Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Ổ bi quay là một trong những chi tiết máy tiêu chuẩn giữ vai trò chịu tải và định vị chuyển động trong hầu hết các hệ thống cơ khí dân dụng và công nghiệp. Số liệu thống kê kỹ thuật cho thấy các sự cố liên quan đến ổ bi chiếm khoảng 30% tổng số hỏng hóc xảy ra trên các thiết bị quay. Khi ổ bi bị hư hỏng trong điều kiện vận hành tốc độ cao hoặc tải trọng nặng, sự cố có thể dẫn đến gián đoạn dây chuyền sản xuất, gây tổn thất kinh tế hoặc gây tai nạn nghiêm trọng cho các phương tiện giao thông tốc độ cao. Do đó, việc giám sát trực tuyến và nhận dạng sớm khuyết tật ổ bi nhằm phục vụ công tác bảo trì dự đoán là một yêu cầu kỹ thuật cấp thiết.

Qua khảo sát thực tế và các công bố khoa học, tác giả xác định bốn vấn đề kỹ thuật còn tồn tại trong bài toán nhận dạng trực tuyến khuyết tật ổ bi:

  1. Dữ liệu dao động thu thập từ cảm biến luôn chứa nhiều thành phần nhiễu (đặc biệt là nhiễu xung và nhiễu tần số cao), đòi hỏi phải có giải pháp lọc nhiễu trực tuyến thích hợp để không làm sai lệch kết quả nhận dạng.
  2. Dữ liệu đo trực tuyến có dung lượng lớn và tốc độ truyền nhanh (dạng dòng dữ liệu lớn - Big Data), gây khó khăn cho việc tiền xử lý và trích xuất các thông tin đặc trưng hữu ích trong thời gian thực.
  3. Hiện tượng lệch miền (Domain Disparity / Drift Domain) giữa tập dữ liệu dùng để huấn luyện mô hình (miền nguồn) và tập dữ liệu thu nhận trong quá trình vận hành thực tế (miền đích) do sự thay đổi của điều kiện làm việc, dẫn đến giảm độ chính xác nhận dạng.
  4. Cần cấu trúc và tối ưu hóa các công cụ toán học của trí tuệ nhân tạo như mạng nơ-ron nhân tạo (ANN), hệ logic mờ (FL) và hệ thống suy diễn nơron - mờ thích nghi (ANFIS) để đồng thời nâng cao độ chính xác và giảm thời gian tính toán.

Mục tiêu và câu hỏi nghiên cứu

Mục tiêu tổng quát của luận án là nghiên cứu, đề xuất các giải thuật nhận dạng khuyết tật ổ bi dựa trên ANFIS và các kỹ thuật xử lý dòng dữ liệu đo từ cảm biến, đồng thời xây dựng hệ thống thí nghiệm để thu thập dữ liệu dao động và kiểm chứng các giải thuật đề xuất, tạo cơ sở khoa học cho việc phát triển các bộ giám sát trực tuyến tình trạng ổ bi trong máy móc công nghiệp.

Luận án tập trung giải quyết bốn câu hỏi nghiên cứu cụ thể:

  1. Phương pháp nào có thể lọc nhiễu trực tuyến hiệu quả từ dữ liệu đo dao động nhằm gia tăng độ chính xác của mô hình nhận dạng?
  2. Giải pháp kỹ thuật nào giúp chắt lọc thông tin đặc trưng hữu ích từ dòng dữ liệu đo quy mô lớn phục vụ chẩn đoán theo thời gian thực?
  3. Giải pháp nào xử lý được sự lệch miền giữa tập dữ liệu huấn luyện và tập dữ liệu kiểm tra trực tuyến phát sinh do phân phối dữ liệu thay đổi?
  4. Các cấu trúc trí tuệ nhân tạo (ANN, FL, ANFIS) cần được thiết kế, huấn luyện và tối ưu hóa như thế nào để cân bằng giữa độ chính xác nhận dạng và chi phí thời gian tính toán?

