Tổng quan nghiên cứu

Trong lĩnh vực kỹ thuật điều khiển và tự động hóa, động cơ điện ba pha không đồng bộ đóng vai trò quan trọng trong các hệ thống công nghiệp hiện đại. Vòng bi là bộ phận thiết yếu giúp giảm ma sát, đảm bảo chuyển động quay và chịu tải trọng trong động cơ. Theo ước tính, lỗi vòng bi chiếm tỷ lệ lớn trong các sự cố gây gián đoạn hoạt động dây chuyền sản xuất, dẫn đến thiệt hại kinh tế đáng kể. Việc phát hiện sớm và chẩn đoán chính xác các lỗi vòng bi giúp nâng cao độ tin cậy và tuổi thọ của động cơ, đồng thời giảm chi phí bảo trì và sửa chữa.

Mục tiêu nghiên cứu của luận văn là xây dựng bộ dữ liệu lớn về tín hiệu rung động của vòng bi trong động cơ ba pha không đồng bộ và thử nghiệm phương pháp học sâu, cụ thể là mạng nơron tích chập (CNN), để phát hiện và chẩn đoán lỗi vòng bi. Nghiên cứu tập trung vào việc thu thập dữ liệu thực nghiệm tại phòng thí nghiệm trường Đại học Bách Khoa Hà Nội, với các mẫu vòng bi bị lỗi nhân tạo ở vị trí vòng trong và vòng ngoài, kích thước lỗi từ 0,2 mm đến 1,5 mm, dưới các mức tải 0 W, 250 W và 500 W. Bộ dữ liệu thu thập có độ tin cậy cao với tần số lấy mẫu 12.800 Hz, cung cấp nền tảng cho việc phát triển mô hình chẩn đoán chính xác.

Ý nghĩa của nghiên cứu được thể hiện qua việc ứng dụng các kỹ thuật xử lý tín hiệu thời gian - tần số kết hợp với học sâu nhằm nâng cao hiệu quả phát hiện lỗi vòng bi, góp phần đảm bảo hoạt động liên tục, an toàn của động cơ điện trong công nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: lý thuyết xử lý tín hiệu và mô hình mạng nơron tích chập (CNN).

  1. Lý thuyết xử lý tín hiệu:

    • Phân tích tín hiệu rung động trong ba miền: thời gian, tần số và thời gian - tần số.
    • Phép biến đổi Fourier thời gian ngắn (STFT) được sử dụng để chuyển đổi tín hiệu 1 chiều thu được từ cảm biến rung động sang dạng ảnh phổ 2 chiều, thể hiện đặc tính tần số theo thời gian.
    • Phương pháp phân tích thực nghiệm (EMD) giúp tách các thành phần tín hiệu đặc trưng, loại bỏ nhiễu trước khi chuyển đổi STFT.
    • Các khái niệm chính bao gồm: tín hiệu dòng điện, tín hiệu rung, tín hiệu sóng âm, tín hiệu nhiệt, và các phương pháp biến đổi Fourier, Wavelet, Hilbert-Huang.

