Tổng quan về luận án

Trong kỷ nguyên Công nghiệp 4.0 và chuyển đổi số trong sản xuất thông minh, bài toán giám sát tình trạng máy (Condition Monitoring) và bảo trì dự đoán (Predictive Maintenance) đóng vai trò sống còn đối với sự an toàn và hiệu quả vận hành của các hệ thống cơ điện tử phức tạp. Ổ bi quay (rolling element bearing) là chi tiết máy then chốt, hiện diện trong hầu hết các thiết bị quay từ dân dụng đến công nghiệp nặng. Như luận án đã chỉ ra từ thực tiễn công nghiệp: "Các hồ sơ theo dõi sức khỏe của máy móc cho thấy rằng hư hỏng của ổ bi bị chiếm khoảng 30% các hỏng hóc trong số các thiết bị quay." Khi vận hành dưới điều kiện tải trọng cao, tốc độ biến thiên và môi trường khắc nghiệt, sự suy giảm độ cứng chống biến dạng ($EI$), mô đun đàn hồi ($E$) hay biến dạng bề mặt tiếp xúc sẽ kích hoạt các cơ chế hư hỏng nghiêm trọng như tróc bề mặt do mỏi, nứt vỡ, mòn và dính bề mặt, có nguy cơ dẫn tới tai nạn thảm khốc trong giao thông tốc độ cao hoặc thảm họa kỹ thuật công nghiệp.

Khoảng trống nghiên cứu (research gap) cốt lõi nằm ở sự bế tắc giữa hai trường phái: Phương pháp dựa trên mô hình (Model-based Methods) đòi hỏi giải hệ phương trình vi phân động lực học phi tuyến tiếp xúc Hertz với độ phức tạp tính toán quá cao, không khả thi cho nhận dạng thời gian thực; trong khi Phương pháp dẫn động số (Data-Driven Methods - DIFD) truyền thống lại cực kỳ nhạy cảm với nhiễu xung (Impulse Noise), gặp hiện tượng lệch miền (Domain Drift) do sự sai khác phân phối xác suất giữa dữ liệu huấn luyện ngoại tuyến (nguồn) và dữ liệu vận hành trực tuyến (đích), đồng thời phụ thuộc nhiều vào các phép nội suy gây tích lũy sai số.

Để giải quyết triệt để bài toán này, luận án tập trung vào 4 câu hỏi nghiên cứu và các giả thuyết tương ứng:

  • RQ1: Làm thế nào để loại bỏ triệt để nhiễu xung trực tuyến từ luồng dữ liệu cảm biến mà không làm suy giảm các thành phần đặc trưng động lực học của ổ bi?
    • Hypothesis 1 (H1): Tồn tại một ngưỡng sàng lọc dữ liệu tối ưu (ODST) trong miền tần số thấp cho phép thiết lập bộ lọc xung thích nghi trực tuyến (FIN/AOINF) cô lập nhiễu với sai số tối thiểu.
  • RQ2: Làm cách nào nâng cao độ nhạy phát hiện khuyết tật vi mô so với việc khai thác tín hiệu chuyển vị truyền thống?
    • Hypothesis 2 (H2): "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" khi kết hợp với phân tích phổ đơn (SSA) và lọc thưa (Sparse Filtering).
  • RQ3: Cơ chế nào khắc phục hiện tượng lệch miền giữa miền nguồn và miền đích mà không cần tạo mẫu giả nội suy gây sai số tích lũy?
    • Hypothesis 3 (H3): Thiết lập miền dữ liệu liên kết (Joint Data Space) thông qua mạng ANFIS cải tiến (ANFIS-JS) sẽ triệt tiêu độ chênh lệch phân phối phân tán.
  • RQ4: Cấu trúc mạng nơ-ron - mờ nào tối ưu hóa được tốc độ hội tụ và độ chính xác chẩn đoán khuyết tật ổ bi theo thời gian thực?
    • Hypothesis 4 (H4): Khung kiến trúc tích hợp SSA, véc-tơ đặc trưng tối ưu và ANFIS/ANN sẽ đạt độ chính xác nhận dạng trên 98% với thời gian trễ mili-giây.

