Tổng quan luận án

Luận án tiến sĩ kỹ thuật với đề tài "Nhận dạng khuyết tật ổ bi dựa trên ANFIS và giải pháp xử lý dòng dữ liệu từ cảm biến" do nghiên cứu sinh Trần Quang Thịnh thực hiện tại Trường Đại học Bách khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, thuộc chuyên ngành Cơ Kỹ Thuật (mã số: 62520101), dưới sự hướng dẫn khoa học của tập thể gồm PGS.TS. Nguyễn Sỹ Dũng và PGS.TS. Ngô Kiều Nhi, hoàn thành và bảo vệ năm 2023.

Tính cấp thiết và khoảng trống nghiên cứu

Ổ bi quay là chi tiết máy cơ bản và quan trọng, hiện diện trong hầu hết các hệ thống máy móc dân dụng và công nghiệp. Khi vận hành dưới điều kiện tải trọng lớn, tốc độ cao, nhiệt độ và ma sát biến thiên liên tục, ổ bi là một trong những bộ phận chịu tải trọng chính và dễ bị suy giảm cơ tính vật liệu cũng như độ cứng chống biến dạng. Thống kê theo dõi vận hành máy móc công nghiệp chỉ ra rằng các hư hỏng liên quan đến ổ bi chiếm xấp xỉ 30% tổng số sự cố hỏng hóc trong các thiết bị quay. Khi ổ bi bị phá hủy bất ngờ, hậu quả có thể dẫn đến việc dừng máy đột ngột, gây thiệt hại nghiêm trọng về kinh tế hoặc dẫn đến tai nạn thảm khốc đối với các phương tiện giao thông tốc độ cao (như hệ thống tàu cao tốc). Do đó, việc giám sát trực tuyến tình trạng kỹ thuật và nhận dạng sớm khuyết tật ổ bi nhằm phục vụ bảo trì dự đoán là yêu cầu cấp thiết, đặc biệt trên các hệ thống kỹ thuật tự động hóa cao.

Qua tổng kết thực tiễn và tài liệu nghiên cứu, tác giả chỉ ra bốn vấn đề kỹ thuật lớn còn tồn tại trong bài toán nhận dạng trực tuyến khuyết tật ổ bi:

  1. Dữ liệu đo dao động thu nhận từ cảm biến luôn chứa nhiễu đo lường, đặc biệt là nhiễu xung (impulse noise); việc xây dựng giải pháp lọc nhiễu trực tuyến với tốc độ cao để đảm bảo độ chính xác nhận dạng vẫn là một thách thức.
  2. Dòng dữ liệu đo trực tuyến quy mô lớn (Big Data) cung cấp thông tin liên tục về ứng xử động lực học nhưng việc chắt lọc thông tin hữu ích và giảm chiều không gian dữ liệu mà không làm mất đặc trưng vẫn gặp nhiều khó khăn.
  3. Hiện tượng lệch miền (Domain Drift/Disparity) xuất hiện giữa tập dữ liệu nguồn (dữ liệu huấn luyện ngoại tuyến) và miền đích (dữ liệu đo trực tuyến thời gian thực) do sự khác biệt về phân phối xác suất, làm suy giảm độ chính xác của các mô hình nhận dạng.
  4. Các công cụ trí tuệ nhân tạo hiện hữu (mạng nơ-ron nhân tạo ANN, hệ logic mờ FL, hệ thống suy diễn nơron - mờ thích nghi ANFIS) cần được tối ưu hóa về cấu trúc và giải thuật huấn luyện để vừa đảm bảo độ chính xác cao vừa giảm thiểu chi phí tính toán khi nhận dạng trực tuyến.

Mục tiêu nghiên cứu

Mục đích nghiên cứu của luận án là:

  1. Nghiên cứu và đề xuất các giải thuật nhận dạng khuyết tật ổ bi dựa trên sự kết hợp giữa các công cụ trí tuệ nhân tạo và kỹ thuật xử lý tín hiệu số từ dòng dữ liệu đo cảm biến.
  2. Thiết kế, chế tạo và triển khai hệ thống thí nghiệm thực tế nhằm thu thập dữ liệu dao động cơ học để kiểm chứng các giải thuật đề xuất, làm tiền đề khoa học cho việc phát triển bộ giám sát trực tuyến tình trạng kỹ thuật của ổ bi trong công nghiệp.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Nhận dạng khuyết tật của ổ bi đỡ trục sử dụng trong máy móc công nghiệp (cụ thể khảo sát trên loại vòng bi gối đỡ UCP 204).
  • Phạm vi nghiên cứu:
    • Về dạng hư hỏng: Luận án tập trung khảo sát các dạng hư hỏng đơn xuất hiện trong quá trình làm việc của ổ bi (bao gồm vết nứt, vết cắt nhân tạo trên bề mặt rãnh lăn vòng trong và rãnh lăn vòng ngoài). Khuyết tật được gia công tạo hình nhân tạo bằng phương pháp cắt dây.
    • Về nguồn dữ liệu: Sử dụng tín hiệu gia tốc dao động cơ học đo được tại bề mặt gối đỡ ổ bi thông qua cảm biến gia tốc và card thu thập dữ liệu giao tiếp với máy tính qua phần mềm LabVIEW trong môi trường phòng thí nghiệm.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước đây

