Luận văn: Nhận dạng vết nứt bánh răng bằng dao động và Wavelet rời rạc

Luận văn: Nhận dạng vết nứt bánh răng qua đo dao động & phép biến đổi wavelet rời rạc. Nghiên cứu chuyên sâu, phân tích tín hiệu, phát hiện lỗi hiệu quả.

• Tác giả: Hà Trung Kiên
• Người hướng dẫn: PGS. Nguyễn Phong Điền
• Trường học: Trường Đại học Bách khoa Hà Nội
• Chuyên ngành: Cơ học kỹ thuật
• Đề tài: Nhận dạng vết nứt của bánh răng bằng phương pháp đo dao động và phép biến đổi Wavelet rời rạc
• Loại tài liệu: Luận văn thạc sĩ khoa học
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU, TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• 1. CHƯƠNG 1: CƠ SỞ PHÉP BIẾN ĐỔI WAVELET RỜI RẠC
• 1.1. Phép biến đổi Fourier
• 1.2. Biến đổi Wavelet liên tục
• 1.2.1. Phép biến đổi Wavelet liên tục
• 1.2.2. Ý nghĩa của phép biến đổi Wavelet liên tục
• 1.3. Biến đổi Wavelet rời rạc
• 1.3.1. Phân tích đa phân giải
• 1.3.2. Biến đổi Wavelet trực giao
• 1.3.3. Thuật giải Mallat
• 1.3.4. Một số hàm Wavelet rời rạc thông dụng
• 1.4. Biến đổi Wavelet Packet
• 1.4.1. Cơ sở Wavelet Packet
• 1.4.2. Biến đổi Wavelet Packet điều hòa
• 1.5. KẾT LUẬN CHƯƠNG 1
• 2. CHƯƠNG 2: Mạng Nơron
• 2.1. Mạng nơron sinh học và mạng nơron nhân tạo
• 2.1.1. Mạng nơron sinh học
• 2.1.2. Mạng nơron nhân tạo
• 2.1.3. Một số hàm truyền thường gặp
• 2.2. Kiến trúc của mạng Nơron
• 2.2.1. Phân loại mạng nơron
• 2.2.2. Một số kiểu kiến trúc mạng nơron
• 2.3. Huấn luyện mạng Nơron
• 2.3.1. Các phương pháp học của mạng nơron
• 2.3.2. Thuật toán lan truyền ngược
• 2.4. Wavelet Neural Networks
• 2.5. KẾT LUẬN CHƯƠNG 2
• 3. CHƯƠNG 3: PHÁT HIỆN VẾT NỨT BÁNH RĂNG NHỜ WAVELET NEURAL NETWORKS
• 3.1. Các dạng hư hỏng chủ yếu của bánh răng
• 3.1.1. Mòn
• 3.1.2. Dính, rỗ, tróc răng
• 3.1.3. Nứt, gãy chân răng và mẻ đỉnh răng
• 3.1.4. Tróc mỏi bề mặt
• 3.1.5. Lỗi chế tạo
• 3.2. Mô hình thí nghiệm
• 3.3. Phát hiện vết nứt bánh răng bằng phân tích tín hiệu trong miền thời gian, tần số
• 3.3.1. Phân tích tín hiệu trong miền thời gian
• 3.3.2. Phân tích tín hiệu trong miền tần số
• 3.4. Nhận dạng vết nứt bánh răng nhờ Wavelet Neural Networks
• 3.4.1. Đồng bộ hóa tín hiệu
• 3.4.2. Phân tích Wavelet Packet
• 3.4.3. Mô hình mạng Neural trong nhận dạng vết nứt bánh răng
• 3.4.4. Nhận dạng vết nứt bánh răng nhờ Wavelet Neural Networks
• 3.5. KẾT LUẬN CHƯƠNG 3
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tại sao Nhận dạng Vết nứt Bánh răng là Cực kỳ Quan trọng cho Máy móc

Hoạt động của máy móc công nghiệp phụ thuộc rất lớn vào độ tin cậy của các bộ phận cấu thành. Trong số đó, bánh răng đóng vai trò then chốt trong các hệ thống truyền động, đặc biệt là trong hộp số công nghiệp. Tuy nhiên, các bộ phận này dễ bị hao mòn và hư hỏng, trong đó vết nứt bánh răng là một trong những mối đe dọa nghiêm trọng nhất. Hư hỏng này có thể nhanh chóng leo thang, dẫn đến sự cố máy móc thảm khốc, thời gian ngừng hoạt động tốn kém và rủi ro an toàn đáng kể. Do đó, khả năng thực hiện nhận dạng vết nứt bánh răng một cách chính xác và kịp thời là yêu cầu cấp thiết.

Chẩn đoán kỹ thuật đã trở thành một lĩnh vực khoa học quan trọng, tập trung vào việc xác định tình trạng hoạt động của máy móc và thiết bị. Mục tiêu chính là chuyển đổi từ mô hình bảo trì phản ứng sang bảo trì dự đoán, nơi các hư hỏng được phát hiện trước khi chúng gây ra hậu quả nghiêm trọng. Kỹ thuật giám sát tình trạng máy móc thông qua phân tích tín hiệu rung động đóng vai trò trung tâm trong nỗ lực này. Nó cung cấp dữ liệu quý giá về các bất thường tiềm ẩn, giúp các kỹ sư đưa ra quyết định bảo trì kịp thời. Tuy nhiên, việc xử lý và giải thích các tín hiệu này đòi hỏi những phương pháp phân tích tiên tiến, đặc biệt khi đối phó với những hư hỏng tinh vi như vết nứt chân răng.

