ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA TRẦN QUANG THỊNH NHẬN DẠNG KHUYẾT TẬT Ổ BI DỰA TRÊN ANFIS VÀ GIẢI PHÁP XỬ LÝ DÒNG DỮ LIỆU TỪ CẢM BIẾN LUẬN ÁN TIẾN SĨ TP. HỒ CHÍ MINH - NĂM 2023 ĐẠI HỌC QUỐC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA TRẦN QUANG THỊNH NHẬN DẠNG KHUYẾT TẬT Ổ BI DỰA TRÊN ANFIS VÀ GIẢI PHÁP XỬ LÝ DÒNG DỮ LIỆU TỪ CẢM BIẾN Chuyên ngành: Cơ Kỹ Thuật Mã số chuyên ngành: 62520101 Phản biện độc lập: GS. Nguyễn Xuân Hùng Phản biện độc lập: TS. Nguyễn Hữu Thọ Phản biện: PGS. Lê Đình Tuân Phản biện: PGS. Lê Thanh Danh Phản biện: TS. Đào Thanh Phong NGƯỜI HƯỚNG DẪN: 1. Nguyễn Sỹ Dũng 2. Ngô Kiều Nhi LỜI CAM ĐOAN Tác giả xin cam đoan đây là công trình nghiên cứu của bản thân tác giả. Các kết quả nghiên cứu và các kết luận trong luận án này là trung thực, và không sao chép từ bất kỳ một nguồn nào và dưới bất kỳ hình thức nào. Việc tham khảo các nguồn tài liệu (nếu có) đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định. Tác giả luận án Trần Quang Thịnh i TÓM TẮT LUẬN ÁN Ổ bi quay là một chi tiết máy quan trọng, tham gia vào hầu hết các loại máy móc dân dụng và công nghiệp. Thực tế đã cho thấy rằng hỏng hóc của ổ bi cũng có thể gây ra những tai nạn thảm khốc cho các phương tiện di chuyển với tốc độ cao hoặc ảnh hưởng không mong muốn đến các hệ thống công nghiệp liên quan đến sự mất an toàn và thiệt hại về kinh tế. Do đó, việc giám sát trực tuyến tình trạng sức khỏe của máy móc, bao gồm cả ổ bi, để đảm bảo an toàn trong vận hành cũng như giúp khai thác các hệ thống kỹ thuật một cách chủ động và hiệu quả luôn là một yêu cầu cấp thiết. Nhiệm vụ này càng có ý nghĩa trên các hệ thống có mức độ tự động cao. Với mục tiêu này, luận án đề xuất một số cơ sở lý thuyết cho việc chẩn đoán khuyết tật ổ bi quay dựa trên trí tuệ nhân tạo và dữ liệu đo sử dụng cảm biến với các nội dung chính như sau. Trước hết, luận án trình bày phương pháp chẩn đoán lỗi ổ bi quay mang tên ASSBDIM (Bearing Damage Identifying Method based on Adaptive Neuro-Fuzzy Inference System, Singular Spectrum Analysis and Sparse Filtering) dựa trên phân tích phổ đơn, lọc thưa và ANFIS (Adaptive Neuro-Fuzzy Inference System). Ở đây, thay vì tín hiệu chuyển vị như trong các nghiên cứu trước đây, ASSBDIM sử dụng tín hiệu gia tốc để nâng cao độ nhạy của các đặc trưng. Qua phân tích phổ đơn và lọc thưa, tiền xử lý và xây dựng cơ sở dữ liệu cho giai đoạn ngoại tuyến và trực tuyến được thực hiện. Theo đó, ANFIS nhận dạng đáp ứng động của các ổ bi và sau đó cấu trúc của ANFIS được tối ưu hóa trong giai đoạn ngoại tuyến. Tình trạng hỏng hóc của ổ bi được xác định dựa trên ANFIS đã được huấn luyện và cơ sở dữ liệu được thiết lập trực tuyến. Nội dung chính thứ hai của luận án là giải thuật BFDM (Bearing Fault Diagnosis Method) để xác định lỗi ổ bi. Đây là sự kế thừa và phát triển của nghiên cứu đầu tiên được trình bày ở trên trong việc áp dụng phân tích phổ đơn và khai thác tín hiệu gia tốc của dao động cơ học của cơ hệ gắn ổ bi. Từ không gian dữ liệu sáu chiều được cấu trúc ở bước khởi tạo, BFDM kết hợp việc loại bỏ nhiễu tần số cao với tối ưu hóa không gian dữ liệu để thiết lập cơ sở dữ liệu dưới dạng các véc tơ đặc trưng. Trong giai đoạn trực tuyến, BFDM chẩn đoán tình trạng sức khỏe của ổ bi thông qua cơ sở dữ liệu này và mạng nơ-ron nhân tạo ANN (Artificial Neural Network) - một khung sườn dùng để thiết lập ANFIS. Ở nội thứ ba, luận