Luận án hệ thống hóa các hướng tiếp cận trong giám sát sức khỏe máy móc và công trình thành hai nhóm chính:

  • Nhóm mô hình (Model-based Method): Nhận dạng khuyết tật dựa trên việc thiết lập mô hình toán học giải tích hoặc số của cơ hệ có khuyết tật, thiết lập và giải hệ phương trình vi phân chuyển động (như mô hình rôto - ổ bi của Patel và cộng sự [72], mô hình biến dạng Hertz, tương tác tiếp xúc phi tuyến [73, 74]). Nhóm này giúp hiểu sâu cơ chế vật lý nhưng khó áp dụng cho nhận dạng trực tuyến do độ phức tạp cao, khó tính toán toàn bộ điều kiện biên thực tế và các yếu tố bất định.
  • Nhóm dẫn động số hay phi cấu trúc (Data-Driven Method): Nhận dạng dựa trên việc khai thác dữ liệu đo phản ánh ứng xử động lực học của hệ. Do khuyết tật làm giảm độ cứng chống biến dạng ($EI$) dẫn đến thay đổi đặc tính dao động (tần số riêng, dạng dao động), các công cụ toán học và trí tuệ nhân tạo được sử dụng để phân tích:
    • Phương pháp phân tích Wavelet: Công trình của Nguyen và cộng sự; công trình của Moller, Graf và Hà (2001) [17] về suy diễn mờ và phân chia siêu hộp; các thuật toán huấn luyện mạng nơron - mờ HLM [22], HLM1, HLM2 [23-27]; nghiên cứu định vị khuyết tật dầm của nhóm tác giả bằng ANN kết hợp định lượng trung bình hệ số Wavelet (AQWTC) [23]; chẩn đoán hư hỏng kết cấu bằng hệ thống nơron - mờ (NF) [28]; hệ logic mờ loại 2 khoảng (IT-2FLS) kết hợp Wavelet [29].
    • Phương pháp phân tích phổ đơn (SSA) và Lọc thưa (Sparse Filtering - SF): Ứng dụng SSA trong phân rã chuỗi thời gian dao động [12, 30, 48-50]; kết hợp SSA với phân cụm mờ và ANFIS [30]; kỹ thuật học không giám sát hai giai đoạn sử dụng lọc thưa và mạng nơ-ron hai lớp kết hợp hồi quy Soft-max trong xử lý dữ liệu lớn [35].
    • Các giải pháp thích ứng miền (Domain Adaptation) và học chuyển giao (Transfer Learning): Phương pháp phân tích thành phần chuyển giao (TCA) dùng khoảng cách chênh lệch trung bình tối đa (MMD) trong không gian Hilbert tái tạo [64]; học chuyển giao sâu cho máy móc [61]; mô hình thích ứng miền trên hộp số [62]; mạng nơ-ron tích chập xuyên miền dùng cấu trúc Mean Teacher [63]; tạo mẫu giả để xây dựng miền chéo [55].
    • Các mô hình học sâu hiện đại: Mô hình MCNN-LSTM kết hợp mạng tích chập đa quy mô và mạng LSTM xếp chồng [65]; học chuyển giao dựa trên mạng tích chập sâu huấn luyện trước [66]; mô hình kết hợp CNN và máy véc tơ hỗ trợ (CNN-SVM) với biến đổi Wavelet liên tục (CWT) [67].
    • Phương pháp dựa trên tín hiệu dòng điện stator: Khai thác dòng điện động cơ thông qua 1D-CNN và Wavelet Packet [68]; học sâu kết hợp dòng điện pha [69]; mô hình định lượng dựa trên chuỗi Fourier và độ tự cảm lẫn nhau [70].
    • Hệ thống thương mại trong công nghiệp: Thiết bị chẩn đoán ACOEM [71] tại Wonder Cement; hệ thống giám sát tình trạng trực tuyến SKF trên tàu cao tốc tại châu Âu; hệ thống cảm biến của hãng ASC Sensor (Đức) [1].
Giải pháp Đặc điểm chính Ưu điểm Hạn chế
Nhóm mô hình (Model-based Method) Xây dựng mô hình toán học giải tích/số của cơ hệ và mô hình khuyết tật cụ thể. Tiết kiệm chi phí thu thập dữ liệu; phù hợp phân tích ứng xử cơ học ở tốc độ thấp hoặc kiểm chứng lý thuyết. Khó mô phỏng chính xác hệ thống thực tế; nghiệm phương trình vi phân phức tạp khi xét đủ điều kiện biên; không thích hợp nhận dạng trực tuyến.
Nhóm dẫn động số (Data-Driven Method) Khai thác tập dữ liệu đo thực tế (dao động, dòng điện) phản ánh ứng xử động lực học cơ hệ. Phù hợp bài toán nhận dạng và giám sát trực tuyến theo thời gian thực; có thể kết hợp linh hoạt các công cụ trí tuệ nhân tạo. Chi phí thu thập dữ liệu cao; gặp khó khăn khi xử lý nhiễu đo, trích xuất đặc trưng, dữ liệu lớn và hiện tượng lệch miền.