Các phương pháp truyền thống, chủ yếu dựa vào phân tích trong miền thời gian và tần số, thường gặp khó khăn trong việc phát hiện lỗi sớm các lỗi nhỏ hoặc lỗi phát triển nhanh chóng. Chúng có thể bỏ lỡ các dấu hiệu ban đầu của hư hỏng bánh răng, dẫn đến việc chẩn đoán chậm trễ và tăng rủi ro. Chính vì vậy, nhu cầu về một kỹ thuật chẩn đoán mạnh mẽ hơn, có khả năng cung cấp thông tin toàn diện và chính xác hơn, đã thúc đẩy sự phát triển của các phương pháp xử lý tín hiệu số mới, trong đó biến đổi Wavelet nổi bật như một giải pháp đầy hứa hẹn. Kỹ thuật này mở ra cánh cửa cho việc phát hiện lỗi sớm, từ đó nâng cao an toàn vận hành máy và tối ưu hóa hiệu quả sản xuất. (Hà Trung Kiên, 2014)

1.1. Tầm quan trọng của Chẩn đoán Hư hỏng Bánh răng truyền động

Bánh răng truyền động là trái tim của nhiều hệ thống máy móc, từ các thiết bị nhỏ đến hộp số công nghiệp quy mô lớn. Hoạt động liên tục dưới tải trọng cao và điều kiện khắc nghiệt khiến chúng dễ bị hư hỏng bánh răng, đặc biệt là vết nứt chân răng. Những vết nứt này ban đầu có thể nhỏ, khó nhận biết, nhưng chúng sẽ nhanh chóng lan rộng, gây ra sự suy giảm nghiêm trọng về hiệu suất và cuối cùng là hỏng hóc hoàn toàn. Việc chẩn đoán hư hỏng bánh răng kịp thời không chỉ ngăn ngừa thiệt hại kinh tế do dừng máy ngoài ý muốn mà còn đảm bảo an toàn vận hành máy. Một chiến lược bảo trì dự đoán hiệu quả, dựa trên giám sát tình trạng máy móc liên tục, là chìa khóa để kéo dài tuổi thọ thiết bị và tối ưu hóa chi phí vận hành. Công nghệ nhận dạng vết nứt bánh răng tiên tiến trở thành một công cụ không thể thiếu. (Hà Trung Kiên, 2014)

1.2. Hạn chế các Phương pháp truyền thống Miền thời gian tần số

Trong quá khứ, việc chẩn đoán hư hỏng bánh răng thường dựa vào phân tích tín hiệu trong miền thời gian hoặc phân tích tín hiệu trong miền tần số (phép biến đổi Fourier). Tuy nhiên, mỗi phương pháp đều có những hạn chế cố hữu. Phân tích tín hiệu trong miền thời gian giúp xác định thời điểm xảy ra dao động nhưng lại khó đoán định tần số và chẩn đoán loại hư hỏng. Ngược lại, phân tích tín hiệu trong miền tần số (phổ tần số) nhận dạng được tần số nhưng lại mất đi thông tin về thời gian xảy ra sự kiện (Hà Trung Kiên, 2014). Điều này đặc biệt bất lợi khi cần phát hiện lỗi sớm các vết nứt bánh răng do chúng thường phát ra tín hiệu không ổn định, biến đổi theo thời gian. Sự thiếu hụt thông tin đồng thời về thời gian và tần số khiến các phương pháp này không đủ mạnh mẽ để giải quyết các thách thức phức tạp trong nhận dạng vết nứt bánh răng, đặc biệt trong môi trường hộp số công nghiệp nhiều nhiễu.

II. Thách thức Phát hiện Lỗi sớm Vết nứt Bánh răng Giải pháp nào

Việc phát hiện lỗi sớm các vết nứt bánh răng mang lại giá trị to lớn cho bảo trì dự đoán và an toàn vận hành máy. Tuy nhiên, đây là một thách thức không hề nhỏ đối với các kỹ thuật chẩn đoán. Lý do chính nằm ở bản chất phức tạp của tín hiệu rung động được sinh ra từ các hư hỏng ban đầu. Khi một vết nứt chân răng mới hình thành, nó chỉ tạo ra những biến đổi nhỏ, cục bộ trong tín hiệu. Những thay đổi này thường bị che khuất bởi nhiễu nền hoặc các thành phần rung động khác từ hoạt động bình thường của máy móc. Do đó, việc tách biệt và nhận diện những dấu hiệu đặc trưng của vết nứt trở nên khó khăn.

Các hệ thống giám sát tình trạng máy móc hiện đại sử dụng công nghệ sensor để thu thập dữ liệu rung động liên tục. Dù vậy, chất lượng tín hiệu thô vẫn là một yếu tố then chốt. Nhiễu điện từ, rung động từ các nguồn lân cận, hoặc thậm chí là sự biến đổi tải trọng hoạt động đều có thể làm méo mó tín hiệu thu được, gây khó khăn cho quá trình xử lý tín hiệu số. Phương pháp nhận dạng vết nứt bánh răng cần phải có khả năng khử nhiễu Wavelet hiệu quả và phân tích đặc trưng Wavelet một cách tinh vi để vượt qua những trở ngại này.

Thách thức không chỉ dừng lại ở việc thu thập và tiền xử lý tín hiệu. Ngay cả khi tín hiệu đã được làm sạch, việc trích xuất các đặc trưng đủ mạnh và rõ ràng để đại diện cho vết nứt bánh răng vẫn là một vấn đề. Các phương pháp dựa trên phân tích tần số thời gian truyền thống có thể không cung cấp đủ độ phân giải cần thiết ở cả hai miền, dẫn đến việc bỏ sót thông tin quan trọng. Điều này nhấn mạnh nhu cầu về một công cụ phân tích tiên tiến hơn như biến đổi Wavelet, có thể nắm bắt được tính cục bộ của các sự kiện bất thường trong tín hiệu, mở đường cho các giải pháp học máy trong chẩn đoán để tăng cường khả năng nhận dạng vết nứt bánh răng hiệu quả hơn. (Hà Trung Kiên, 2014)