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Nhận dạng khuyết tật của các loại ổ bi đỡ trục trong máy công nghiệp. Trọng tâm là nhận dạng các dạng hư hỏng đơn xuất hiện trong quá trình vận hành (nứt vỡ, tróc bề mặt, dính bề mặt, mòn, lõm bề mặt lăn).
  • Phạm vi nghiên cứu:
    • Về mặt lý thuyết: Nghiên cứu mô hình động lực học hệ rôto - ổ bi và các phương pháp tiếp cận dẫn động số (Data-Driven Methods) giải bài toán ngược.
    • Về mặt thực nghiệm: Khảo sát thực nghiệm trên ổ bi đỡ trục mã hiệu UCP 204. Các khuyết tật đơn trên vòng trong và vòng ngoài ổ bi được tạo nhân tạo bằng phương pháp gia công cắt dây. Tín hiệu dao động gia tốc được đo tại gối đỡ ổ bi thông qua cảm biến gia tốc và card thu thập dữ liệu giao tiếp với máy tính.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước

Luận án hệ thống hóa các phương pháp nhận dạng khuyết tật cơ hệ và ổ bi thành hai nhóm chính:

  1. Nhóm phương pháp dựa trên mô hình (Model-based): Xây dựng các mô hình giải tích hoặc số dựa trên hệ phương trình vi phân chuyển động (ODE/PDE) mô tả động lực học hệ rôto - ổ bi. Các nghiên cứu theo hướng này cho phép khảo sát bài toán thuận nhưng gặp khó khăn lớn khi áp dụng vào thực tế do cơ hệ thực có kết cấu phức tạp, nhiều yếu tố phi tuyến và điều kiện biên không chắc chắn.
  2. Nhóm phương pháp phi cấu trúc / dẫn động số (Data-Driven): Chẩn đoán dựa trên tập dữ liệu đo phản ánh ứng xử động lực học của cơ hệ. Các hướng tiếp cận cụ thể gồm:
    • Xử lý tín hiệu dao động bằng Wavelet: Nguyen và các cộng sự, Moller, Graf và Hà [17] phát triển các thuật toán chia bó dữ liệu siêu hộp và suy diễn mờ để dự báo tuổi thọ kết cấu; các thuật toán huấn luyện mạng nơron - mờ HLM, HLM1, HLM2 [22, 23-27]. Nguyễn Sỹ Dũng và các cộng sự [23, 28] đề xuất hệ số định lượng trung bình Wavelet (AQWTC) kết hợp ANN và hệ thống nơron - mờ (NF) để định vị khuyết tật trên kết cấu dầm. Nghiên cứu [29] kết hợp Wavelet với hệ logic mờ loại 2 khoảng (IT-2FLS) để tăng khả năng chống chịu dữ liệu nhiễu.
    • Phân tích phổ đơn (SSA) và Lọc thưa (SF): Nghiên cứu [30] đề xuất thuật toán chia bó mờ trong trường dữ liệu tiềm năng kết hợp SSA và ANFIS; nghiên cứu [35] sử dụng lọc thưa (SF) kết hợp mạng nơ-ron hai lớp học không giám sát và hàm hồi quy Softmax để trích xuất đặc trưng từ dòng dữ liệu lớn.
    • Học sâu và thích ứng miền (Deep Learning & Domain Adaptation): Các nghiên cứu [55, 63] áp dụng mạng nơ-ron tích chập (CNN) kết hợp mô hình Mean Teacher để phân tách đặc trưng xuyên miền; nghiên cứu [61] sử dụng học chuyển giao sâu với chỉ số chênh lệch trung bình tối đa (MMD); nghiên cứu [62] áp dụng thích ứng miền chọn kênh cho hộp số; nghiên cứu [64] áp dụng phân tích thành phần chuyển giao (TCA); nghiên cứu [65] đề xuất mạng đa tích chập kết hợp bộ nhớ dài-ngắn hạn (MCNN-LSTM); nghiên cứu [66, 67] kết hợp CNN với máy véc tơ hỗ trợ (SVM) và biến đổi Wavelet liên tục (CWT).
    • Chẩn đoán dựa trên tín hiệu dòng điện động cơ: Các công trình [68, 69, 70] khai thác dòng điện stato (sử dụng 1D-CNN, Wavelet Packet, mô hình định lượng thay đổi độ tự cảm) thay cho tín hiệu dao động nhằm giảm chi phí lắp đặt cảm biến gia tốc ngoài.
Tiêu chí Nhóm phương pháp dựa trên mô hình (Model-based) Nhóm phương pháp dẫn động số (Data-Driven)
Cơ sở nhận dạng Thiết lập mô hình giải tích/mô phỏng động lực học hệ thống rôto - ổ bi Khai thác tập dữ liệu đo thực nghiệm phản ánh ứng xử động lực học
Ưu điểm Tiết kiệm chi phí đo đạc thực tế; hỗ trợ phân tích bản chất vật lý của hư hỏng Phù hợp với bài toán giám sát trực tuyến theo thời gian thực; xử lý tốt hệ phi tuyến
Hạn chế Khó mô phỏng chính xác điều kiện biên thực tế; chi phí giải phương trình vi phân lớn; không thích hợp chẩn đoán trực tuyến Đòi hỏi chi phí phần cứng đo lường; dữ liệu chứa nhiều nhiễu và dễ bị lệch miền