án trình bày phương pháp chẩn đoán khuyết tật ổ bi quay có tên là ANFIS- ii BFDM (Bearing Fault Diagnosis Method based on ANFIS) sử dụng ANFIS. Cùng với sự kế thừa từ hai nghiên cứu trên liên quan đến nguồn tín hiệu gia tốc, ANFIS và phân tích phổ đơn, ANFIS-BFDM đi sâu vào tính năng lọc nhiễu trực tuyến, tìm ra các giải pháp để giảm thiểu sự chênh lệch miền giữa miền nguồn và miền đích và xây dựng miền dữ liệu liên kết. Trước hết, một ngưỡng sàng lọc dữ liệu tối ưu thông qua vùng dữ liệu tần số thấp được mô tả để phát triển một bộ lọc nhiễu xung có tên là FIN (Impulse Noise Filter). Trong giai đoạn ngoại tuyến, ANFIS nhận dạng ứng xử động lực học của cơ hệ qua nguồn dữ liệu được lọc trong miền liên kết. Ở giai đoạn trực tuyến, FIN và ANFIS đã được huấn luyện được sử dụng để nhận biết tình trạng sức khỏe của ổ bi. Cùng với ba phương pháp nêu trên, luận án còn tập trung thiết kế và xây dựng hệ thống thí nghiệm thu thập số liệu đo dao động của ổ bi. Cơ sở dữ liệu đo được từ thiết bị thí nghiệm này được sử dụng để xác minh tính hiệu quả của các giải thuật đề xuất. iii ABSTRACT Bearing is a vital machine component involved in almost all types of machinery. Reality has shown that a failed bearing can cause catastrophic accidents on vehicles moving at high speeds or the unwanted influence on industrial systems related to unsafety and economic loss, etc. Therefore, online monitoring of the operating condition of machines, including bearings, to ensure a safe operation and actively exploiting technical systems is always an urgent requirement. This task is even more significant on systems with a high degree of automation. For this aim, the thesis proposes some theoretical foundations for fault diagnosis of rotation bearings based on artificial intelligence and sensors-based measured data with the following main tasks. In the first principal content, the thesis proposes a rotating bearing fault diagnosis method named ASSBDIM based on single spectral analysis (SSA), sparse filtering, and ANFIS. Here, instead of the displacement signal as in previous studies, ASSBDIM employs the acceleration signal to enhance the signal sensitivity of features. By applying SSA and sparse filtering, preprocessing and extracting the meaningful information from sensors-based measured streams are implemented to build databases for the offline and online phases. The ANFIS recognizes the dynamic response of the bearings and then is optimized in the offline database. Ultimately, the failure status of the managed-bearing is well defined based on the trained ANFIS and the online database. The thesis's second main content is the BFDM algorithm for bearing fault identification. It is an inheriting and developing the first research above in applying the SSA and the acceleration signal of mechanical vibration. From a six-dimensional data space structured in the early step, the BFDM combines canceling high-frequency noise with optimizing this data space to set up databases in the form of features. It then predicts the bearing status via the databases and ANN - an ANFIS framework. In the last vital content, the thesis presents the third rotating bearing failure diagnosis method named ANFIS-BFDM utilizing ANFIS. Together with the inheritance from the two previous studies related to ANFIS and the SSA, ANFIS-BFDM delves into online noise filtering, finds solutions