  2. Mạng nơron tích chập (CNN):

    • CNN là mô hình học sâu hiệu quả trong xử lý dữ liệu dạng ảnh, gồm các tầng tích chập, phi tuyến, pooling và kết nối đầy đủ.
    • Tầng tích chập trích xuất đặc trưng không gian từ ảnh phổ tín hiệu rung động.
    • Tầng pooling giảm kích thước dữ liệu, hạn chế hiện tượng overfitting.
    • Hàm kích hoạt ReLU được sử dụng để tăng tính phi tuyến cho mô hình.
    • Mạng CNN được thiết kế để phân loại trạng thái vòng bi: bình thường, lỗi vòng trong, lỗi vòng ngoài.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu thu thập thực nghiệm tại phòng thí nghiệm trường Đại học Bách Khoa Hà Nội, sử dụng động cơ điện ba pha không đồng bộ công suất 0,75 kW, vòng bi SKF 6204 và 6203. Lỗi vòng bi được tạo nhân tạo bằng máy cắt dây EDM với kích thước lỗi từ 0,2 mm đến 1,5 mm.
  • Phương pháp thu thập: Cảm biến rung động PCB 352C33 gắn trên vỏ động cơ, thu tín hiệu rung với tần số lấy mẫu 12.800 Hz trong thời gian 10 giây mỗi lần đo, dưới các mức tải 0 W, 250 W và 500 W.
  • Xử lý dữ liệu: Áp dụng phương pháp EMD để lọc nhiễu, sau đó chuyển đổi tín hiệu sang ảnh phổ 2 chiều bằng STFT với cửa sổ 1024 điểm, chồng lấn 75%, tạo ra khoảng 247 ảnh phổ cho mỗi trạng thái lỗi.
  • Phân tích và mô hình hóa: Xây dựng mô hình CNN dựa trên kiến trúc LeNet-5 cải tiến, huấn luyện và đánh giá mô hình trên bộ dữ liệu ảnh phổ.
  • Timeline nghiên cứu: Thu thập và xử lý dữ liệu trong 3 tháng, xây dựng và huấn luyện mô hình trong 2 tháng, đánh giá và hoàn thiện luận văn trong 1 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Bộ dữ liệu lỗi vòng bi được xây dựng thành công với 27 tệp dữ liệu, bao gồm 9 vòng bi với các trạng thái: bình thường, lỗi vòng trong và lỗi vòng ngoài, kích thước lỗi từ 0,2 mm đến 1,5 mm, thu thập dưới 3 mức tải khác nhau. Mỗi tệp dữ liệu chứa 128.000 mẫu tín hiệu rung động.
  2. Ảnh phổ STFT thể hiện rõ đặc trưng tần số của các trạng thái lỗi: tần số lỗi vòng trong và vòng ngoài xuất hiện ở các mức 76,5 Hz và 121,8 Hz, với biên độ khác biệt rõ rệt so với trạng thái bình thường.
  3. Mô hình CNN đề xuất đạt độ chính xác trên 95% trong việc phân loại trạng thái vòng bi, vượt trội so với mô hình LeNet-5 gốc với độ chính xác khoảng 90%. Thời gian huấn luyện của mô hình đề xuất giảm 20% so với LeNet-5.
  4. Đồ thị hàm mất mát và độ chính xác cho thấy mô hình hội tụ nhanh và ổn định, phù hợp cho ứng dụng thực tế trong chẩn đoán lỗi vòng bi.

Thảo luận kết quả

Kết quả cho thấy việc kết hợp xử lý tín hiệu trong miền thời gian - tần số bằng STFT và học sâu với CNN là phương pháp hiệu quả để phát hiện và phân loại lỗi vòng bi trong động cơ ba pha. Việc tạo lỗi nhân tạo bằng máy cắt dây EDM giúp thu thập dữ liệu có chất lượng cao, dễ dàng phân biệt các trạng thái lỗi khác nhau. So với các nghiên cứu trước đây sử dụng dữ liệu từ các bộ dữ liệu quốc tế như CWRU hay MFPT, bộ dữ liệu trong nghiên cứu này có tính thực tiễn cao do được thu thập trực tiếp từ động cơ thực nghiệm tại Việt Nam.

Việc sử dụng EMD để lọc nhiễu trước khi chuyển đổi STFT giúp tăng độ chính xác của đặc trưng tín hiệu, giảm ảnh hưởng của nhiễu môi trường. Mô hình CNN đề xuất với kiến trúc tối ưu cho dữ liệu ảnh phổ đã cải thiện đáng kể hiệu suất phân loại so với các mô hình truyền thống. Các biểu đồ so sánh độ chính xác và thời gian huấn luyện minh họa rõ ràng ưu điểm của mô hình.

Tuy nhiên, nghiên cứu còn hạn chế ở việc chưa mở rộng bộ dữ liệu với các loại lỗi kép hoặc các điều kiện tải đa dạng hơn. Việc áp dụng mô hình trong môi trường công nghiệp thực tế cũng cần được kiểm chứng thêm.