Khoảng trống luận án lựa chọn giải quyết

Mặc dù các nghiên cứu dẫn động số trước đây đã đạt được nhiều kết quả, việc ứng dụng trực tuyến vẫn gặp rào cản do chi phí tính toán cao, độ nhạy của tín hiệu chuyển vị thấp và khả năng chống nhiễu trực tuyến còn hạn chế. Luận án lựa chọn giải quyết khoảng trống này bằng cách:

  • Thay thế tín hiệu chuyển vị bằng tín hiệu gia tốc dao động để tăng độ nhạy đặc trưng.
  • Kết hợp phân tích phổ đơn (SSA), kỹ thuật lọc thưa (SF) và xây dựng thuật toán lọc nhiễu xung (FIN) dựa trên ngưỡng sàng lọc tối ưu (ODST) ở vùng tần số thấp.
  • Đề xuất giải pháp thích ứng miền xây dựng miền dữ liệu liên kết nhằm triệt tiêu hiện tượng lệch miền.
  • Tối ưu hóa cấu trúc ANFIS và mạng ANN để giảm thiểu sai số tích lũy và rút ngắn thời gian tính toán.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

  1. Mô hình động lực học hệ rôto - ổ bi (Bài toán thuận):
    • Mô hình ba chiều rời rạc hóa rôto thành các phần tử cứng (Rigid Body Element - RBE). Mỗi phần tử cứng có 6 bậc tự do (3 chuyển vị tịnh tiến và 3 chuyển vị quay quanh các trục $X, Y, Z$).
    • Các phần tử cứng liền kề liên kết với nhau qua các lò xo kéo (độ cứng $k_s$) và lò xo chống xoay (sinh ra các mô men $M_x, M_y, M_z$ phụ thuộc vào mô đun đàn hồi $E$, mô đun trượt $G$ và mô men quán tính $I_p$).
    • Tương tác tiếp xúc giữa viên bi và các rãnh lăn (vòng trong, vòng ngoài) được xác định theo lý thuyết tiếp xúc đàn hồi phi tuyến Hertz: $$Q_{kc} = \begin{cases} K \delta^{1.5} & \text{khi } \delta > 0 \ 0 & \text{khi } \delta \le 0 \end{cases}$$ trong đó $K$ là hệ số độ cứng tiếp xúc Hertz, $\delta$ là biến dạng đàn hồi tại vùng tiếp xúc (có tính đến khe hở $\varepsilon$, độ gợn sóng $p_i, p_o$ và biến dạng bổ sung do khuyết tật $\delta_d$).
    • Lực kéo do chất bôi trơn sinh ra do hiện tượng trượt tiếp xúc: $f_{kc} = \mu Q_{kc}$ (với $\mu$ là hệ số kéo theo vận tốc trượt).
    • Hợp lực tác dụng lên viên bi gồm lực tiếp xúc, lực kéo bôi trơn và trọng lực $W$: $F_{kc} = Q_{kc} + f_{kc} + W$.
  2. Hệ thống suy diễn nơron - mờ thích nghi (ANFIS) trong bài toán ngược:
    • ANFIS tích hợp ưu điểm của Logic mờ (khả năng biểu diễn tri thức dạng luật mờ Nếu - Thì) và Mạng nơ-ron nhân tạo (khả năng tự học và tối ưu hóa tham số thông qua dữ liệu).
    • Kết cấu ANFIS gồm các lớp chức năng: lớp mờ hóa dữ liệu vào, lớp thực hiện phép nhân luật mờ, lớp chuẩn hóa độ kích hoạt, lớp tính hàm kết luận và lớp giải mờ tổng hợp đầu ra.