2.1. Bản chất Phức tạp của Tín hiệu Rung động từ Hư hỏng Bánh răng

Tín hiệu rung động được tạo ra bởi hư hỏng bánh răng thường có bản chất phức tạp và phi tuyến tính. Đặc biệt, khi một vết nứt chân răng mới xuất hiện, nó gây ra những xung động ngắn hạn, không tuần hoàn, có biên độ nhỏ và nằm xen kẽ trong phổ tần số rộng của hoạt động bình thường. Các bánh răng truyền động trong hộp số công nghiệp còn chịu ảnh hưởng của nhiều yếu tố như tải trọng thay đổi, tốc độ quay không đều, và sự tương tác giữa các cặp bánh răng khác. Tất cả những yếu tố này làm cho tín hiệu rung động trở nên rất khó phân tích bằng các phương pháp phổ truyền thống. Việc nhận dạng vết nứt bánh răng yêu cầu một phương pháp xử lý tín hiệu số có khả năng phân tích đồng thời trong cả miền thời gian và tần số để nắm bắt được các sự kiện cục bộ này. (Hà Trung Kiên, 2014)

2.2. Nhiễu và Khó khăn trong Trích xuất Đặc trưng Vết nứt chân răng

Trong môi trường công nghiệp, tín hiệu rung động thu được từ công nghệ sensor luôn chứa đựng một lượng lớn nhiễu, bao gồm nhiễu điện, nhiễu môi trường, và nhiễu từ các nguồn rung động khác trong máy. Lớp nhiễu này làm giảm đáng kể khả năng phát hiện lỗi sớm các dấu hiệu tinh tế của vết nứt bánh răng. Các phương pháp xử lý tín hiệu số truyền thống thường gặp khó khăn trong việc khử nhiễu Wavelet hiệu quả mà không làm mất đi thông tin quan trọng về vết nứt. Hơn nữa, việc trích xuất các phân tích đặc trưng Wavelet rõ ràng và đáng tin cậy từ tín hiệu bị nhiễu là một thách thức lớn. Các đặc trưng này phải đủ nhạy để chỉ ra sự hiện diện của vết nứt chân răng nhưng cũng phải đủ mạnh để không bị ảnh hưởng bởi nhiễu, đòi hỏi một kỹ thuật chẩn đoán tiên tiến hơn để giải quyết hiệu quả vấn đề này trong nhận dạng vết nứt bánh răng. (Hà Trung Kiên, 2014)

III. Phương pháp Biến đổi Wavelet Cách Nhận dạng Vết nứt Bánh răng hiệu quả

Biến đổi Wavelet đã nổi lên như một công cụ mạnh mẽ trong xử lý tín hiệu số, đặc biệt trong lĩnh vực chẩn đoán hư hỏng bánh răng. Khác với phép biến đổi Fourier truyền thống chỉ phân tích tín hiệu trong miền tần số, Wavelet cho phép phân tích tần số thời gian đồng thời. Điều này có nghĩa là nó có thể xác định cả khi nào một sự kiện xảy ra và thành phần tần số của sự kiện đó, một khả năng cực kỳ quan trọng đối với nhận dạng vết nứt bánh răng. Wavelet giải quyết hạn chế của các phương pháp cũ bằng cách sử dụng các hàm cơ sở (wavelet) có độ dài thay đổi, cho phép phân tích các thành phần tần số cao với độ phân giải thời gian tốt và các thành phần tần số thấp với độ phân giải tần số tốt.

Nguyên lý cơ bản của biến đổi Wavelet dựa trên việc biến đổi tín hiệu x(t) thành hàm hai biến (thời gian và tỉ lệ), từ đó tạo ra một bản đồ chi tiết về sự phân bố năng lượng tín hiệu theo cả hai trục. Điều này đặc biệt hữu ích cho phát hiện lỗi sớm các vết nứt chân răng, vốn thường tạo ra các tín hiệu xung ngắn, không ổn định trong miền thời gian nhưng lại thể hiện rõ rệt ở các dải tần số cao. Khả năng khử nhiễu Wavelet cũng là một ưu điểm nổi bật, giúp làm sạch tín hiệu và làm nổi bật các đặc trưng lỗi ẩn giấu.

Có nhiều loại biến đổi Wavelet, bao gồm Biến đổi Wavelet Liên tục (CWT) và Biến đổi Wavelet Rời rạc (DWT), cùng với các biến thể như Wavelet Packet (WPT) và Harmonic Wavelet Packet (HWPT). Mỗi loại đều có những ưu điểm riêng và được ứng dụng linh hoạt tùy thuộc vào đặc điểm của tín hiệu rung động và yêu cầu của bài toán chẩn đoán hư hỏng bánh răng. Việc lựa chọn hàm wavelet cơ sở phù hợp (như Haar, Daubechies, Coiflet, Symlet) cũng đóng vai trò quan trọng trong hiệu quả của quá trình phân tích Wavelet. Phương pháp này không chỉ cải thiện độ chính xác trong nhận dạng vết nứt bánh răng mà còn cung cấp cơ sở vững chắc cho các hệ thống giám sát tình trạng máy móc thông minh hơn. (Hà Trung Kiên, 2014)

3.1. Wavelet là gì So sánh với Phân tích Fourier truyền thống

Biến đổi Wavelet là một kỹ thuật chẩn đoán tiên tiến, cho phép phân tích tần số thời gian của tín hiệu, khắc phục hạn chế của phép biến đổi Fourier chỉ phân tích trong miền tần số. Fourier sử dụng các hàm sin/cos có độ dài vô hạn, phù hợp với tín hiệu ổn định nhưng kém hiệu quả với các tín hiệu không ổn định, cục bộ như từ vết nứt bánh răng. Ngược lại, phân tích Wavelet sử dụng các “wavelet” (sóng nhỏ) có độ dài hữu hạn, có thể co giãn và dịch chuyển theo tín hiệu. Điều này cho phép Wavelet “phóng to” các chi tiết cục bộ ở tần số cao và “thu nhỏ” để xem xét tổng thể ở tần số thấp. Khả năng này cực kỳ quan trọng để phát hiện lỗi sớm các sự kiện thoáng qua, đột ngột trong tín hiệu rung động, vốn là dấu hiệu của hư hỏng bánh răng. (Hà Trung Kiên, 2014)