Khung lý thuyết của luận án tích hợp chặt chẽ giữa Cơ học tiếp xúc Hertz phi tuyến, Lý thuyết dao động ngẫu nhiên, Phân tích phổ đơn (Singular Spectrum Analysis - SSA), Lọc thưa tối ưu hóa phân bố đặc trưng (Sparse Filtering - SF) và Hệ thống suy diễn nơron - mờ thích nghi (ANFIS - Jang 1993). Phạm vi nghiên cứu thực nghiệm được tiến hành trên hệ thống gối đỡ vòng bi công nghiệp UCP 204 với các dạng hư hỏng đơn nhân tạo (vòng trong, vòng ngoài, viên bi) được gia công chính xác bằng máy cắt dây tia lửa điện (EDM), thu thập dữ liệu gia tốc đa kênh qua phần mềm LabVIEW và card giao tiếp DAQ chuyên dụng.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy sự tiến hóa rõ rệt của các phương pháp chẩn đoán khuyết tật ổ bi qua 4 giai đoạn chính:

  1. Dòng nghiên cứu động lực học cơ hệ và mô hình tiếp xúc thuận: Khởi nguồn từ lý thuyết biến dạng tiếp xúc đàn hồi điểm của Hertz và các mô hình mở rộng của Harris (2001), Sopanen & Mikkola (2003) với mô hình 6 bậc tự do phần tử cứng (RBE). Hạn chế là không thể phản ánh chính xác các điều kiện biên phi tuyến, độ gợn sóng chế tạo ($p_i, p_o$) và lực kéo trượt do màng dầu bôi trơn trong thời gian thực.
  2. Dòng xử lý tín hiệu dao động và biến đổi Wavelet: Các nghiên cứu của Daubechies (1992), Moller, Graf & Hà (2003) và Nguyen cùng cộng sự (2013, 2018) áp dụng biến đổi Wavelet liên tục (CWT) và định lượng trung bình hệ số Wavelet (AQWTC) để phát hiện suy giảm độ cứng chống uốn $EI$. Tuy nhiên, việc lựa chọn hàm Wavelet mẹ và hệ số tỷ lệ $a$ tối ưu phụ thuộc nặng nề vào kinh nghiệm chuyên gia, chi phí tính toán lớn gây cản trở triển khai trực tuyến.
  3. Dòng trí tuệ nhân tạo mờ - nơron (Neuro-Fuzzy Systems): Khởi xướng bởi Jang (1993) với ANFIS và Mendel (2001) với Interval Type-2 Fuzzy Logic System (IT-2FLS). Dù giải quyết tốt tính bất định, T-1FLS và T-2FLS truyền thống dễ mất kiểm soát số lượng luật mờ khi số chiều dữ liệu tăng cao (curse of dimensionality) và cực kỳ nhạy cảm trước nhiễu xung.
  4. Dòng học sâu (Deep Learning) và học chuyển giao (Transfer Learning): Các công trình gần đây như Multiscale CNN kết hợp LSTM (MCNN-LSTM) của Zhang và cộng sự (2018), mô hình CNN-SVM của Hoang & Kang (2019), hay phân tích thành phần chuyển giao (TCA) của Pan và cộng sự (2011). Dù đạt độ chính xác cao trên tập dữ liệu chuẩn (như CWRU), các mạng nơ-ron sâu này hoạt động như một "hộp đen", yêu cầu tập mẫu huấn luyện khổng lồ và thiếu khả năng diễn giải vật lý.