Phương pháp nghiên cứu thực tế

  • Phương pháp phân tích lý thuyết: Áp dụng phương pháp phân tích phổ đơn (SSA) để phân rã chuỗi thời gian gia tốc thành các thành phần xu hướng, chu kỳ và nhiễu; áp dụng thuật toán lọc thưa (SF) để tối ưu hóa không gian phân bố đặc trưng; xây dựng thuật toán lọc nhiễu xung (FIN) và ngưỡng sàng lọc dữ liệu tối ưu (ODST/AfODST); áp dụng thuật toán thích ứng miền xây dựng không gian dữ liệu bó (CDS) và véc tơ đặc trưng.
  • Phương pháp thực nghiệm:
    • Chế tạo bệ thử nghiệm động lực học rôto - ổ bi.
    • Sử dụng cảm biến đo gia tốc dao động gắn tại gối đỡ ổ bi UCP 204.
    • Sử dụng card thu thập dữ liệu chuyên dụng và phần mềm LabVIEW để ghi nhận dòng dữ liệu gia tốc.
    • Thực hiện các thí nghiệm trong các điều kiện làm việc khác nhau (ổ bi nguyên vẹn, ổ bi có khuyết tật vòng trong, ổ bi có khuyết tật vòng ngoài) và khảo sát định lượng qua các chỉ tiêu: độ chính xác ($Ac$), độ chính xác trung bình ($MeA$), căn bậc hai sai số bình phương trung bình ($RMSE$), thời gian huấn luyện ngoại tuyến ($t_0$) và thời gian nhận dạng trực tuyến ($t$).

Nguồn tư liệu và dữ liệu

  • Dữ liệu thực nghiệm đo đạc dao động gia tốc từ mô hình thí nghiệm gối đỡ ổ bi UCP 204 tại Trường Đại học Bách khoa - ĐHQG TP.HCM và Trường Đại học Công nghiệp TP.HCM.
  • Tập dữ liệu được phân chia thành các trường hợp khảo sát (Case 1 đến Case 5) tương ứng với các trạng thái hoạt động, các mức tốc độ, các dạng hư hỏng đơn và các mức nhiễu bổ sung $r(t)$.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày tổng quan về vai trò của việc nhận dạng khuyết tật và giám sát tình trạng kỹ thuật máy móc công nghiệp. Tác giả phân tích nguyên lý của các phương pháp kiểm tra không phá hủy truyền thống (siêu âm, nội soi) và phương pháp giám sát dựa trên tín hiệu dao động. Tổng hợp các hệ thống giám sát thương mại trên thế giới (hệ thống trên tàu cao tốc của ASC Sensor - Đức, hệ thống SKF châu Âu, thiết bị ACOEM) và tình hình nghiên cứu trong nước (xe tự hành VinBigData, FPT Software).

Nội dung chương phân loại chi tiết hai nhóm giải pháp chẩn đoán: nhóm dựa trên mô hình (Model-based) và nhóm dẫn động số (Data-Driven); khảo sát sâu các công trình nghiên cứu sử dụng biến đổi Wavelet, SSA, SF, ANN, FL, ANFIS, CNN, SVM và tín hiệu dòng điện động cơ. Trên cơ sở phân tích ưu nhược điểm của các nghiên cứu trước, chương 1 xác định tính cấp thiết, mục tiêu, đối tượng, phạm vi nghiên cứu, ý nghĩa khoa học - thực tiễn và xác lập bốn vấn đề kỹ thuật cốt lõi cần giải quyết trong luận án.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày cơ sở toán học của bài toán thuận và bài toán ngược trong nhận dạng khuyết tật ổ bi:

  • Bài toán thuận: Trình bày chi tiết mô hình động lực học 3D của hệ rôto - ổ bi. Mô hình hóa rôto bằng phương pháp phần tử cứng rời rạc (RBE) với 6 bậc tự do cho mỗi phần tử; thiết lập tương tác hình học, lực kéo, mô men uốn/xoắn giữa các phần tử qua các hệ số độ cứng đàn hồi ($E, G, k_s$). Thiết lập mô hình động lực học viên bi và vòng bi có kể đến khe hở, độ cong tiếp xúc, độ gợn sóng bề mặt lăn theo chuỗi Fourier ($p_i, p_o$) và biến dạng tiếp xúc phi tuyến Hertz. Đánh giá những giới hạn cố hữu của bài toán thuận khi áp dụng vào chẩn đoán trực tuyến do khối lượng tính toán lớn và độ nhạy thấp trước các thay đổi bất định của môi trường.
  • Bài toán ngược và ANFIS: Luận giải sự cần thiết của việc tiếp cận theo hướng bài toán ngược dựa trên dữ liệu đo. Trình bày cấu trúc toán học của hệ thống suy diễn nơron - mờ thích nghi (ANFIS), phương pháp thiết lập các bó dữ liệu đầu vào (IDS), bó dữ liệu đầu ra (ODS), cơ chế suy diễn mờ Sugeno và thuật toán tối ưu hóa thông số hàm liên thuộc kết hợp giữa lan truyền ngược và bình phương tối thiểu.