3.2. Biến đổi Wavelet rời rạc DWT và Phân tích đa phân giải

Biến đổi Wavelet rời rạc (DWT) là một dạng của biến đổi Wavelet được tối ưu hóa cho tính toán số học, đặc biệt hữu ích trong xử lý tín hiệu số. DWT thực hiện quá trình phân tích đa phân giải (Multiresolution Analysis – MRA), chia tín hiệu ban đầu thành các thành phần xấp xỉ thô (tần số thấp) và các thành phần chi tiết (tần số cao) ở các cấp độ phân giải khác nhau. Quá trình này được lặp lại cho thành phần xấp xỉ ở mỗi cấp, tạo ra một cấu trúc cây phân tích. Các hệ số Wavelet thu được từ DWT chính là phân tích đặc trưng Wavelet quan trọng, phản ánh các thay đổi cục bộ trong tín hiệu rung động. Đối với nhận dạng vết nứt bánh răng, DWT cho phép cô lập các tín hiệu liên quan đến vết nứt khỏi nhiễu và các thành phần khác, từ đó tạo tiền đề cho việc phát hiện lỗi sớm và chẩn đoán hư hỏng bánh răng chính xác hơn. Thuật giải Mallat là nền tảng cho việc tính toán DWT hiệu quả. (Hà Trung Kiên, 2014)

3.3. Tối ưu hóa Phát hiện Vết nứt bằng Wavelet Packet WPT

Trong khi DWT chỉ phân tích tiếp thành phần xấp xỉ (tần số thấp), Wavelet Packet Transform (WPT) mở rộng khả năng phân tích Wavelet bằng cách tiếp tục phân tích cả thành phần chi tiết (tần số cao). Điều này tạo ra một phân tích tín hiệu toàn diện hơn, không bỏ sót thông tin quan trọng nào ở bất kỳ dải tần số nào. Đối với nhận dạng vết nứt bánh răng, nơi vết nứt chân răng có thể tạo ra các đặc trưng ở nhiều dải tần số khác nhau, WPT mang lại lợi ích đáng kể. Nó giúp trích xuất các phân tích đặc trưng Wavelet chi tiết hơn, cải thiện khả năng phát hiện lỗi sớm. WPT đặc biệt hữu ích khi cần phân tích sâu các sự kiện cục bộ, không ổn định trong tín hiệu rung động, vốn là dấu hiệu của hư hỏng bánh răng. Phương pháp này tối ưu hóa việc xử lý tín hiệu số để đạt được độ chính xác cao nhất. (Hà Trung Kiên, 2014)

IV. Bí quyết Nhận dạng Vết nứt Bánh răng Kết hợp Wavelet và Học máy

Để nâng cao hơn nữa hiệu quả của việc nhận dạng vết nứt bánh răng, việc kết hợp biến đổi Wavelet với các kỹ thuật học máy trong chẩn đoán là một hướng đi đầy hứa hẹn. Wavelet, như đã đề cập, xuất sắc trong việc xử lý tín hiệu số và trích xuất các phân tích đặc trưng Wavelet mạnh mẽ từ tín hiệu rung động. Tuy nhiên, việc diễn giải trực tiếp các đặc trưng này để đưa ra quyết định chẩn đoán vẫn có thể phức tạp. Đây là lúc học máy trong chẩn đoán, đặc biệt là Mạng Nơron Nhân tạo (ANN), phát huy vai trò của mình. ANN có khả năng học hỏi từ dữ liệu phức tạp và tự động nhận diện các mẫu liên quan đến các dạng hư hỏng bánh răng khác nhau, bao gồm cả vết nứt chân răng.

Sự kết hợp giữa Wavelet và ANN tạo thành một hệ thống chẩn đoán thông minh, thường được gọi là Wavelet Neural Networks (WNN). Trong mô hình này, phân tích Wavelet đóng vai trò là tiền xử lý tín hiệu và trích xuất đặc trưng. Các hệ số Wavelet (ví dụ từ DWT hoặc WPT) trở thành đầu vào cho mạng nơron. Mạng nơron sau đó được huấn luyện để phân loại mẫu các trạng thái của bánh răng (bình thường, mòn, nứt gãy). Phương pháp này tận dụng khả năng của Wavelet trong việc nắm bắt các đặc trưng tần số-thời gian cục bộ và khả năng của ANN trong việc học các mối quan hệ phi tuyến phức tạp giữa các đặc trưng và trạng thái hư hỏng.

Việc áp dụng học máy trong chẩn đoán cho phép hệ thống tự động hóa quá trình nhận dạng vết nứt bánh răng, giảm thiểu sự phụ thuộc vào kinh nghiệm của chuyên gia và tăng cường độ tin cậy. Mô hình WNN đã được chứng minh là có khả năng phát hiện lỗi sớm các hư hỏng bánh răng với độ chính xác cao, đóng góp quan trọng vào giám sát tình trạng máy móc và các chiến lược bảo trì dự đoán hiệu quả. (Hà Trung Kiên, 2014)

4.1. Vai trò của Trích xuất Đặc trưng Wavelet cho Học máy

Để học máy trong chẩn đoán có thể hoạt động hiệu quả, cần có các đặc trưng đầu vào chất lượng cao. Biến đổi Wavelet là một công cụ lý tưởng để thực hiện nhiệm vụ này. Nó không chỉ giúp khử nhiễu Wavelet hiệu quả mà còn trích xuất các phân tích đặc trưng Wavelet phản ánh rõ ràng các biến đổi cục bộ trong tín hiệu rung động do vết nứt bánh răng gây ra. Các hệ số Wavelet ở các cấp độ phân giải khác nhau cung cấp một cái nhìn đa chiều về tín hiệu, nắm bắt được cả thông tin về thời gian và tần số của các sự kiện bất thường. Những đặc trưng này sau đó được sử dụng làm đầu vào cho các thuật toán học máy, giúp mạng nơron dễ dàng nhận diện và phân loại mẫu các dạng hư hỏng bánh răng, đặc biệt là vết nứt chân răng, từ đó nâng cao độ chính xác của quá trình nhận dạng vết nứt bánh răng. (Hà Trung Kiên, 2014)