Trong y văn tồn tại hai cuộc tranh luận học thuật sâu sắc:

  • Tranh luận 1 (Bản chất tín hiệu): Giữa trường phái sử dụng tín hiệu chuyển vị/dòng điện stator MCSA (Blodt et al., Frosini) và trường phái tín hiệu gia tốc dao động. Luận án chứng minh tín hiệu gia tốc kết hợp phân tích phổ đơn SSA vượt trội về độ nhạy trước các vết nứt vi mô ban đầu so với dòng điện và chuyển vị.
  • Tranh luận 2 (Chiến lược thích ứng miền): Luận án phê phán trực tiếp các giải pháp học chuyển giao hiện hành: "Việc tạo ra các mẫu giả như trong [55] hoặc điều chỉnh trọng số mạng nơ-ron như trong [63] đều dẫn đến một nhược điểm chung là kết quả nhận được luôn bị sai số tích lũy từ các phép nội suy dựa trên mạng. Tình trạng này sẽ trở nên trầm trọng hơn khi chịu tác động của nhiễu."

So sánh với các giải pháp công nghiệp quốc tế như thiết bị chẩn đoán ACOEM Falcon (Pháp/Ấn Độ) hay hệ thống giám sát SKF Multilog On-line System trên tàu cao tốc Châu Âu, hướng tiếp cận của luận án định vị một giải pháp tự động hóa hoàn toàn từ khâu tiền xử lý, lọc thưa thích ứng, xóa bỏ lệch miền đến suy diễn mờ giải thích được với tài nguyên tính toán tinh gọn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra những bước tiến mang tính đột phá cho lý thuyết chẩn đoán kỹ thuật và cơ học tính toán:

  • Mở rộng lý thuyết hệ thống suy diễn nơron - mờ (ANFIS Theory): Thiết lập thành công mô hình ANFIS-JS hoạt động trên không gian dữ liệu liên kết (Joint Data Space). Chứng minh toán học về điều kiện hội tụ của phép xấp xỉ hàm phi tuyến khi dòng dữ liệu đầu vào bị ô nhiễm bởi nhiễu xung ngẫu nhiên.
  • Phát triển lý thuyết thích ứng miền (Domain Adaptation Theory) trong cơ học chẩn đoán: Đề xuất cơ chế căn chỉnh phân phối giữa miền nguồn ngoại tuyến ($D_s$) và miền đích trực tuyến ($D_t$) dựa trên véc-tơ đặc trưng trích xuất từ miền liên kết, loại bỏ sự phụ thuộc vào các thuật toán sinh mẫu giả (GAN/Interpolation) vốn gây sai số tích lũy.
  • Thiết lập các Mệnh đề Lý thuyết (Theoretical Propositions):
    • Mệnh đề 1 (P1): Bằng cách chiếu chuỗi tín hiệu gia tốc lên cơ sở trực giao thông qua phân tích phổ đơn SSA, các thành phần xu hướng chậm và dao động tuần hoàn do khuyết tật được phân tách độc lập hoàn toàn với nhiễu ngẫu nhiên không chu kỳ.
    • Mệnh đề 2 (P2): Hàm mục tiêu của lọc thưa (Sparse Filtering) tối ưu hóa đồng thời tính thưa thớt dân cư (population sparsity) và tính thưa thớt thời gian sống (lifetime sparsity), bảo toàn trọn vẹn dấu hiệu hư hỏng của ổ bi trong không gian đặc trưng rút gọn.
    • Mệnh đề 3 (P3): Ngưỡng sàng lọc dữ liệu tối ưu ODST xác định từ vùng năng lượng tần số thấp là bất biến trước sự thay đổi biên độ của các xung kích động cơ học ngẫu nhiên.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đa tầng 4 cấu phần phương pháp luận:

[Luồng tín hiệu gia tốc thô]
  1. Khởi tạo Không gian Dữ liệu Ban đầu (Initial Data Space - IDS): Cấu trúc hóa tín hiệu gia tốc đa chiều thành không gian 6 chiều chứa đựng đầy đủ thông tin vị trí pha, biên độ đỉnh, năng lượng phổ và biến thiên bậc cao.
  2. Khử nhiễu và Tối ưu hóa Không gian Dữ liệu (SSA-SF Integration): Ứng dụng SSA để lọc nhiễu tần số cao, kết hợp lọc thưa SF để chuẩn hóa và cực tiểu hóa độ dư thừa thông tin.
  3. Sàng lọc Nhiễu Xung Thích nghi Trực tuyến (FIN Algorithm): Sử dụng thuật toán AfODST tự động định vị ngưỡng lọc $q_{opt}$, triệt tiêu các gai nhiễu xung bất thường phát sinh từ cảm biến và môi trường.
  4. Miền Thích ứng Liên kết và Suy diễn Mờ (ANFIS-JS Mapping): Ánh xạ dữ liệu sạch vào các hàm liên thuộc tối ưu, kích hoạt luật hợp thành mờ và giải mờ để đưa ra quyết định chẩn đoán tức thời.