for minimizing domain disparity between source and target domains, and adaptive domain construction. It depicts an optimal data screening threshold through the low-frequency iv data region to develop an impulse-noise filter named FIN. In the offline phase, the ANFIS identifies the system's dynamic response via the filtered data in the adaptive domain. The FIN and ANFIS are eventually manipulated to filter the noise and recognize the bearing's health status in the online phase. Along with the above proposed algorithms, the thesis also focuses on designing and building an experimental system for collecting vibration measurement data of bearings. The measured database from this experimental apparatus is employed to verify the effectiveness of the proposed methods. v LỜI CẢM ƠN Tôi xin trân trọng gửi lời cảm ơn sâu sắc tới tập thể hướng đã tận tâm hướng dẫn để tôi thực hiện được công trình này. Các Thầy/Cô hướng dẫn đã động viên, giúp đỡ chân thành những lúc tôi khó khăn vì công việc gia đình và những lý do khách quan khác. Tôi xin gửi lời cảm ơn sâu sắc tới các Thầy trong Hội đồng bảo vệ chuyên ngành PGS.TS Trương Tích Thiện, PGS.TS Vũ Công Hòa, PGS.TS Nguyễn Quốc Hưng, những nhận xét về chuyên môn của các Thầy đã giúp tôi hoàn thiện về việc kết nối các nội dung nghiên cứu một cách khoa học. Xin cảm ơn các đồng nghiệp trong nhóm Datas-SmartC, Viện khoa học tính toán (INCOS), Trường Đại học Tôn Đức Thắng, các sinh viên và học viên cao học khoa Cơ khí, Trường Đại học Công nghiệp TP. HCM đã giúp đỡ tôi thực hiện thí nghiệm trong quá trình nghiên cứu. Xin gửi lời cảm ơn tới các đồng nghiệp, các bạn học viên Phòng thí nghiệm Cơ ứng dụng, Khoa Khoa học Ứng dụng, Trường Đại học Bách khoa TP. HCM đã giúp đỡ tôi các công việc liên quan đến các thủ tục liên quan trong quá trình nghiên cứu. Cuối cùng, xin gửi lời cảm ơn tới tất cả người thân, anh chị em, đồng nghiệp đã đùm bọc, giúp đỡ tôi trong thời gian thực hiện nội dung nghiên cứu của luận án này. vi MỤC LỤC DANH MỤC CÁC HÌNH ẢNH.x DANH MỤC BẢNG BIỂU . xii DANH MỤC CÁC TỪ VIẾT TẮT . xiii CHƯƠNG 1 TỔNG QUAN .1 Nhận dạng khuyết tật và giám sát tình trạng máy.1 Nhận dạng khuyết tật .2 Giám sát tình trạng máy .2 Một số giải pháp nhận dạng khuyết tật . 5 Các nghiên cứu liên quan .6 Nhận xét và kết luận .17 Giới thiệu Luận án .1 Tính cấp thiết của đề tài nghiên cứu .2 Mục đích nghiên cứu .3 Đối tượng và phạm vi nghiên cứu .4 Phương pháp nghiên cứu .5 Ý nghĩa khoa học và thực tiễn của đề tài nghiên cứu .6 Đóng góp mới của Luận án .7 Bố cục Luận án . 23 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT .25 Bài toán thuận trong nhận dạng khuyết tật ổ bi .1 Mô hình động lực học hệ thống rôto - ổ bi .2 Mô hình kết hợp rôto và ổ bi .1 Động lực học của viên bi.2 Phương trình động lực học của rôto .3 Phương trình động lực học của vòng ngoài và gối đỡ ổ bi .3 Ứng dụng bài toán thuận nhận dạng khuyết tật ổ bi và hạn chế của nó.38 Bài toán ngược trong nhận dạng khuyết tật ổ bi .39 ANFIS: một công cụ trong nhận dạng khuyết tật cơ hệ .1 Giới thiệu chung .2 Kết cấu của ANFIS .2 Xây dựng các bó dữ liệu đầu vào .3 Xây dựng các bó đầu ra .4 Kết cấu của ANFIS .51 CHƯƠNG 3 NHẬN DẠNG KHUYẾT TẬT Ổ BI DỰA TRÊN ANFIS .55 Phương pháp tiếp cận .55 Xử lý dữ liệu đo từ cảm biến .1 Nhiễu trong dữ liệu đo .2 Phương pháp phân tích phổ đơn.3 Phương pháp lọc thưa.1 Trích xuất đặc trưng trong dữ liệu đo .