4.2. Xây dựng Mô hình Wavelet Neural Networks WNN hiệu quả

Mô hình Wavelet Neural Networks (WNN) là sự kết hợp thông minh giữa khả năng phân tích Wavelet và mạng nơron nhân tạo. Cấu trúc WNN điển hình sử dụng các hệ số Wavelet đã trích xuất làm đầu vào cho mạng nơron truyền thẳng đa lớp (MLP). Trong luận văn của Hà Trung Kiên (2014), mô hình MLP được sử dụng, kết hợp với các giá trị từ quá trình phân tích Wavelet Packet. Việc xây dựng một mô hình WNN hiệu quả đòi hỏi việc lựa chọn hàm wavelet cơ sở phù hợp, xác định số lượng cấp phân giải Wavelet tối ưu và thiết kế kiến trúc mạng nơron (số lớp ẩn, số nơron mỗi lớp, hàm truyền) một cách cẩn thận. Mục tiêu là tạo ra một hệ thống có khả năng học và tổng quát hóa tốt, giúp nhận dạng vết nứt bánh răng chính xác ngay cả với dữ liệu chưa từng gặp. Điều này mở ra tiềm năng lớn cho giám sát tình trạng máy móc thông minh hơn.

4.3. Huấn luyện và Đánh giá Khả năng Nhận dạng Vết nứt

Quá trình huấn luyện mạng nơron trong WNN là một bước quan trọng trong kỹ thuật chẩn đoán. Các dữ liệu rung động từ bánh răng ở các trạng thái khác nhau (bình thường, mòn, có vết nứt bánh răng) được thu thập, tiền xử lý bằng biến đổi Wavelet để trích xuất các đặc trưng. Sau đó, những đặc trưng này cùng với nhãn trạng thái hư hỏng tương ứng được đưa vào để huấn luyện mạng nơron. Thuật toán lan truyền ngược (Backpropagation) thường được sử dụng để điều chỉnh trọng số của mạng, giúp mạng học cách phân loại mẫu chính xác. Kết quả huấn luyện và kiểm tra của Hà Trung Kiên (2014) cho thấy mạng đạt độ chính xác cao (100%) trong việc nhận dạng các hư hỏng định trước. Việc đánh giá khả năng tổng quát hóa của mạng trên dữ liệu mới là yếu tố quyết định đến tính ứng dụng thực tế của hệ thống trong phát hiện lỗi sớm và bảo trì dự đoán.

V. Ứng dụng Thực tiễn Nhận dạng Vết nứt Bánh răng Nâng tầm Bảo trì

Khả năng nhận dạng vết nứt bánh răng bằng Wavelet kết hợp với học máy trong chẩn đoán mở ra những tiềm năng to lớn trong các ứng dụng thực tiễn, đặc biệt trong lĩnh vực giám sát tình trạng máy móc và bảo trì dự đoán. Các hệ thống hộp số công nghiệp thường hoạt động liên tục trong môi trường khắc nghiệt, việc xảy ra hư hỏng bánh răng, đặc biệt là vết nứt chân răng, là điều khó tránh khỏi. Với phương pháp Wavelet Neural Networks (WNN), các nhà máy có thể triển khai hệ thống chẩn đoán hư hỏng bánh răng tự động, giúp phát hiện lỗi sớm các dấu hiệu hư hỏng mà các phương pháp truyền thống khó nhận ra.

Việc áp dụng phương pháp này mang lại nhiều lợi ích kinh tế và kỹ thuật. Đầu tiên, nó giúp kéo dài tuổi thọ của thiết bị bằng cách cho phép can thiệp bảo trì kịp thời trước khi vết nứt trở nên nghiêm trọng. Điều này giảm thiểu đáng kể chi phí sửa chữa lớn và thay thế linh kiện. Thứ hai, khả năng giám sát tình trạng máy móc liên tục và chính xác góp phần tăng cường an toàn vận hành máy, giảm thiểu rủi ro sự cố bất ngờ gây thiệt hại cho nhân lực và tài sản. Cuối cùng, nó tối ưu hóa lịch trình bảo trì dự đoán, chuyển từ bảo trì định kỳ sang bảo trì theo tình trạng thực tế, giúp tiết kiệm thời gian và nguồn lực.

Các nghiên cứu như của Hà Trung Kiên (2014) đã chứng minh tính khả thi và hiệu quả của việc sử dụng biến đổi Wavelet và mạng nơron để nhận dạng vết nứt bánh răng thông qua phân tích tín hiệu rung động. Kết quả thực nghiệm cho thấy hệ thống có khả năng phân loại các trạng thái hư hỏng (bình thường, mòn nhẹ, mòn trung bình, gãy răng) với độ chính xác cao. Những bằng chứng này củng cố niềm tin vào tiềm năng ứng dụng rộng rãi của kỹ thuật chẩn đoán tiên tiến này trong các ngành công nghiệp đòi hỏi độ tin cậy cao, như năng lượng, sản xuất và vận tải. (Hà Trung Kiên, 2014)

5.1. Giám sát Tình trạng Bánh răng Hộp số Công nghiệp theo thời gian

Trong các hộp số công nghiệp, việc giám sát tình trạng máy móc liên tục là yếu tố sống còn để duy trì hoạt động ổn định. Phương pháp nhận dạng vết nứt bánh răng bằng Wavelet cung cấp một giải pháp mạnh mẽ để thực hiện điều này. Bằng cách triển khai công nghệ sensor thu thập tín hiệu rung động và sử dụng WNN để xử lý tín hiệu số, các nhà vận hành có thể theo dõi sự thay đổi của các phân tích đặc trưng Wavelet theo thời gian. Bất kỳ sự xuất hiện hay phát triển của vết nứt chân răng sẽ được hệ thống phát hiện và cảnh báo sớm. Điều này cho phép các kỹ sư lên kế hoạch bảo trì dự đoán một cách chủ động, thay thế linh kiện khi cần thiết thay vì chờ đợi sự cố xảy ra, từ đó đảm bảo an toàn vận hành máy và tối ưu hóa hiệu suất của bánh răng truyền động. (Hà Trung Kiên, 2014)