Boundary conditions: Khung phân tích áp dụng tối ưu cho các dòng ổ bi đỡ chặn và ổ bi đỡ một dãy (vận tốc từ 500 đến 3000 vòng/phút), chịu tải trọng hướng tâm và dọc trục kết hợp, trong môi trường làm việc công nghiệp có tỷ số tín hiệu trên nhiễu ($SNR$) biến động từ $-10\text{ dB}$ đến $20\text{ dB}$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan thực chứng (Positivism) kết hợp chủ nghĩa hiện thực phản biện (Critical Realism), đi từ bản chất cơ học tiếp xúc vật lý đến biểu diễn dữ liệu thực nghiệm. Thiết kế nghiên cứu đa mức (Multi-level experimental design) được xây dựng khoa học:

  • Cấp độ vi mô (Micro-level): Mô hình hóa tương tác đàn hồi tiếp xúc Hertz giữa viên bi và rãnh lăn vòng trong/ngoài với biến dạng bổ sung do khuyết tật $\delta_d$: $$\delta = r_{bckz}^c - (f - 0.5)D - \delta_d$$ Lực tiếp xúc phi tuyến tính: $$Q_{kc} = K \delta^{1.5} \quad (\text{khi } \delta > 0)$$
  • Cấp độ vĩ mô (Macro-level): Rời rạc hóa hệ trục - rôto thành các phần tử cứng RBE nối với nhau bằng hệ thống 4 lò xo độ cứng $k_s$ và cản dịu $c_s$, biểu diễn toàn diện 6 bậc tự do chuyển động tịnh tiến và xoay.
  • Cấp độ dữ liệu (Data-level): Thiết lập 5 kịch bản thực nghiệm bao quát mọi trạng thái vận hành: Trạng thái nguyên vẹn (Normal), Khuyết tật rãnh lăn vòng trong (Inner Race Fault), Khuyết tật rãnh lăn vòng ngoài (Outer Race Fault), Khuyết tật viên bi (Ball Fault) với các cấp độ tải trọng và tốc độ quay khác nhau.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dòng dữ liệu được chuẩn hóa nghiêm ngặt:

  • Hệ thống phần cứng và cảm biến: Bệ thí nghiệm động lực học gắn gối đỡ ổ bi UCP 204; cảm biến đo gia tốc áp điện công nghiệp gắn trực tiếp trên vỏ gối đỡ theo phương thẳng đứng và phương ngang; card thu nhận dữ liệu NI-DAQ tốc độ cao kết nối máy tính qua giao diện LabVIEW.
  • Tạo khuyết tật nhân tạo chính xác: Khuyết tật đơn được tạo bằng phương pháp gia công tia lửa điện (máy cắt dây EDM) trên rãnh lăn vòng trong và vòng ngoài với kích thước rãnh cắt chuẩn xác chiều rộng $0.2\text{ mm} - 0.5\text{ mm}$, chiều sâu $0.1\text{ mm} - 0.3\text{ mm}$, mô phỏng hoàn hảo các vết nứt tế vi ban đầu.
  • Quy trình khử nhiễu SSA: Ma trận quỹ đạo $\mathbf{X}$ kích thước $L \times K$ được phân tích suy biến (SVD): $$\mathbf{X} = \sum_{i=1}^d \sqrt{\lambda_i} U_i V_i^T$$ Tách biệt hoàn toàn các thành phần chính (PCs) tương ứng với dao động riêng của ổ bi khỏi nhiễu nền ngẫu nhiên.
  • Quy trình lọc thưa (Sparse Filtering): Tối ưu hóa ma trận trọng số $\mathbf{W}$ thông qua chuẩn hóa $L_1/L_2$ trên các véc-tơ đặc trưng: $$\text{minimize} \sum_{i=1}^M \left| \frac{\mathbf{f}^{(i)}}{|\mathbf{f}^{(i)}|_2} \right|_1$$
  • Bộ lọc FIN và thuật toán AfODST: Tự động dò tìm tham số làm mịn $q$ ($q \in [1, 9]$) nhằm xác định giá trị tối ưu $q_{opt} = 3$, thiết lập ranh giới lọc nhiễu xung mà không làm biến dạng biên độ dao động đỉnh.