Nhận dạng khuyết tật ổ bi dựa trên ANFIS và giải pháp xử lý dữ liệu từ cảm biến
Nhận dạng khuyết tật ổ bi chính xác bằng ANFIS. Nghiên cứu giải pháp xử lý dòng dữ liệu từ cảm biến, tối ưu hiệu quả và độ tin cậy.
Trường đại học
Trường Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí MinhChuyên ngành
Cơ Kỹ ThuậtNgười đăng
Ẩn danhThể loại
Luận án tiến sĩPhí lưu trữ
55 PointMục lục chi tiết
THÔNG TIN CHI TIẾT
Tác giả: Trần Quang Thịnh
Người hướng dẫn: Nguyễn Sỹ Dũng
Trường học: Trường Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí Minh
Chuyên ngành: Cơ Kỹ Thuật
Đề tài: Nhận Dạng Khuyết Tật Ổ Bi Dựa Trên Anfis Và Giải Pháp Xử Lý Dòng Dữ Liệu Từ Cảm Biến
Loại tài liệu: Luận án tiến sĩ
Năm xuất bản: 2023
Địa điểm: TP. Hồ Chí Minh
Tài liệu "Giải pháp nhận dạng khuyết tật ổ bi bằng ANFIS và xử lý dữ liệu cảm biến" trình bày một phương pháp tiên tiến trong việc phát hiện và phân tích khuyết tật của ổ bi thông qua việc sử dụng mô hình ANFIS (Adaptive Neuro-Fuzzy Inference System) kết hợp với dữ liệu từ cảm biến. Phương pháp này không chỉ giúp nâng cao độ chính xác trong việc nhận diện các vấn đề tiềm ẩn mà còn tối ưu hóa quy trình bảo trì, từ đó giảm thiểu chi phí và thời gian cho các doanh nghiệp.
Để mở rộng thêm kiến thức về các ứng dụng công nghệ trong lĩnh vực kỹ thuật và xây dựng, bạn có thể tham khảo tài liệu Nghiên cứu ứng xử của nền đất yếu gia cố bằng trụ đất xi măng có cốt cứng, nơi khám phá các giải pháp gia cố nền đất. Ngoài ra, tài liệu Ứng dụng computer vision trong bài toán proof of delivery sẽ cung cấp cái nhìn sâu sắc về việc ứng dụng công nghệ hình ảnh trong các quy trình logistics. Cuối cùng, tài liệu Đánh giá hiệu quả dự án ứng dụng mô hình thông tin công trình bim trong quản lý thiết kế công trình hạ tầng kỹ thuật đô thị sẽ giúp bạn hiểu rõ hơn về việc áp dụng mô hình thông tin trong quản lý thiết kế công trình. Những tài liệu này sẽ là cơ hội tuyệt vời để bạn mở rộng kiến thức và khám phá thêm nhiều khía cạnh khác nhau trong lĩnh vực này.
Trích đoạn nội dung tài liệu
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