5.2. Kết quả Thực nghiệm Đánh giá Hiệu quả Phát hiện lỗi sớm

Luận văn của Hà Trung Kiên (2014) đã trình bày một mô hình thí nghiệm đo tín hiệu rung động của hộp số bánh răng với các dạng hư hỏng được định trước. Kết quả phân tích tín hiệu trong miền thời gian và phân tích tín hiệu trong miền tần số truyền thống cho thấy những hạn chế trong việc nhận dạng vết nứt bánh răng một cách rõ ràng. Tuy nhiên, khi áp dụng phương pháp Wavelet Neural Networks, hệ thống đã đạt được độ tin cậy cao trong việc phân loại các sai hỏng. Cụ thể, sau quá trình huấn luyện mạng nơron bằng các đặc trưng Wavelet Packet, kết quả kiểm tra cho thấy mạng có khả năng phát hiện lỗi sớm các vết nứt bánh răng với độ chính xác lên tới 100% đối với dữ liệu đã huấn luyện và kiểm tra. Điều này minh chứng cho ưu điểm vượt trội của việc kết hợp biến đổi Wavelet và học máy trong chẩn đoán trong kỹ thuật chẩn đoán hiện đại.

VI. Tương lai của Nhận dạng Vết nứt Bánh răng bằng Wavelet Hướng đi mới

Tổng kết lại, nhận dạng vết nứt bánh răng bằng Wavelet là một phương pháp đầy tiềm năng, giải quyết hiệu quả nhiều hạn chế của các kỹ thuật chẩn đoán truyền thống. Khả năng phân tích tần số thời gian đồng thời của biến đổi Wavelet cho phép phát hiện lỗi sớm các dấu hiệu tinh tế của vết nứt bánh răng và hư hỏng bánh răng khác mà các phương pháp phân tích miền thời gian hoặc tần số riêng lẻ thường bỏ sót. Khi được kết hợp với học máy trong chẩn đoán, đặc biệt là Mạng Nơron Nhân tạo (ANN), hệ thống trở nên thông minh và tự động hơn trong việc phân loại mẫu hư hỏng, góp phần quan trọng vào giám sát tình trạng máy móc và bảo trì dự đoán hiệu quả.

Hướng phát triển trong tương lai của nhận dạng vết nứt bánh răng bằng Wavelet sẽ tập trung vào việc tích hợp các công nghệ tiên tiến hơn. Việc sử dụng công nghệ sensor không dây và các hệ thống Internet of Things (IoT) sẽ cho phép thu thập tín hiệu rung động liên tục từ các bánh răng truyền động và hộp số công nghiệp theo thời gian thực. Điều này tạo ra một lượng dữ liệu khổng lồ, đòi hỏi các thuật toán xử lý tín hiệu số và phân tích Wavelet ngày càng mạnh mẽ và hiệu quả hơn. Nghiên cứu cũng sẽ tập trung vào việc tự động hóa hoàn toàn quá trình từ thu thập dữ liệu, khử nhiễu Wavelet, phân tích đặc trưng Wavelet, đến chẩn đoán bằng các mô hình học máy tiên tiến như học sâu (Deep Learning).

Ngoài ra, việc phát triển các hàm Wavelet cơ sở chuyên biệt cho từng loại hư hỏng bánh răng và điều kiện vận hành cụ thể sẽ tối ưu hóa khả năng nhận dạng vết nứt bánh răng. Mục tiêu cuối cùng là xây dựng các hệ thống chẩn đoán kỹ thuật có khả năng tự học, tự thích nghi và cung cấp thông tin chính xác, kịp thời để đảm bảo an toàn vận hành máy và tối đa hóa năng suất trong mọi ngành công nghiệp. (Hà Trung Kiên, 2014)

6.1. Tổng kết Ưu điểm của Wavelet trong Chẩn đoán Hư hỏng Bánh răng

Biến đổi Wavelet mang lại nhiều ưu điểm vượt trội trong chẩn đoán hư hỏng bánh răng so với các phương pháp truyền thống. Khả năng phân tích tần số thời gian của nó cho phép nhận diện các sự kiện cục bộ, không ổn định trong tín hiệu rung động mà các phương pháp khác khó phát hiện. Điều này đặc biệt quan trọng để phát hiện lỗi sớm các vết nứt bánh răng và vết nứt chân răng. Wavelet cũng hiệu quả trong việc khử nhiễu Wavelet, làm sạch tín hiệu để trích xuất các phân tích đặc trưng Wavelet rõ ràng hơn. Sự linh hoạt trong lựa chọn hàm wavelet và khả năng phân tích đa phân giải (DWT, WPT) giúp tùy chỉnh quá trình xử lý tín hiệu số cho từng loại hư hỏng và điều kiện vận hành, từ đó nâng cao độ chính xác và độ tin cậy của toàn bộ kỹ thuật chẩn đoán trong nhận dạng vết nứt bánh răng. (Hà Trung Kiên, 2014)

6.2. Hướng phát triển Tích hợp Công nghệ Sensor và IoT

Tương lai của nhận dạng vết nứt bánh răng bằng Wavelet sẽ gắn liền với sự phát triển của công nghệ sensor và Internet of Things (IoT). Việc tích hợp các cảm biến không dây thông minh, có khả năng thu thập tín hiệu rung động liên tục và truyền dữ liệu theo thời gian thực, sẽ tạo ra một luồng thông tin khổng lồ từ các bánh răng truyền động và hộp số công nghiệp. Dữ liệu này sau đó có thể được gửi đến các hệ thống đám mây để xử lý tín hiệu số bằng biến đổi Wavelet và phân tích bằng các thuật toán học máy trong chẩn đoán tiên tiến. Hướng đi này không chỉ tối ưu hóa quy trình giám sát tình trạng máy móc và bảo trì dự đoán mà còn mở ra khả năng xây dựng các hệ thống kỹ thuật chẩn đoán tự động, thông minh, có khả năng tự học và đưa ra quyết định gần như ngay lập tức, đảm bảo an toàn vận hành máy ở mức cao nhất. (Hà Trung Kiên, 2014)

Trích đoạn nội dung tài liệu

Chương 1: “Cơ sở phép biến đổi Wavelet rời rạc” trình bày cơ sở phép biến đổi Fourier, các phép biến đổi Wavelet và ứng dụng của các phép biến đổi đó trong việc phân tích tín hiệu số. Luận văn trình bày cụ thể cơ sở toán học của phép biến đổi Wavele rời rạc, phép biến đổi Wavelet Packet, Harmonic Wavelet Packet đƣợc sử dụng để xử lý tín hiệu, kết quả của quá trình phân tích này là đầu vào cho mạng nơron. Chương 2: “Mạng Nơron” trình bày cơ sở về mạng nơron, cấu tạo, cấu trúc mạng nơron, các phƣơng pháp học của mạng nơron. Mạng nơron đƣợc sử dụng phổ biến là mạng nơron truyền thẳng đa lớp MLP, với thuật toán học là thuật toán lan truyền ngƣợc.