Data và phân tích

Ma trận kiểm chứng thực nghiệm được thực hiện trên hàng chục nghìn mẫu dữ liệu cảm biến:

  • Kích thước mẫu và tham số kiểm tra: Khảo sát kích thước cửa sổ phân tích $H \in [200, 500]$, số cụm dữ liệu mờ $k \in [7, 10]$, và đánh giá sai số dưới sự xuất hiện của nhiễu giả lập $r(t)$.
  • Kỹ thuật thống kê và chỉ số đánh giá:
    • Độ chính xác phân loại tức thời ($Ac, %$): $$Ac = \frac{N_{\text{correct}}}{N_{\text{total}}} \times 100%$$
    • Độ chính xác trung bình ($MeA, %$): $$MeA = \frac{1}{K} \sum_{j=1}^K Ac_j$$
    • Căn bậc hai sai số bình phương trung bình ($RMSE$): $$RMSE = \sqrt{\frac{1}{N} \sum_{i=1}^N (y_i - \hat{y}_i)^2}$$
    • Thời gian xử lý trực tuyến ($t$, tính bằng giây/mẫu) và thời gian huấn luyện ngoại tuyến ($t_0$, tính bằng phút).

Phát hiện đột phá và implications

Những phát hiện then chốt

Các phát hiện thực nghiệm từ luận án mang tính đột phá và giải quyết trực diện các nút thắt kỹ thuật:

  1. Hiệu năng vượt trội của Bộ lọc Nhiễu Xung FIN ($q_{opt} = 3$): Trong điều kiện có nhiễu xung mạnh $r(t)$, phương pháp không có FIN (WOF) chỉ đạt độ chính xác $MeA \approx 88.2%$ và sai số $RMSE \approx 0.28$. Khi kích hoạt bộ lọc FIN (WF) với $q = 3$, độ chính xác trung bình $MeA$ tăng vọt lên $99.4% - 99.8%$ đồng thời $RMSE$ giảm sâu xuống mức $0.015 - 0.038$.
  2. Độ nhạy vượt bậc của tín hiệu gia tốc kết hợp SSA: Việc thay thế hoàn toàn tín hiệu chuyển vị bằng tín hiệu gia tốc giúp trích xuất thành công các tần số kích động va đập đặc trưng của khuyết tật vòng trong ($BPFI$) và vòng ngoài ($BPFO$) ngay cả ở mức độ hư hỏng rất nhỏ ($0.1\text{ mm}$ rãnh cắt), điều mà các cảm biến đo chuyển vị tiệm cận trước đây hoàn toàn bỏ sót.
  3. Triệt tiêu hiện tượng lệch miền bằng ANFIS-JS: Cấu trúc không gian dữ liệu liên kết giúp duy trì độ chính xác nhận dạng trên $99.1%$ khi chuyển đổi dữ liệu vận hành giữa các chế độ tải trọng khác nhau (từ $L1$ sang $L3$), chứng minh tính bất biến phân phối mà không cần huấn luyện lại từ đầu.
  4. Quy luật hội tụ phi tuyến theo kích thước cửa sổ $H$ và số cụm $k$: Khảo sát thực nghiệm chỉ ra rằng khi tăng $H$ từ $200$ lên $500$ và $k$ từ $7$ lên $10$, độ chính xác $MeA$ tiệm cận ngưỡng bão hòa ($99.8%$), trong khi thời gian huấn luyện $t_0$ tăng phi tuyến từ $1.2\text{ phút}$ lên $6.8\text{ phút}$. Cặp thông số tối ưu $H = 500, k = 7$ được xác lập là điểm cân bằng hoàn hảo giữa độ chính xác và chi phí tài nguyên tính toán.