Chương 3: Nhận dạng khuyết tật ổ bi dựa trên ANFIS

Chương 3 là phần đóng góp lý thuyết trọng tâm của luận án, đề xuất phương pháp tiếp cận và xây dựng chi tiết ba giải thuật nhận dạng khuyết tật:

  1. Xử lý dữ liệu đo từ cảm biến: Phân tích bản chất của nhiễu trong dữ liệu dao động gia tốc; ứng dụng phương pháp phân tích phổ đơn (SSA) để tách các thành phần tín hiệu chính; ứng dụng phương pháp lọc thưa (SF) để tối ưu hóa việc phân bố đặc trưng theo ba tiêu chí (thưa thớt dân cư, thưa thớt thời gian sống và phân tán cao); xây dựng thuật toán xác định ngưỡng sàng lọc dữ liệu tối ưu (ODST/AfODST) từ vùng tần số thấp; phát triển thuật toán lọc nhiễu xung thích nghi trực tuyến (AOINF) và thuật toán xây dựng ANFIS-JS đảm bảo điều kiện hội tụ của phép xấp xỉ.
  2. Kỹ thuật thích ứng miền: Phân tích nguyên nhân gây ra sự lệch miền (Domain Disparity) giữa tập huấn luyện và dữ liệu đo trực tuyến; đề xuất giải pháp xây dựng miền thích ứng liên kết và véc tơ đặc trưng giúp bảo toàn thuộc tính động lực học của hệ.
  3. Chi tiết ba giải thuật nhận dạng đề xuất:
    • Giải thuật ASSBDIM: Tích hợp SSA, lọc thưa (SF) và ANFIS trên tín hiệu gia tốc. Không gian dữ liệu đầu vào (IDS) và đầu ra (ODS) được tiền xử lý qua SSA và SF để tối ưu hóa cấu trúc ANFIS trong giai đoạn ngoại tuyến; giai đoạn trực tuyến sử dụng ANFIS đã huấn luyện để phân loại trạng thái ổ bi.
    • Giải thuật BFDM: Kế thừa việc khai thác tín hiệu gia tốc và SSA; cấu trúc không gian dữ liệu 6 chiều tại bước khởi tạo, kết hợp loại bỏ nhiễu tần số cao với tối ưu hóa không gian dữ liệu để thiết lập véc tơ đặc trưng; sử dụng mạng nơ-ron nhân tạo (ANN) làm bộ phân loại trạng thái.
    • Giải thuật ANFIS-BFDM: Ứng dụng mô hình chẩn đoán dẫn động số (DIFD); phát triển bộ lọc nhiễu xung FIN (Impulse Noise Filter) từ ngưỡng ODST; thực hiện thích ứng miền giữa miền nguồn và miền đích để tạo miền dữ liệu liên kết; sử dụng ANFIS kết hợp bộ lọc FIN để nhận dạng trực tuyến tình trạng ổ bi khi có mặt của nhiễu xung và nhiễu ngẫu nhiên.

Chương 4: Kết quả và thảo luận

Chương 4 trình bày toàn bộ kết quả thực nghiệm kiểm chứng ba giải thuật đề xuất:

  • Mô hình thí nghiệm: Mô tả chi tiết kết cấu trục quay, gối đỡ ổ bi UCP 204, cảm biến gia tốc, card giao tiếp thu thập dữ liệu và chương trình thu thập tín hiệu trên nền tảng LabVIEW. Trình bày phương pháp tạo khuyết tật đơn nhân tạo bằng máy cắt dây trên vòng trong và vòng ngoài.
  • Kết quả kiểm chứng giải thuật ASSBDIM: Khảo sát trên 5 trường hợp (Case 1 đến Case 5). Kết quả cho thấy ASSBDIM đạt độ chính xác nhận dạng cao ($MeA$ đạt mức xấp xỉ 100% trong nhiều kịch bản). Khảo sát ảnh hưởng của số thành phần SSA ($k = 7$ và $k = 10$) cùng kích thước tập dữ liệu ($H \in [200, 500]$) đến thời gian huấn luyện ($t_0$), thời gian nhận dạng ($t$) và độ chính xác trung bình ($MeA$).
  • Kết quả kiểm chứng giải thuật BFDM: Khảo sát trên 3 trường hợp dữ liệu. Đánh giá sự phụ thuộc của độ chính xác ($Ac$), độ chính xác trung bình ($MeA$) và sai số bình phương trung bình ($RMSE$) vào tham số điều chỉnh $q$. So sánh định lượng hiệu quả nhận dạng giữa BFDM và các phương pháp đối chứng.
  • Kết quả kiểm chứng giải thuật ANFIS-BFDM: Khảo sát trên 3 trường hợp dữ liệu có và không có thành phần nhiễu bổ sung $r(t)$ với tham số $q$ biến thiên từ 1 đến 9. Xác định giá trị tham số tối ưu $q_{opt} = 3$ giúp bộ lọc FIN triệt tiêu nhiễu xung hiệu quả nhất, đảm bảo $MeA$ đạt mức cao nhất và $RMSE$ đạt mức nhỏ nhất. Xác định độ dài tối ưu $L_{opt}$ tương ứng với các dạng hư hỏng đơn.

Chương 5: Kết luận và hướng phát triển

Chương 5 tổng kết toàn bộ các kết quả nghiên cứu lý thuyết và thực nghiệm đã đạt được của luận án, khẳng định tính đúng đắn của các giải thuật đề xuất và vạch ra các hướng nghiên cứu mở rộng tiếp theo.

Kết quả và những đóng góp mới

Đóng góp mới về lý luận và phương pháp khoa học

  1. Đề xuất giải thuật ASSBDIM: Kết hợp thành công phân tích phổ đơn (SSA), lọc thưa (SF) và ANFIS trên nguồn tín hiệu dao động gia tốc thay vì tín hiệu chuyển vị truyền thống, giúp nâng cao độ nhạy của các đặc trưng động lực học và thiết lập quy trình nhận dạng trực tuyến ổn định.
  2. Đề xuất giải thuật BFDM: Phát triển phương pháp chẩn đoán khuyết tật dựa trên không gian dữ liệu khởi tạo 6 chiều, kết hợp kỹ thuật lọc nhiễu tần số cao của SSA với việc tối ưu hóa véc tơ đặc trưng và mạng nơ-ron nhân tạo (ANN), giúp đơn giản hóa cấu trúc tính toán mà vẫn đảm bảo độ chính xác phân loại.
  3. Đề xuất giải thuật ANFIS-BFDM: Phát triển bộ lọc nhiễu xung FIN dựa trên thuật toán xác định ngưỡng sàng lọc tối ưu (ODST) ở vùng tần số thấp; thiết lập giải pháp thích ứng miền xây dựng miền dữ liệu liên kết giúp giải quyết triệt để hiện tượng lệch miền giữa tập huấn luyện ngoại tuyến và tập đo đạc trực tuyến; chứng minh điều kiện hội tụ của ANFIS trong môi trường dữ liệu chứa nhiễu.

Đóng góp thực tiễn và giải pháp kỹ thuật

  1. Hệ thống thí nghiệm hoàn chỉnh: Thiết kế, chế tạo và vận hành thành công hệ thống thí nghiệm đo dao động gối đỡ ổ bi UCP 204 với đầy đủ trang thiết bị cảm biến, card thu thập dữ liệu và phần mềm LabVIEW, cung cấp nguồn dữ liệu thực nghiệm chuẩn xác phục vụ nghiên cứu.
  2. Cơ sở dữ liệu thực nghiệm: Xây dựng bộ cơ sở dữ liệu dao động gia tốc của ổ bi ở các trạng thái bình thường và khuyết tật nhân tạo (vết cắt vòng trong, vòng ngoài) dưới nhiều chế độ tải và tốc độ khác nhau, phục vụ kiểm chứng các mô hình học máy.
  3. Khả năng ứng dụng trực tuyến: Các giải thuật đề xuất (đặc biệt là ANFIS-BFDM với tham số tối ưu $q_{opt} = 3$) chứng minh được tính khả thi trong việc tích hợp vào các thiết bị giám sát trực tuyến theo thời gian thực nhằm bảo trì dự đoán cho máy móc công nghiệp và phương tiện giao thông.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