Bên cạnh đó trình bày mạng Wavelet neural networks, mạng này là sự kết hợp giữa mạng nơron truyền thẳng MLP với đầu vào là giá trị của quá trình phân tích tín hiệu bằng Wavelet packet, mạng đƣợc ứng dụng trong chẩn đoán vết nứt, hƣ hỏng bánh răng. Chương 3: “Phát hiện vết nứt bánh răng nhờ Wavelet neural networks” trình bày các dạng hƣ hỏng chủ yếu của bánh răng, mô hình thí nghiệm đo tín hiệu dao động của hộp số bánh răng với các dạng hỏng đƣợc định trƣớc. Chƣơng này cũng trình bày kết quả phân tích tín hiệu trong miền thời gian, miền tần số, cho thấy đƣợc những hạn chế của các phép phân tích tín hiệu trên trong nhận dạng hƣ hỏng bánh răng, từ đó đƣa ra chẩn đoán tình trạng bánh răng bằng Wavelet neural networks. Với việc trình bày trình tự các bƣớc xử lý, phân tích tín hiệu, nhận dạng bằng Wavelet neural networks, kết quả thu đƣợc là tin cậy, đúng với các sai hỏng định trƣớc có thể thấy đƣợc ƣu điểm và khả năng ứng dụng của phƣơng pháp trong thực tiễn sản xuất.

Luận văn đƣợc thực hiện tại Bộ môn Cơ học ứng dụng- Viện Cơ Khí- Đại học Bách Khoa Hà Nội dƣới sự hƣớng dẫn tận tình của PGS.TS Nguyễn Phong Điền. 12 download by : [e-mail] Tác giả xin cảm ơn thầy đã hƣớng dẫn, cung cấp những kiến thức quan trọng, quý giá giúp tác giả có thể hoàn thành luận văn này. Hà Nội, ngày tháng 11 năm 2014 Học viên thực hiện: Hà Trung Kiên 13 download by : [e-mail] CHƢƠNG I CƠ SỞ PHÉP BIẾN ĐỔI WAVELET RỜI RẠC Các phép biến đổi tín hiệu với mục đích tái hiện tín hiệu theo một dạng khác mà không làm thay đổi các thông tin tín hiệu đó ẩn chứa. Cùng một tín hiệu, mỗi cách biến đổi khác nhau sẽ đƣa ra những cách nhìn khác nhau về tín hiệu đó.

Qua đó, những thông tin ẩn chứa trong tín hiệu sẽ đƣợc khai thác và phản ánh hiện trạng của đối tƣợng sinh ra tín hiệu. Có nhiều phƣơng pháp biểu diễn tín hiệu: biểu diễn trong miền thời gian, trong miền tần số và trong miền thời gian- tần số. Ƣu điểm của việc mô tả tín hiệu trong miền thời gian là tính toán tƣơng đối đơn giản, có thể xác định đƣợc các thời điểm xảy ra dao động. Tuy nhiên việc mô tả này lại có nhƣợc điểm là khó đoán biết tần số và khó chẩn đoán.

Việc mô tả tín hiệu trong miền tần số (phân tích phổ) cho phép nhận dạng tần số của tín hiệu nhƣng lại làm mất thông tin về thời gian (ví dụ nhƣ thời điểm xảy ra một hiện tƣợng, khoảng thời gian rung động…). Nhƣ vậy, việc mô tả tín hiệu riêng rẽ trong miền thời gian và trong miền tần số đều có những hạn chế nhất định. Để khắc phục những hạn chế trên, việc mô tả tín hiệu trong miền thời gian - tần số (Time - Frequency Analysis) đã đƣợc đề ra. Cách mô tả tín hiệu này thỏa mãn các yêu cầu của ngành chẩn đoán kĩ thuật là phải thể hiện đƣợc những thông tin về tần số, thời điểm và biên độ của các thành phần tín hiệu.

Wavelet packet là một trong những công cụ để phân tích tín hiệu trong miền thời gian- tần số.1 Phép biến đổi Fourier Phép biến đổi Fourier[1] đƣợc xây dựng trên nền tảng chuỗi Fourier, một hàm tuần hoàn x(t) có chu kỳ T bất kỳ có thể đƣợc khai triển thành tổng của các hàm điều hòa dƣới dạng:   x(t )  xk (t) a0 ( ak cos( kt )  bk sin( k t )) (1.1) k 0 k 1 14 download by : [e-mail] Trong đó, các hệ số 𝑎 0 , 𝑎 𝑘, 𝑏𝑘 đƣợc gọi là các hệ số Fourier và đƣợc xác định: T 1 a0   x(t ) dt (1.4) T0 Ta sử dụng những ký hiệu sau: 1 a a 0  A0 ; Ak  ak2 bk2 ; k arctan k ; fk  k (1.5) 2 bk Khi đó biểu thức (1.1) đƣợc viết lại:  1  x(t )  xk (t)  Ao Ak .6) còn đƣợc gọi là chuỗi Fourier thực một phía, do các tần số f k có giá trị dƣơng và các biên độ Ak nhận các giá trị là số thực. Tần số f1 1/ T (ứng với k=1) đƣợc gọi là tần số cơ bản, các tần số khác có trị số f k k. f1 với k là số nguyên dƣơng. Thành phần A0 / 2 ứng với tần số f 0 0 là hằng số.

