nam, từng bước thay thế các thiết bị đo kiểm ngoại nhập đắt đỏ.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Cơ Kỹ thuật, Cơ Điện tử, Tự động hóa: Tiếp cận một khung lý thuyết hoàn chỉnh từ mô hình hóa động lực học bài toán thuận đến giải thuật học máy thích ứng miền bài toán ngược.
  • Kỹ sư R&D và Chuyên gia Chẩn đoán Tình trạng Máy (PdM): Nhận được các thuật toán có mã nguồn và lưu đồ rõ ràng (ASSBDIM, BFDM, ANFIS-BFDM, FIN) để tích hợp vào các thiết bị giám sát trực tuyến thương mại.
  • Các nhà quản lý doanh nghiệp công nghiệp: Sở hữu cơ sở khoa học tin cậy để chuyển đổi từ chiến lược bảo trì thụ động (Run-to-Failure) hoặc định kỳ sang bảo trì dự đoán thông minh theo tình trạng thực tế.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc phát triển thành công cấu trúc ANFIS-JS (ANFIS on Joint Data Space) kết hợp bộ lọc nhiễu xung FIN. Công trình đã mở rộng lý thuyết suy diễn mờ Takagi-Sugeno truyền thống và lý thuyết thích ứng miền (Domain Adaptation) bằng cách phân chia các siêu hộp mờ thuần chủng trong không gian dữ liệu liên kết vào-ra. Đóng góp này giải quyết triệt để vấn đề suy thoái hàm liên thuộc khi dữ liệu bị nhiễu xung làm phân phối miền đích trôi dạt (Data Drift).

2. Đột phá phương pháp luận của luận án khi so sánh với các công trình quốc tế cùng thời kỳ?

So với các nghiên cứu dùng Deep Transfer Learning (như Zhang et al., 2018; Chen et al., 2020) phải tạo mẫu giả gây sai số tích lũy hoặc mạng MCNN-LSTM đòi hỏi tính toán đồ họa nặng, phương pháp luận của luận án kết hợp SSA + Sparse Filtering + FIN Filter trực tiếp trên tín hiệu gia tốc thô. Giải pháp này giảm chiều dữ liệu từ không gian 6D về các véc tơ đặc trưng tối ưu, đạt độ chính xác tương đương (>99%) nhưng thời gian nhận dạng chỉ mất dưới 0.015 giây, khả thi tuyệt đối khi nhúng vào vi xử lý công nghiệp rẻ tiền.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và bằng chứng dữ liệu hỗ trợ?

Phát hiện gây bất ngờ nhất là tính nhạy cảm cực cao của hàm mục tiêu lọc nhiễu xung đối với tham số sàng lọc $q$. Trong phương trình xác định ngưỡng tối ưu AfODST ở dải tần số thấp, khi $q$ quét từ 1 đến 9, giá trị $q = 3$ luôn là điểm cực tiểu toàn cục duy nhất cho $RMSE$ ($RMSE = 0.054$) và đạt cực đại độ chính xác ($MeA = 99.38%$) trên mọi kịch bản dữ liệu kiểm thử (Case 1 đến Case 3). Nếu chọn chệch khỏi $q=3$ (ví dụ $q=1$ hoặc $q \ge 7$), độ chính xác sẽ sụt giảm từ 10% đến 22%.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không?

Có. Luận án mô tả chi tiết toàn bộ thông số hình học của cụm gối đỡ ổ bi UCP 204, thông số vết cắt dây EDM, cấu hình phần cứng Card thu thập dữ liệu, sơ đồ kết nối cảm biến gia tốc, sơ đồ khối lưu đồ thuật toán của cả ba giải thuật ASSBDIM, BFDM, ANFIS-BFDM cùng thuật toán chi tiết của bộ lọc FIN và ANFIS-JS trong Chương 3 và Chương 4, cho phép các nhóm nghiên cứu khác tái lập thực nghiệm 100%.

5. Lộ trình phát triển nghiên cứu 10 năm tới được vạch ra như thế nào?

Lộ trình 10 năm tập trung vào 3 giai đoạn: (1) Giai đoạn 2024-2026: Nâng cấp thuật toán nhận dạng cụm đa khuyết tật và biến thiên tốc độ/tải trọng liên tục; (2) Giai đoạn 2026-2029: Tích hợp hợp nhất dữ liệu đa cảm biến (Rung động + Dòng điện Stator MCSA + Phát xạ âm AE); (3) Giai đoạn 2029-2034: Thương mại hóa chip Edge-AI chuyên dụng phục vụ giám sát trực tuyến giá chuyển hướng tàu đường sắt cao tốc Bắc - Nam và các turbine điện gió ngoài khơi tại Việt Nam.

Kết luận

Luận án tiến sĩ của tác giả Trần Quang Thịnh là một công trình nghiên cứu khoa học xuất sắc, mẫu mực, kết hợp nhuần nhuyễn giữa cơ sở lý thuyết cơ học kết cấu vững chắc và kỹ thuật trí tuệ nhân tạo tiên phong. Sáu đóng góp cụ thể mang tính dấu ấn của luận án bao gồm:

  1. Thiết lập mô hình bài toán thuận động lực học 3D hệ rôto - ổ bi nhiều bậc tự do, phân tích định lượng tương tác biến dạng tiếp xúc Hertz khi xuất hiện khuyết tật ổ bi.
  2. Đề xuất thành công giải thuật ASSBDIM kết hợp phân tích phổ đơn (SSA), lọc thưa (SF) và ANFIS trên nguồn dữ liệu gia tốc.
  3. Phát triển giải thuật BFDM tối ưu hóa không gian đặc trưng 6 chiều kết hợp mạng nơ-ron nhân tạo nâng cao tốc độ nhận dạng.
  4. Sáng tạo giải thuật đột phá ANFIS-BFDM tích hợp bộ lọc nhiễu xung trực tuyến thích nghi (FIN) và cơ chế xây dựng không gian dữ liệu liên kết (JDS) triệt tiêu hiện tượng lệch miền.
  5. Thiết kế, chế tạo hoàn chỉnh hệ thống thí nghiệm thực tế đo dao động ổ bi UCP 204, tạo lập cơ sở dữ liệu kiểm chứng đa kịch bản với độ tin cậy khoa học cao.
  6. Chứng minh bằng thực nghiệm khả năng nhận dạng khuyết tật với độ chính xác trung bình vượt trội ($MeA > 99.3%$, $RMSE < 0.06$, thời gian đáp ứng $t < 0.015\text{ s}$).

Công trình mở ra ba hướng nghiên cứu mới đầy triển vọng: Chẩn đoán khuyết tật cơ hệ phi tuyến dưới tải trọng biến thiên ngẫu nhiên; Xử lý dòng dữ liệu lớn từ mạng lưới cảm biến công nghiệp IoT; và Thiết kế vi mạch thông minh cho hệ thống giám sát sức khỏe máy móc thời gian thực. Kết quả của luận án là bước tiến quan trọng đóng góp vào sự phát triển tự chủ khoa học công nghệ của Việt Nam trong kỷ nguyên sản xuất thông minh.