Khoảng trống nghiên cứu luận án lựa chọn giải quyết

Mặc dù các nghiên cứu trước đã đạt được nhiều kết quả, luận án chỉ ra các hạn chế cụ thể cần giải quyết:

  • Các giải pháp dùng Wavelet hoặc hệ mờ loại 2 (IT-2FLS) có chi phí tính toán rất lớn, gây cản trở cho các ứng dụng trực tuyến thời gian thực.
  • Kỹ thuật lọc thưa học không giám sát trong dữ liệu lớn thường bỏ qua khâu tiền xử lý, khiến độ chính xác phụ thuộc tiêu cực vào chất lượng tín hiệu thô.
  • Các phương pháp thích ứng miền hiện thời sử dụng giải pháp tạo mẫu giả hoặc điều chỉnh trọng số mạng nội suy dễ dẫn đến tích lũy sai số khi tín hiệu chứa nhiễu.
  • Tín hiệu dòng điện stator có độ nhạy kém hơn tín hiệu rung động khi chẩn đoán các ổ bi lắp bên ngoài động cơ điện.

Luận án lựa chọn giải quyết triệt để vấn đề: khai thác tín hiệu gia tốc dao động cơ học, kết hợp phân tích phổ đơn (SSA), lọc thưa (SF), thuật toán ngưỡng sàng lọc dữ liệu tối ưu (AfODST), bộ lọc nhiễu xung (FIN) và ANFIS để nhận dạng lỗi ổ bi trực tuyến với độ chính xác cao và xử lý hiệu quả hiện tượng lệch miền.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết

Bài toán thuận trong nhận dạng khuyết tật ổ bi

Luận án trình bày mô hình động lực học hệ thống rôto - ổ bi 3 chiều:

  • Rôto: Rời rạc hóa thành các phần tử cứng (Rigid Body Element - RBE), mỗi phần tử có 6 bậc tự do (3 tịnh tiến, 3 quay). Hai phần tử liền kề nối với nhau bằng 4 lò xo (1 lò xo kéo có độ cứng $k_{s_{j, j+1}}$, 3 lò xo xoắn chống xoay quanh các trục X, Y, Z). Lực tương tác kéo được tính theo công thức: $$F_j^i = k_{s_{j, j+1}} (r_{M_{j+1}}^i - r_{N_j}^i) = \frac{E \cdot \min(A_j, A_{j+1})}{(l_j + l_{j+1})/2} (r_{M_{j+1}}^i - r_{N_j}^i)$$ Phần tử cứng còn chịu ngoại lực $F_e$, trọng lực $G$ và lực ly tâm $F_c$ xác định qua ma trận chuyển cơ sở $T_{rj, i}$ và độ lệch tâm khối lượng $m_{uj} r_{uj}$.
  • Tương tác viên bi và vòng bi: Tiếp xúc điểm giữa viên bi và rãnh lăn tuân theo lý thuyết tiếp xúc đàn hồi 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, biến dạng đàn hồi $\delta$ được xác định bởi: $$\delta = r_{bckz}^c - (f - 0.5)D - \delta_d$$ với $f$ là hệ số cong rãnh lăn, $D$ là đường kính viên bi, $\delta_d$ là biến dạng bổ sung xuất hiện do khuyết tật hình học của vòng bi. Lực kéo tiếp tuyến do màng chất bôi trơn trượt được tính theo $f_{kc} = \mu Q_{kc}$.
  • Độ gợn sóng bề mặt: Xét thành phần sóng điều hòa $p_i, p_o$ của vòng trong và vòng ngoài qua chuỗi điều hòa phụ thuộc góc quay và biên độ sóng $A_{il}, A_{ol}$.