  • Các khảo sát thực nghiệm trong luận án mới chỉ tập trung vào các dạng hư hỏng đơn (khuyết tật đơn lẻ tại vòng trong hoặc vòng ngoài) được tạo nhân tạo bằng phương pháp cắt dây.
  • Luận án chưa khảo sát thực nghiệm đối với trường hợp đa khuyết tật (nhiều dạng hư hỏng đồng thời xuất hiện trên cùng một ổ bi như mòn kết hợp nứt vỡ rãnh lăn và viên bi).
  • Dữ liệu thực nghiệm được thu thập trên mô hình thí nghiệm tiêu chuẩn trong phòng thí nghiệm với ổ bi UCP 204, chưa thực hiện đo đạc dài hạn trên các hệ thống máy móc công nghiệp quy mô lớn hoạt động trong môi trường có biến thiên nhiệt độ và tải trọng ngẫu nhiên phức tạp.

Hướng nghiên cứu tiếp

  • Mở rộng phạm vi của các giải thuật ASSBDIM, BFDM và ANFIS-BFDM để nhận dạng bài toán đa khuyết tật và các dạng hư hỏng tự nhiên do mỏi vật liệu, tróc bề mặt hoặc thiếu chất bôi trơn.
  • Khảo sát và kiểm chứng giải thuật trên nhiều chủng loại ổ bi công nghiệp khác nhau (ổ bi đỡ chặn, ổ bi đũa, ổ bi tang trống).
  • Nghiên cứu tối ưu hóa mã nguồn thuật toán để nhúng trực tiếp vào các vi xử lý chuyên dụng hoặc hệ thống phần cứng IoT/Edge Computing phục vụ chẩn đoán trực tuyến tại hiện trường.

Giá trị tham khảo

Đối tượng thụ hưởng

  • Nghiên cứu sinh, học viên cao học và sinh viên: Thuộc các chuyên ngành Cơ Kỹ thuật, Kỹ thuật Cơ khí, Cơ điện tử, Kỹ thuật Điều khiển & Tự động hóa, Khoa học Dữ liệu và Trí tuệ Nhân tạo.
  • Giảng viên và nhà nghiên cứu: Dùng làm tài liệu tham khảo chuyên sâu về mô hình hóa động lực học rôto - ổ bi, ứng dụng logic mờ, mạng nơ-ron và các kỹ thuật xử lý tín hiệu tiên tiến (SSA, Sparse Filtering, Domain Adaptation).
  • Kỹ sư R&D và chuyên gia bảo trì công nghiệp: Ứng dụng trong việc thiết kế các hệ thống giám sát sức khỏe kết cấu (SHM), chẩn đoán lỗi thiết bị quay trong các nhà máy xi măng, nhiệt điện, điện gió và ngành đường sắt tốc độ cao.

Nội dung có giá trị tham khảo cao

  • Khung lý thuyết xây dựng mô hình động lực học hệ rôto - ổ bi 3D bằng phương pháp phần tử cứng (RBE) và tiếp xúc Hertz (Chương 2).
  • Quy trình toán học kết hợp phân tích phổ đơn (SSA), lọc thưa (SF) và thuật toán lọc nhiễu xung FIN dựa trên ngưỡng ODST (Chương 3).
  • Giải pháp xử lý sự lệch miền thông qua xây dựng miền dữ liệu liên kết thích ứng (Chương 3).
  • Sơ đồ nguyên lý và quy trình thiết lập hệ thống thu thập dữ liệu dao động thực nghiệm sử dụng LabVIEW và cảm biến gia tốc (Chương 4).

Câu hỏi thường gặp

1. Tại sao luận án lại sử dụng tín hiệu gia tốc dao động thay vì tín hiệu chuyển vị như các nghiên cứu trước đây?

Trong các nghiên cứu nhận dạng khuyết tật trước đây, tín hiệu chuyển vị thường được sử dụng nhưng độ nhạy đối với các hư hỏng cục bộ quy mô nhỏ thường không cao. Luận án lựa chọn tín hiệu gia tốc dao động đo tại gối đỡ ổ bi vì gia tốc có độ nhạy rất cao đối với các biến đổi động lực học tức thời và các xung lực va đập do khuyết tật bề mặt rãnh lăn gây ra, giúp việc trích xuất đặc trưng hư hỏng đạt độ chính xác cao hơn.