Implications đa chiều

  • Về mặt học thuật và lý thuyết: Mở ra hướng tiếp cận mới trong việc kết hợp mô hình động lực học phi tuyến với trí tuệ nhân tạo mờ tự thích ứng, cung cấp giải pháp mẫu mực cho bài toán ngược trong cơ học kỹ thuật.
  • Về mặt phương pháp luận: Quy trình tích hợp SSA - Sparse Filtering - FIN có thể chuyển giao trực tiếp để xử lý dòng dữ liệu từ các cảm biến công nghiệp khác như giám sát bánh răng hộp số, cánh tuabin gió, hoặc kết cấu dầm cầu vượt.
  • Về mặt thực tiễn công nghiệp: Cung cấp thuật toán cốt lõi để lập trình trực tiếp vào các chip xử lý nhúng (Edge AI / DSP), cho phép chế tạo các module giám sát sức khỏe ổ bi thời gian thực với chi phí phần cứng thấp, giảm thiểu tối đa thời gian dừng máy ngoài kế hoạch (Downtime).
  • Về mặt chính sách và tiêu chuẩn hóa: Đóng góp cơ sở khoa học để xây dựng các quy chuẩn kỹ thuật quốc gia về kiểm định an toàn và bảo trì dự đoán cho hệ thống đường sắt đô thị, đường sắt tốc độ cao và các nhà máy năng lượng tái tạo tại Việt Nam.

Limitations và Future Research

Nhằm duy trì tính khách quan khoa học, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Phạm vi khuyết tật đơn lập: Nghiên cứu mới chỉ tập trung vào các dạng hư hỏng đơn lẻ (single faults) được tạo nhân tạo bằng máy cắt dây EDM, chưa khảo sát các dạng hư hỏng đa điểm đồng thời (multi-faults) hoặc quá trình thoái hóa mỏi tự nhiên diễn tiến theo thời gian.
  2. Giả thiết điều kiện biên lý tưởng: Mô hình lý thuyết bỏ qua ảnh hưởng của trường nhiệt độ biến thiên cao và sự thay đổi độ nhớt phi tuyến của chất bôi trơn trong ổ bi khi làm việc liên tục dài ngày.
  3. Chế độ vận hành ổn định: Dữ liệu thực nghiệm được thu thập chủ yếu ở các dải vận tốc không đổi, chưa bao quát hoàn toàn các chế độ quá độ khắc nghiệt (tăng/giảm tốc đột ngột, tải va đập mạnh ngoài dự kiến).

Chương trình nghiên cứu 5-10 năm tới mở ra các hướng phát triển then chốt:

  • Hướng 1: Mở rộng giải thuật ANFIS-BFDM để nhận dạng khuyết tật liên hợp đa điểm (vòng trong + viên bi + gối đỡ) trên mô hình số sinh đôi (Digital Twin).
  • Hướng 2: Tích hợp cơ chế tự giám sát (Self-Supervised Learning) và mạng nơ-ron vật lý (Physics-Informed Neural Networks - PINN) nhằm tự động cập nhật hàm liên thuộc mờ khi điều kiện nhiệt độ - bôi trơn thay đổi.
  • Hướng 3: Phát triển hệ thống chẩn đoán đa phương thức kết hợp đồng thời cảm biến gia tốc dao động, cảm biến phát xạ âm (Acoustic Emission) và tín hiệu dòng điện stator (MCSA).
  • Hướng 4: Hiện thực hóa phần cứng giải thuật lên chip vi xử lý FPGA chuyên dụng phục vụ thương mại hóa thiết bị giám sát "Made in Vietnam".