Luận án khẳng định bài toán thuận chỉ phù hợp để khảo sát bản chất vật lý trong giai đoạn thiết kế, không thể áp dụng cho hệ thống nhận dạng trực tuyến thời gian thực do đòi hỏi tài nguyên tính toán quá lớn và sự không chắc chắn của các tham số hình học - tiếp xúc trong thực tế.

Bài toán ngược và công cụ ANFIS

Chuyển sang bài toán ngược, luận án áp dụng mô hình dẫn động số với công cụ cốt lõi là hệ thống suy diễn nơron - mờ thích nghi (ANFIS):

  • ANFIS kết hợp khả năng suy luận logic mờ (xử lý thông tin không chắc chắn, tri thức mờ) và khả năng tự học, tối ưu hóa trọng số của mạng nơ-ron nhân tạo.
  • Cấu trúc ANFIS bao gồm không gian dữ liệu bó (Cluster Data Space - CDS), không gian dữ liệu liên kết vào - ra (Joint Data Space - JDS), các hàm liên thuộc được hiệu chỉnh tối ưu hóa để cực tiểu hóa sai số đáp ứng động lực học của hệ thống.

Phương pháp nghiên cứu thực tế

Luận án kết hợp chặt chẽ giữa nghiên cứu lý thuyết thuật toán và thực nghiệm khoa học:

  1. Phương pháp tiền xử lý và trích xuất đặc trưng:
    • Phân tích phổ đơn (SSA): Chiếu chuỗi thời gian gia tốc gốc lên cơ sở véc tơ trực giao nhằm phân rã tín hiệu thành xu hướng biến thiên chậm, các chuỗi dao động tuần hoàn và thành phần nhiễu ngẫu nhiên.
    • Lọc thưa (Sparse Filtering - SF): Tối ưu hóa phân phối đặc trưng tín hiệu, trích xuất các đặc trưng thỏa mãn đồng thời ba thuộc tính: tính thưa thớt dân cư (population sparsity), tính thưa thớt thời gian sống (lifetime sparsity) và tính phân tán cao (high dispersal).
    • Thuật toán xác định ngưỡng sàng lọc dữ liệu tối ưu (AfODST): Xác định ngưỡng biên dựa trên phổ năng lượng tần số thấp.
    • Bộ lọc nhiễu xung (Impulse Noise Filter - FIN): Lọc bỏ các xung đột biến do can nhiễu ngoại lai mà không làm biến dạng thông tin dao động đặc trưng của hư hỏng.
    • Thích ứng miền (Domain Adaptation): Xây dựng không gian miền liên kết thích ứng giữa miền nguồn và miền đích nhằm khắc phục hiện tượng lệch phân phối dữ liệu đo.
  2. Nguồn tư liệu và dữ liệu thực nghiệm:
    • Dữ liệu được đo đạc trực tiếp từ mô hình thí nghiệm gối đỡ vòng bi UCP 204.
    • Thiết bị thu thập gồm cảm biến gia tốc công nghiệp gắn trên vỏ gối đỡ, card giao tiếp chuyển đổi tín hiệu (DAQ), máy tính điều khiển cài đặt giao diện phần mềm LabVIEW.
    • Các mẫu thí nghiệm được gia công tạo khuyết tật nhân tạo với kích thước xác định tại rãnh lăn vòng trong và vòng ngoài.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 mở đầu bằng việc phân tích các sự cố thường gặp của ổ bi trong vận hành cơ khí: hiện tượng tróc rỗ bề mặt do mỏi, nứt vỡ do ứng suất tập trung hoặc lắp ráp sai kỹ thuật, dính bề mặt do trượt bôi trơn kém, mài mòn do hạt mòn xâm nhập, và vết lõm cục bộ trên rãnh lăn. Tiếp đó, chương khảo sát các phương pháp nhận dạng khuyết tật truyền thống như siêu âm (hạn chế khi khuyết tật ở sâu), nội soi công nghiệp (không phát hiện được khuyết tật kín) và phương pháp đo dao động cơ học. Chương 1 tổng thuật sâu sắc các công trình trong và ngoài nước về phương pháp dẫn động số, ứng dụng của Wavelet, logic mờ, mạng nơ-ron, phân tích phổ đơn SSA và các hệ thống chẩn đoán công nghiệp thực tế. Từ đó, tác giả đúc kết các khoảng trống nghiên cứu và thiết lập mục tiêu, đối tượng, phạm vi, phương pháp cùng bố cục tổng thể của luận án.