2. Bộ lọc nhiễu xung FIN trong giải thuật ANFIS-BFDM hoạt động dựa trên nguyên tắc nào?

Bộ lọc FIN (Impulse Noise Filter) được phát triển dựa trên việc xác định một ngưỡng sàng lọc dữ liệu tối ưu (ODST) thông qua việc phân tích vùng dữ liệu ở dải tần số thấp. Thuật toán FIN nhận diện và loại bỏ các đột biến xung nhiễu không mong muốn sinh ra từ thiết bị đo và môi trường mà không làm mất đi các thành phần tần số đặc trưng phản ánh tình trạng kỹ thuật thực của ổ bi.

3. Vấn đề lệch miền (Domain Disparity) trong nhận dạng khuyết tật ổ bi là gì và luận án giải quyết như thế nào?

Lệch miền là hiện tượng phân phối xác suất của tập dữ liệu đo trong quá trình vận hành trực tuyến (miền đích) bị sai khác so với tập dữ liệu đo dùng để huấn luyện mô hình ban đầu (miền nguồn) do sự thay đổi của tải trọng, vận tốc quay hoặc điều kiện làm việc. Luận án giải quyết vấn đề này bằng cách thiết lập giải pháp thích ứng miền, xây dựng một miền dữ liệu liên kết giúp kéo gần phân phối giữa miền nguồn và miền đích, từ đó duy trì độ chính xác nhận dạng cao cho ANFIS.

4. Điểm khác biệt cơ bản giữa ba giải thuật ASSBDIM, BFDM và ANFIS-BFDM là gì?

  • ASSBDIM: Sử dụng kết hợp phân tích phổ đơn (SSA), kỹ thuật lọc thưa (SF) và ANFIS để trích xuất đặc trưng và nhận dạng.
  • BFDM: Kế thừa SSA trên tín hiệu gia tốc, cấu trúc không gian dữ liệu 6 chiều, loại bỏ nhiễu tần số cao, tối ưu hóa véc tơ đặc trưng và sử dụng mạng nơ-ron nhân tạo (ANN) làm bộ phân loại.
  • ANFIS-BFDM: Mở rộng toàn diện bằng cách bổ sung bộ lọc nhiễu xung FIN, giải pháp thích ứng miền liên kết để chống lệch miền và sử dụng ANFIS tối ưu để nhận dạng trực tuyến trong điều kiện dữ liệu chứa nhiều nhiễu.

5. Khuyết tật ổ bi trong phần thực nghiệm của luận án được tạo ra bằng cách nào?

Các khuyết tật đơn trên ổ bi UCP 204 được tạo nhân tạo bằng phương pháp gia công trên máy cắt dây. Tác giả tạo ra các vết cắt có kích thước hình học xác định trên bề mặt rãnh lăn của vòng trong và vòng ngoài nhằm mô phỏng các dạng hư hỏng cơ học điển hình để thu thập dữ liệu kiểm chứng các thuật toán.

Kết luận

Luận án tiến sĩ của tác giả Trần Quang Thịnh đã giải quyết trọn vẹn bài toán nhận dạng khuyết tật ổ bi quay theo hướng tiếp cận dẫn động số (Data-Driven) dựa trên hệ thống suy diễn nơron - mờ thích nghi (ANFIS) và xử lý dòng dữ liệu cảm biến gia tốc. Công trình đã có những đóng góp học thuật rõ nét thông qua việc đề xuất ba giải thuật mới gồm ASSBDIM, BFDM và ANFIS-BFDM, tích hợp thành công các kỹ thuật phân tích phổ đơn (SSA), lọc thưa (SF), lọc nhiễu xung (FIN) và thích ứng miền liên kết. Toàn bộ các giải thuật đã được kiểm chứng thực nghiệm nghiêm ngặt trên hệ thống đo dao động ổ bi UCP 204, khẳng định tính chính xác và tiềm năng ứng dụng thực tế trong công tác giám sát trực tuyến và bảo trì dự đoán cho các hệ thống máy móc công nghiệp.