Tác động và ảnh hưởng

  • Tác động học thuật: Các công bố khoa học từ luận án trên các tạp chí quốc tế uy tín (thuộc danh mục ISI/Scopus) và tạp chí chuyên ngành trong nước đã xác lập vị thế tiên phong của nhóm nghiên cứu Datas-SmartC (Viện INCOS) và Trường ĐH Bách Khoa - ĐHQG TP.HCM trong lĩnh vực cơ học tính toán và chẩn đoán kỹ thuật. Dự kiến công trình sẽ thu hút trích dẫn cao trong cộng đồng nghiên cứu quốc tế về AI trong cơ khí chính xác.
  • Chuyển đổi công nghiệp: Tạo tiền đề công nghệ để các doanh nghiệp sản xuất xi măng, nhiệt điện, chế tạo máy và đường sắt tại Việt Nam làm chủ công nghệ giám sát tình trạng máy, giảm phụ thuộc vào các gói thiết bị nhập khẩu đắt đỏ từ Châu Âu.
  • Lợi ích kinh tế - xã hội: Giảm thiểu nguy cơ sự cố thảm khốc, kéo dài tuổi thọ khai thác của máy móc công nghiệp từ 15-25%, tiết kiệm hàng triệu USD chi phí bảo trì định kỳ cho các doanh nghiệp quy mô lớn.

Đối tượng hưởng lợi

  1. Nghiên cứu sinh và Giới học thuật: Tiếp cận một hệ phương pháp luận hoàn chỉnh từ mô hình hóa cơ học 6-DOF đến các thuật toán AI mờ thích nghi tiên tiến nhất; mở ra các đề tài nghiên cứu tiếp nối về chẩn đoán lỗi cơ hệ.
  2. Kỹ sư R&D và Doanh nghiệp chế tạo máy: Sở hữu các thuật toán đã được kiểm chứng thực nghiệm (ASSBDIM, BFDM, ANFIS-BFDM) để nhúng trực tiếp vào các sản phẩm giám sát rung động công nghiệp thế hệ mới.
  3. Các đơn vị quản lý vận hành đường sắt và hạ tầng năng lượng: Có cơ sở khoa học tin cậy để triển khai các hệ thống cảnh báo sớm nguy cơ tai nạn, bảo đảm an toàn tính mạng con người và tài sản quốc gia.

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 độc đáo nhất là việc mở rộng Lý thuyết Hệ thống Suy diễn Nơron - Mờ Thích nghi (ANFIS của Jang 1993) và Lý thuyết Thích ứng Miền (Domain Adaptation) thông qua cấu trúc ANFIS-JS (Joint Data Space). Luận án đã giải quyết bài toán hội tụ của hàm liên thuộc trong môi trường dữ liệu dao động ô nhiễm nhiễu xung cao, đồng thời triệt tiêu hiện tượng lệch miền giữa dữ liệu huấn luyện ngoại tuyến và dữ liệu vận hành trực tuyến mà không cần dùng đến các phép nội suy tạo mẫu giả vốn gây tích lũy sai số.

2. Tính đổi mới trong phương pháp nghiên cứu khi so sánh với các công trình quốc tế?

So sánh với mô hình học sâu MCNN-LSTM của Zhang et al. (2018) và CNN-SVM của Hoang & Kang (2019):

  • Về mặt tiền xử lý: Luận án tích hợp chuỗi xử lý độc bản SSA + Sparse Filtering + Bộ lọc FIN (với thuật toán AfODST), giúp triệt tiêu hoàn toàn nhiễu xung ngẫu nhiên trước khi đưa vào bộ phân loại.
  • Về tài nguyên tính toán: Trong khi các mạng Deep Learning đòi hỏi GPU công suất lớn và hàng giờ huấn luyện, mô hình ANFIS-BFDM của luận án chỉ mất $0.012\text{ giây}$ cho một chu kỳ nhận dạng trực tuyến và dưới $2\text{ phút}$ huấn luyện ngoại tuyến, cực kỳ lý tưởng để nhúng trên vi xử lý công nghiệp cỡ nhỏ.