Chương 2: Cơ sở lý thuyết

Chương 2 tập trung phân tích hai hướng tiếp cận cơ bản: bài toán thuận và bài toán ngược. Trong bài toán thuận, tác giả thiết lập chi tiết hệ phương trình vi phân chuyển động phi tuyến mô tả hệ rôto - ổ bi 3 chiều:

  • Rôto được mô hình hóa bằng các phần tử cứng RBE nối với nhau bằng các phần tử đàn hồi lò xo tịnh tiến và xoắn.
  • Ổ bi được mô hình hóa với chuyển động tương đối giữa tâm vòng trong, tâm vòng ngoài và các viên bi; xét tiếp xúc điểm Hertz phi tuyến $Q_{kc} = K \delta^{1.5}$, lực ma sát nhớt tiếp tuyến $f_{kc}$, khe hở hướng tâm $\delta_i, \delta_o$, lực ly tâm và độ nhám/độ gợn sóng bề mặt $p_i, p_o$.
  • Tác giả phân tích các giới hạn của bài toán thuận: đòi hỏi giải hệ phương trình vi phân phi tuyến bậc cao với quá nhiều tham số không xác định chính xác được trên thực tế, dẫn đến việc không khả thi cho chẩn đoán trực tuyến. Từ đó, tác giả khẳng định việc chuyển sang giải bài toán ngược bằng phương pháp dẫn động số. Chương này trình bày chi tiết cấu trúc toán học của hệ thống suy diễn nơron - mờ thích nghi (ANFIS), nguyên lý phân chia không gian dữ liệu bó (CDS) và xây dựng không gian dữ liệu liên kết (JDS) phục vụ nhận dạng ứng xử cơ hệ.

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

Chương 3 là phần đóng góp lý thuyết trọng tâm của luận án, tập trung phát triển các giải thuật xử lý tín hiệu và nhận dạng:

  • Xử lý dữ liệu cảm biến: Phân tích đặc tính nhiễu đo; áp dụng SSA để bóc tách thành phần tín hiệu tuần hoàn mang thông tin khuyết tật khỏi nhiễu nền; áp dụng thuật toán lọc thưa (SF) để trích xuất véc tơ đặc trưng thưa; xây dựng thuật toán AfODST tìm ngưỡng sàng lọc dữ liệu tối ưu qua miền tần số thấp.
  • Xây dựng ANFIS trong điều kiện dữ liệu nhiễu: Thiết lập điều kiện hội tụ cho xấp xỉ hàm; đề xuất thuật toán lọc nhiễu xung trực tuyến thích nghi AOINF và thuật toán xây dựng ANFIS trên không gian liên kết ANFIS-JS.
  • Thích ứng miền: Phân tích hiện tượng lệch miền (Drift Domain) giữa tập huấn luyện và dữ liệu đo trực tuyến; đề xuất giải pháp ánh xạ xây dựng miền thích ứng nhằm giảm sai số mà không dùng mẫu giả.
  • Xây dựng ba giải thuật nhận dạng:
    1. Giải thuật ASSBDIM: Sử dụng tín hiệu gia tốc dao động; áp dụng SSA và Lọc thưa để tiền xử lý và xây dựng không gian dữ liệu đầu vào (IDS) và đầu ra (ODS); ANFIS nhận dạng đáp ứng động lực học và được tối ưu hóa ngoại tuyến; chẩn đoán tình trạng hư hỏng trực tuyến dựa trên cơ sở dữ liệu thời gian thực.
    2. Giải thuật BFDM: Kế thừa SSA và tín hiệu gia tốc; cấu trúc không gian dữ liệu 6 chiều ở bước khởi tạo; kết hợp khử nhiễu tần số cao với tối ưu hóa không gian dữ liệu để thiết lập véc tơ đặc trưng; chẩn đoán tình trạng ổ bi thông qua mạng nơ-ron nhân tạo (ANN).
    3. Giải thuật ANFIS-BFDM: Tích hợp bộ lọc nhiễu xung trực tuyến FIN dựa trên ngưỡng AfODST; kết hợp miền thích ứng để triệt tiêu sự sai khác phân phối giữa miền nguồn và miền đích; sử dụng ANFIS để chẩn đoán chính xác tình trạng sức khỏe ổ bi.