Các hàm điều hòa có biên độ Ak và tần số f k đƣợc gọi là điều hòa bậc k. Trong trƣờng hợp tổng quát, hàm x(t) có giá trị phức, ta có dạng biểu diễn khác của chuỗi Fourier: 1  1 x(t)= A0  Ak .t k) ) 2 k 1 2 15 download by : skknchat@gmail.7) k2 k  trong đó j là đơn vị ảo.7) đƣợc gọi là chuỗi Fourier phức hai phía, do các tần số f k nhận j các giá trị trên toàn trục số (-∞.+∞) và các biên độ X k  Ak e k có giá trị phức. Đây là công thức đƣợc sử dụng trong tính toán chuỗi Fourier, đặc biệt trong các phần mềm tính toán hiện nay. Tuy nhiên, chỉ các tần số dƣơng mới đƣợc sử dụng để phân tích dao động trong các ứng dụng thực tế.

Trong trƣờng hợp tổng quát, với tín hiệu x(t) có thể tuần hoàn hoặc không tuần hoàn, phép biến đổi Fourier (FT) là một công cụ toán học quan trọng để biến đổi tín hiệu x(t) trong miền thời gian t sang miền tần số f :  FT x(t ) X ( f ) x(t )e j 2 ft dt (1.8)  Việc chuyển đổi tín hiệu X(f) trong miền tần số sang miền thời gian đƣợc thực hiện bởi phép biến đổi Fourier ngƣợc (iFT)  iFT X ( f )  x (t ) X ( f ).9)  Phép biến đổi Fourier có một số tính chất quan trọng sau:  Phép biến đổi Fourier là phép biến đổi tuyến tính, tức : FT a1 x1 (t ) a2 x2 (t ) a1FT x1 (t )  a2 FT x2 (t ) (1.11) 16 download by : [e-mail]  Nếu tín hiệu g(t)= x(t-t0 ) với t0 là hằng số, ta có quan hệ trong miền tần số: G ( f ) e j.13) Phổ tần số X(f) của tín hiệu x(t) cho phép ta xác định đƣợc các thành phần tần số chứa trong tín hiệu.8) ta có thể biểu diễn X(f) dƣới dạng phổ hai phía, gồm các tần số âm và các tần số dƣơng. Trong thực tế, ta chỉ giữ lại các thành phần tần số dƣơng để biểu diễn đồ thị phổ tần số. 1: Phổ tần số- biên độ của một tín hiệu điều biến biên độ có A1 20, A2 25 f1 10, f 2 50( Hz ) 1.2 Biến đổi Wavelet liên tục Phân tích tín hiệu trong miền thời gian (hoặc tần số) chỉ cung cấp cho ta các thông tin của tín hiệu chỉ duy nhất trong miền thời gian (hoặc tần số). Phép biến đổi Wavelet (Wavelet Transform - WT), trong đó có phép biến đổi Wavelet liên tục (Continuous Wavelet Transform- CWT) [2] [6] là phép biến đổi trong miền thời gian- tần số.

Phép biến đổi này đƣợc phát triển để khắc phục những thiếu sót của 17 download by : [e-mail] phép biến đổi Fourier, từ đó cho ta thấy đƣợc rõ hơn các thông tin chứa trong tín hiệu đồng thời trong miền thời gian và tần số.1 Phép biến đổi Wavelet liên tục Xét phép biến đổi Fourier của một hàm tín hiệu x(t) đƣợc phân tích thành tổng của các hàm điều hòa phức: 1  FT x (t ) X ( f )   x (t )e j 2 ftdt (1. Một cách tƣơng tự, phép biến đổi Wavelet sử dụng các hàm trong đó j   Wavelet cơ sở. Một hàm theo biến thời gian  (t ) đƣợc gọi là một hàm Wavelet cơ sở nếu thỏa mãn điều kiện sau: 1    2  2  (t ) dt  1 , = (t )dt 0 (1.15)     là biến đổi Fourier của  (t). Các hàm Wavelet đƣợc tạo ra từ Wavelet cơ sở với các biến tỉ lệ s, và hệ số dịch chuyển τ theo hệ thức sau: -1 t - ,s (t ) s ( 2 ) s , R  (1.16) s Biến đổi Wavelet của một tín hiệu dao động x(t) đƣợc định nghĩa dƣới dạng các hàm Wavelet: 1  CWTx ( s,)  x (t ), ,s (t ) s x(t )  ( t 2 *  (1.17), tín hiệu x(t) đƣợc biến đổi thành hàm của hai biến s và τ.

Bằng cách thay đổi hệ số tỷ lệ s và dịch chuyển hàm 18 download by : [e-mail] Wavelet dọc theo thời gian một lƣợng τ, hệ số Wavelet CWTx (s ,) có thể tạo ra một đồ thị trong không gian ba chiều biểu diễn sự thay đổi biên độ của tín hiệu đồng thời theo trục thời gian (tỷ lệ với τ) và theo trục tần số (tỷ lệ với s), còn gọi là phân bố thời gian- tần số của tín hiệu. Một Wavelet cơ sở thƣờng hay đƣợc sử dụng đó là hàm Morlet- Wavelet có dạng: 1 t 2  (t )   .18) với 0 là một tham số hằng và có ảnh hƣởng quyết định đến độ phân giải tần số của đồ thị biên độ tín hiệu trong miền thời gian- tần số. Thông thƣờng, giá trị của 0 nằm trong khoảng 5 o 20 khi phân tích tín hiệu dao động. Hàm Morlet- Wavelet tƣơng ứng với hai giá trị khác nhau của 𝜔 0 đƣợc biểu diễn nhƣ hình 1.

2: Hàm Morlet-Wavelet (phần thực) Một đặc điểm quan trọng của phép biến đổi Wavelet với hàm Morlet- Wavelet là hệ số tỷ lệ s có quan hệ với tần số f theo hệ thức: 0  2 02 f  (1.19) 4s t  Biến đổi Fourier của hàm g (t )  ( ) có dạng: s 19 download by : skknchat@gmail.20) Áp dụng công thức (1.20), biến đổi Wavelet của x(t) theo biểu thức (1.