3. Phát hiện thực nghiệm gây bất ngờ nhất được hỗ trợ bởi dữ liệu là gì?

Phát hiện về vai trò quyết định của tham số làm mịn $q$ trong bộ lọc FIN: Khi $q = q_{opt} = 3$, độ chính xác nhận dạng $MeA$ đạt đỉnh tuyệt đối $99.4% - 99.8%$ với $RMSE < 0.04$ trong môi trường có nhiễu xung $r(t)$. Nếu $q < 3$ (lọc non) hoặc $q > 3$ (lọc quá mức), các đỉnh va đập cơ học mang thông tin khuyết tật bị méo mó, khiến $RMSE$ tăng vọt lên gấp 7 lần ($RMSE \approx 0.28$).

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

Có. Luận án mô tả chi tiết và tường minh:

  • Thông số hình học và cơ lý tính của gối đỡ ổ bi công nghiệp UCP 204.
  • Sơ đồ mạch ghép nối cảm biến gia tốc áp điện với card NI-DAQ.
  • Quy trình lập trình thu thập dữ liệu dòng trên nền tảng phần mềm LabVIEW.
  • Kích thước vết cắt khuyết tật nhân tạo bằng máy EDM trên vòng trong và vòng ngoài.
  • Toàn bộ lưu đồ giải thuật và công thức toán học tường minh của 3 giải thuật ASSBDIM, BFDM và ANFIS-BFDM.

5. Lộ trình nghiên cứu 10 năm tới được phác thảo như thế nào?

Lộ trình 10 năm tập trung vào 3 trụ cột: (1) Nâng cấp giải thuật lên mô hình chẩn đoán đa lỗi đồng thời trên nền tảng Digital Twin thời gian thực; (2) Kết hợp dữ liệu đa cảm biến (Rung động + Âm thanh + Dòng điện) qua mạng nơ-ron vật lý PINN; (3) Thương mại hóa hệ thống phần cứng giám sát nhúng chuẩn công nghiệp phục vụ trực tiếp ngành đường sắt cao tốc Bắc - Nam và các cụm tuabin điện gió ngoài khơi tại Việt Nam.

Kết luận

  1. Xây dựng thành công 3 giải thuật nhận dạng khuyết tật ổ bi tiên tiến: Đề xuất và chứng minh thực nghiệm tính ưu việt của 3 phương pháp dẫn động số: ASSBDIM (dựa trên SSA, SF và ANFIS), BFDM (dựa trên không gian 6 chiều CDS và ANN), và ANFIS-BFDM (tích hợp bộ lọc xung FIN và ANFIS-JS).
  2. Đột phá trong kỹ thuật xử lý dòng dữ liệu cảm biến: Phát minh thuật toán AfODST xác định ngưỡng sàng lọc tối ưu trong miền tần số thấp và bộ lọc thích nghi trực tuyến FIN, giải quyết triệt để vấn đề nhiễu xung trong giám sát rung động thời gian thực.
  3. Giải quyết toàn diện bài toán lệch miền (Domain Drift): Thiết lập cơ chế thích ứng miền liên kết giúp duy trì độ chính xác chẩn đoán trên $99.1% - 99.8%$ và chỉ số sai số $RMSE < 0.04$ xuyên suốt các điều kiện tải trọng và vận tốc vận hành biến thiên.
  4. Hiện thực hóa bằng hệ thống thực nghiệm chuẩn mực: Thiết kế, chế tạo hoàn chỉnh bệ thử nghiệm gối đỡ vòng bi UCP 204 với hệ thống đo đa kênh LabVIEW, chứng minh trọn vẹn tính khả thi công nghệ và khả năng triển khai thực tế.
  5. Mở ra các nhánh nghiên cứu mới cho ngành Cơ Kỹ thuật: Đặt nền móng vững chắc cho việc ứng dụng trí tuệ nhân tạo mờ giải thích được trong cơ học chẩn đoán công trình và máy móc công nghiệp tại Việt Nam trong kỷ nguyên số.