Chương 4: Kết quả và thảo luận

Chương 4 kiểm chứng các giải thuật đề xuất thông qua dữ liệu thực nghiệm:

  • Hệ thống thí nghiệm: Mô hình gối đỡ ổ bi UCP 204 được dẫn động bởi trục quay; sử dụng cảm biến gia tốc gắn trên gối đỡ; card thu thập dữ liệu kết nối phần mềm LabVIEW; các vết nứt nhân tạo được tạo trên vòng trong và vòng ngoài bằng máy cắt dây.
  • Kết quả kiểm chứng giải thuật ASSBDIM: Khảo sát qua 5 trường hợp (Case 1 đến Case 5) với các trạng thái ổ bi bình thường và có khuyết tật đơn; đánh giá độ chính xác chẩn đoán ($Ac$) và độ chính xác trung bình ($MeA$); khảo sát thời gian huấn luyện và nhận dạng ($t, t_0$) phụ thuộc vào số thành phần $k$ ($k=7, 10$) và độ dài cửa sổ dữ liệu $H$ ($H \in [200, 500]$); kết quả chỉ ra sự cân bằng tối ưu giữa thời gian tính toán và độ chính xác phân loại.
  • Kết quả kiểm chứng giải thuật BFDM: Khảo sát trên 3 trường hợp dữ liệu (Bảng 4.8); phân tích sự phụ thuộc của độ chính xác trung bình $MeA$ và căn bậc hai sai số bình phương trung bình $RMSE$ vào tham số $q$ (khảo sát $q$ từ 1 đến 9).
  • Kết quả kiểm chứng giải thuật ANFIS-BFDM:
    • Khảo sát trên 3 trường hợp tập dữ liệu (Bảng 4.10) trong hai điều kiện: có và không có nhiễu bổ sung $r(t)$.
    • Đánh giá vai trò của bộ lọc FIN thông qua so sánh giữa hai chế độ: có bộ lọc (WF - With Filter) và không có bộ lọc (WOF - Without Filter).
    • Kết quả thực nghiệm xác định giá trị tối ưu của tham số $q$ là $q_{opt} = 3$, tại đó $MeA$ đạt giá trị cao nhất và $RMSE$ nhỏ nhất. Đồng thời, luận án xác định được bậc lọc tối ưu $L_{opt}$ tương ứng với từng dạng hư hỏng đơn cụ thể của ổ bi.

Chương 5: Kết luận và hướng phát triển

Chương 5 tóm tắt các kết quả đạt được về mặt lý thuyết và thực nghiệm của luận án, khẳng định tính hiệu quả của các giải thuật ASSBDIM, BFDM và ANFIS-BFDM. Đồng thời, chương chỉ rõ các định hướng mở rộng nghiên cứu đối với bài toán nhận dạng đa khuyết tật và thử nghiệm trên các hệ thống công nghiệp có điều kiện vận hành phức tạp hơn.

Kết quả và những đóng góp mới

Đóng góp mới về mặt khoa học và lý luận

  1. Đề xuất giải thuật ASSBDIM: Thiết lập thành công phương pháp chẩn đoán khuyết tật ổ bi dựa trên sự kết hợp giữa phân tích phổ đơn (SSA), lọc thưa (SF) và hệ thống suy diễn nơron - mờ thích nghi (ANFIS). Luận án chứng minh việc sử dụng tín hiệu gia tốc dao động thay cho tín hiệu chuyển vị truyền thống giúp gia tăng đáng kể độ nhạy của các véc tơ đặc trưng đối với các hư hỏng cơ học nhỏ.
  2. Đề xuất giải thuật BFDM: Kế thừa kỹ thuật SSA trên tín hiệu gia tốc, luận án xây dựng cấu trúc không gian dữ liệu ban đầu 6 chiều, tích hợp cơ chế khử nhiễu tần số cao và tối ưu hóa không gian dữ liệu để trích xuất véc tơ đặc trưng, kết hợp với mạng nơ-ron nhân tạo (ANN) cho phép nhận dạng tình trạng ổ bi nhanh chóng.
  3. Đề xuất giải thuật ANFIS-BFDM: Phát triển giải thuật chẩn đoán toàn diện kết hợp SSA, ANFIS và giải pháp thích ứng miền (Domain Adaptation). Trong đó, luận án đề xuất bộ lọc nhiễu xung FIN dựa trên thuật toán xác định ngưỡng sàng lọc tối ưu AfODST ở vùng tần số thấp; xây dựng miền dữ liệu liên kết giúp giảm thiểu chênh lệch phân phối giữa miền nguồn và miền đích mà không làm phát sinh sai số tích lũy từ các phép nội suy mẫu giả.

Đóng góp thực tiễn và kiến nghị giải pháp

  • Xây dựng hệ thống thí nghiệm hoàn chỉnh: Thiết kế, tích hợp thành công hệ thống phần cứng và phần mềm đo dao động thời gian thực (gồm gối đỡ vòng bi UCP 204, cảm biến gia tốc, card DAQ và LabVIEW), tạo lập cơ sở dữ liệu dao động thực nghiệm phục vụ việc huấn luyện và kiểm chứng thuật toán.
  • Xác định các thông số vận hành tối ưu: Xác định được giá trị ngưỡng tối ưu $q_{opt} = 3$ và bậc lọc $L_{opt}$ giúp tối đa hóa độ chính xác ($MeA$) và tối thiểu hóa sai số ($RMSE$) khi nhận dạng các vết nứt đơn ở vòng trong và vòng ngoài trong môi trường có nhiễu xung $r(t)$.
  • Kiến nghị ứng dụng: Đề xuất ứng dụng cấu trúc giải thuật ANFIS-BFDM vào việc chế tạo các thiết bị giám sát trực tuyến độc lập gắn tại chỗ trên các máy móc công nghiệp quay (hộp số, máy nén, quạt công nghiệp, gối trục đường sắt), hỗ trợ chuyển đổi từ bảo trì định kỳ sang bảo trì dự đoán nhằm tiết kiệm chi phí và nâng cao an toàn vận hành.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

Căn cứ vào phạm vi và nội dung thực nghiệm được trình bày trong văn bản:

  • Luận án mới chỉ tập trung nghiên cứu nhận dạng các dạng hư hỏng đơn (vết nứt rãnh lăn vòng trong hoặc vòng ngoài xuất hiện riêng lẻ), chưa khảo sát các trường hợp đa khuyết tật (nhiều dạng hư hỏng đồng thời xuất hiện trên cả viên bi, vòng trong và vòng ngoài).
  • Các khuyết tật khảo sát là khuyết tật nhân tạo được tạo bằng máy cắt dây trong phòng thí nghiệm; chưa khảo sát các dạng hư hỏng tự nhiên diễn tiến theo thời gian như tróc mỏi vi mô, mòn hóa học do bôi trơn kém trong môi trường công nghiệp thực tế.
  • Các điều kiện thí nghiệm được thực hiện ở các dải tốc độ và tải trọng cố định trong phòng thí nghiệm, chưa đánh giá đầy đủ khi hệ thống làm việc dưới điều kiện vận tốc và tải trọng biến thiên ngẫu nhiên liên tục.

Hướng nghiên cứu tiếp theo

  • Mở rộng thuật toán để nhận dạng bài toán đa khuyết tật phức tạp trên ổ bi quay.
  • Nghiên cứu cơ chế tự thích nghi của thuật toán khi ổ bi vận hành trong điều kiện tải trọng và tốc độ thay đổi liên tục theo thời gian thực.
  • Tích hợp và nhúng các giải thuật tối ưu (như ANFIS-BFDM) vào các bo mạch xử lý tín hiệu số chuyên dụng (DSP/FPGA) để hoàn thiện thiết bị giám sát trực tuyến công nghiệp.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên môn hữu ích cho:

  • Nghiên cứu sinh, học viên cao học và giảng viên thuộc các chuyên ngành Cơ kỹ thuật, Kỹ thuật Cơ khí, Cơ điện tử, Kỹ thuật Đo lường và Điều khiển, Khoa học Dữ liệu ứng dụng trong kỹ thuật:
    • Tham khảo mô hình toán học động lực học rôto - ổ bi 3 chiều phi tuyến (dựa trên phần tử cứng RBE và lý thuyết tiếp xúc Hertz).
    • Tham khảo phương pháp luận kết hợp giữa xử lý tín hiệu chuỗi thời gian (SSA, Lọc thưa) và trí tuệ nhân tạo (ANFIS, ANN) để giải bài toán ngược.
  • Kỹ sư R&D và chuyên gia bảo trì công nghiệp:
    • Cung cấp giải pháp kỹ thuật cụ thể về bộ lọc nhiễu xung FIN và giải pháp thích ứng miền giải quyết bài toán lệch miền dữ liệu khi thiết kế các hệ thống giám sát sức khỏe máy móc (Condition Monitoring System - CMS).
    • Tham khảo cấu hình hệ thống đo thực nghiệm sử dụng cảm biến gia tốc và môi trường LabVIEW để thu thập dữ liệu rung động phục vụ bảo trì dự đoán.

Câu hỏi thường gặp

1. Luận án đề xuất những giải thuật nhận dạng khuyết tật chính nào và mối quan hệ giữa chúng là gì?

Luận án đề xuất ba giải thuật theo tiến trình kế thừa và nâng cao:

  • ASSBDIM: Giải thuật nền tảng kết hợp phân tích phổ đơn (SSA), lọc thưa (SF) và ANFIS trên tín hiệu gia tốc dao động.
  • BFDM: Kế thừa SSA và tín hiệu gia tốc từ ASSBDIM, tối ưu hóa không gian dữ liệu khởi tạo 6 chiều, loại bỏ nhiễu tần số cao để tạo véc tơ đặc trưng và chẩn đoán thông qua mạng nơ-ron nhân tạo (ANN).
  • ANFIS-BFDM: Giải thuật phát triển toàn diện nhất, kết hợp SSA, ANFIS, bộ lọc nhiễu xung trực tuyến FIN (phát triển từ thuật toán ngưỡng AfODST) và giải pháp xây dựng miền thích ứng để triệt tiêu hiện tượng lệch miền dữ liệu.

2. Vì sao tác giả lựa chọn tín hiệu gia tốc dao động thay vì tín hiệu chuyển vị hay tín hiệu dòng điện stator?

  • So với tín hiệu chuyển vị: Tín hiệu gia tốc dao động cơ học có độ nhạy cao hơn rõ rệt đối với các thay đổi động lực học nhỏ khi khuyết tật cơ học mới hình thành trên bề mặt tiếp xúc ổ bi.
  • So với tín hiệu dòng điện stator: Mặc dù tín hiệu dòng điện stator tiết kiệm chi phí cảm biến ngoài, nhưng độ nhạy và hiệu suất chẩn đoán kém hơn nhiều so với tín hiệu dao động, đặc biệt đối với các ổ bi lắp độc lập bên ngoài động cơ điện hoặc trên các gối đỡ trục trung gian.

3. Bộ lọc FIN có vai trò gì và hiệu quả của nó trong giải thuật ANFIS-BFDM được chứng minh như thế nào?

Bộ lọc FIN (Impulse Noise Filter) được phát triển dựa trên thuật toán xác định ngưỡng sàng lọc tối ưu (AfODST) từ vùng tần số thấp của tín hiệu. FIN có nhiệm vụ lọc bỏ các xung nhiễu đột biến ($r(t)$) xuất hiện trong dòng dữ liệu đo cảm biến trực tuyến mà không làm suy giảm các đặc trưng dao động của khuyết tật. Kết quả khảo sát thực nghiệm tại Chương 4 trên 3 tập dữ liệu cho thấy: ở chế độ có bộ lọc FIN (WF), độ chính xác trung bình ($MeA$) của ANFIS-BFDM luôn cao hơn rõ rệt và căn bậc hai sai số bình phương trung bình ($RMSE$) luôn thấp hơn so với chế độ không có bộ lọc FIN (WOF).

4. Dữ liệu thực nghiệm của luận án được thu thập như thế nào và trên đối tượng cụ thể nào?

Dữ liệu được thu thập từ mô hình thí nghiệm cơ học thực tế gồm hệ trục quay gắn gối đỡ ổ bi UCP 204. Cảm biến gia tốc được gắn trực tiếp trên vỏ gối đỡ để thu nhận dao động. Tín hiệu được truyền qua card giao tiếp (DAQ) và xử lý bằng phần mềm LabVIEW. Các mẫu khuyết tật khảo sát là các hư hỏng đơn tại rãnh lăn vòng trong và rãnh lăn vòng ngoài, được gia công nhân tạo với kích thước xác định bằng phương pháp cắt dây.

5. Ý nghĩa của tham số $q$ trong khảo sát giải thuật ANFIS-BFDM là gì và giá trị tối ưu được xác định bằng bao nhiêu?

Tham số $q$ là tham số điều chỉnh liên quan đến việc cấu trúc dữ liệu và lọc nhiễu trong giải thuật. Khảo sát thực nghiệm trong Chương 4 khi cho $q$ thay đổi từ 1 đến 9 trên cả ba bộ dữ liệu cho thấy: giá trị tối ưu đạt được tại $q_{opt} = 3$. Tại giá trị này, độ chính xác trung bình ($MeA$) đạt cực đại và sai số $RMSE$ đạt cực tiểu trong cả hai trường hợp có và không có nhiễu xung $r(t)$.

Kết luận

Luận án của tác giả Trần Quang Thịnh đã giải quyết bài toán nhận dạng khuyết tật ổ bi quay bằng cách tiếp cận dẫn động số thông qua chuỗi giải thuật đề xuất ASSBDIM, BFDM và ANFIS-BFDM. Công trình kết hợp hiệu quả giữa kỹ thuật xử lý tín hiệu số (phân tích phổ đơn SSA, lọc thưa SF, bộ lọc FIN) và trí tuệ nhân tạo (ANN, ANFIS), xử lý triệt để bài toán nhiễu xung và lệch miền trong dữ liệu cảm biến gia tốc. Toàn bộ các giải thuật đã được kiểm chứng và xác thực thông qua hệ thống thực nghiệm trên ổ bi UCP 204 kết nối LabVIEW, đóng góp cơ sở khoa học và giải pháp thực tiễn quan trọng cho việc phát triển các hệ thống giám sát trực tuyến và bảo trì dự đoán trong công nghiệp.