Đề xuất và khuyến nghị

  1. Mở rộng bộ dữ liệu lỗi vòng bi bằng cách thu thập thêm các trường hợp lỗi kép và các điều kiện vận hành khác nhau nhằm tăng tính đa dạng và khả năng tổng quát của mô hình. Thời gian thực hiện dự kiến 6-9 tháng, do phòng thí nghiệm và nhóm nghiên cứu thực hiện.
  2. Phát triển mô hình học sâu đa nhiệm kết hợp dữ liệu từ nhiều loại cảm biến như rung động, dòng điện và sóng âm để nâng cao độ chính xác và khả năng phát hiện sớm lỗi. Mục tiêu tăng độ chính xác lên trên 98% trong vòng 1 năm.
  3. Triển khai hệ thống chẩn đoán lỗi vòng bi trực tuyến tích hợp mô hình CNN vào hệ thống giám sát động cơ thực tế, giúp cảnh báo sớm và giảm thiểu thời gian ngừng máy. Chủ thể thực hiện là các doanh nghiệp công nghiệp và trung tâm bảo trì, với lộ trình 12 tháng.
  4. Đào tạo và nâng cao năng lực cho kỹ thuật viên và kỹ sư vận hành về ứng dụng công nghệ học sâu trong bảo trì dự đoán, giúp tối ưu hóa quy trình bảo trì và giảm chi phí vận hành. Thời gian đào tạo liên tục hàng năm, do các trường đại học và trung tâm đào tạo chuyên ngành tổ chức.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu và sinh viên ngành Kỹ thuật Điều khiển và Tự động hóa: Luận văn cung cấp kiến thức chuyên sâu về xử lý tín hiệu và học sâu ứng dụng trong chẩn đoán lỗi cơ khí, hỗ trợ phát triển các đề tài nghiên cứu liên quan.
  2. Kỹ sư bảo trì và vận hành trong ngành công nghiệp sản xuất: Tham khảo để áp dụng các phương pháp chẩn đoán lỗi vòng bi hiện đại, nâng cao hiệu quả bảo trì dự đoán và giảm thiểu sự cố máy móc.
  3. Doanh nghiệp sản xuất sử dụng động cơ điện ba pha: Có thể ứng dụng kết quả nghiên cứu để xây dựng hệ thống giám sát và cảnh báo lỗi vòng bi, tăng tính ổn định và năng suất sản xuất.
  4. Các nhà phát triển phần mềm và hệ thống giám sát công nghiệp: Tài liệu cung cấp cơ sở để phát triển các giải pháp phần mềm chẩn đoán lỗi dựa trên học sâu, tích hợp vào hệ thống IoT công nghiệp.

Câu hỏi thường gặp

  1. Tại sao chọn phương pháp học sâu CNN để chẩn đoán lỗi vòng bi?
    CNN có khả năng tự động trích xuất đặc trưng từ dữ liệu ảnh phổ tín hiệu rung động, giúp tăng độ chính xác và giảm thời gian xử lý so với các phương pháp truyền thống. Ví dụ, mô hình CNN trong nghiên cứu đạt trên 95% độ chính xác phân loại.

  2. Làm thế nào để tạo lỗi vòng bi nhân tạo trong nghiên cứu?
    Lỗi được tạo bằng máy cắt dây EDM với độ chính xác cao, tạo ra các vết rãnh nứt trên vòng bi ở vị trí vòng trong và vòng ngoài với kích thước từ 0,2 mm đến 1,5 mm, giúp thu thập dữ liệu có kiểm soát và phân loại rõ ràng.

  3. Phương pháp xử lý tín hiệu nào được sử dụng để chuyển đổi dữ liệu rung động thành ảnh phổ?
    Phương pháp EMD được dùng để lọc nhiễu, sau đó tín hiệu được chuyển sang miền thời gian - tần số bằng phép biến đổi Fourier thời gian ngắn (STFT), tạo ảnh phổ 2 chiều phục vụ cho mô hình CNN.

  4. Bộ dữ liệu thu thập có thể áp dụng cho các loại động cơ khác không?
    Bộ dữ liệu được thu thập từ động cơ ba pha không đồng bộ công suất 0,75 kW, do đó có thể áp dụng cho các động cơ tương tự. Tuy nhiên, để áp dụng cho các loại động cơ khác cần mở rộng bộ dữ liệu và điều chỉnh mô hình phù hợp.

  5. Làm thế nào để triển khai mô hình chẩn đoán lỗi trong môi trường công nghiệp thực tế?
    Cần tích hợp mô hình CNN vào hệ thống giám sát động cơ trực tuyến, kết hợp với các cảm biến và bộ thu dữ liệu thực tế. Đồng thời đào tạo nhân sự vận hành và bảo trì để sử dụng hiệu quả hệ thống cảnh báo sớm.

Kết luận

  • Đã xây dựng thành công bộ dữ liệu lớn về tín hiệu rung động của vòng bi động cơ ba pha với 27 tệp dữ liệu, bao gồm các trạng thái lỗi vòng trong, vòng ngoài và bình thường.
  • Áp dụng phương pháp xử lý tín hiệu EMD và STFT để chuyển đổi dữ liệu thành ảnh phổ, làm nền tảng cho việc phân loại bằng học sâu.
  • Phát triển mô hình CNN đề xuất đạt độ chính xác trên 95%, cải thiện hiệu suất so với các mô hình truyền thống.
  • Kết quả nghiên cứu góp phần nâng cao hiệu quả chẩn đoán lỗi vòng bi, giảm thiểu sự cố và chi phí bảo trì trong công nghiệp.
  • Đề xuất mở rộng bộ dữ liệu, phát triển mô hình đa nhiệm và triển khai hệ thống giám sát trực tuyến trong tương lai.

Hành động tiếp theo: Triển khai thử nghiệm mô hình trong môi trường công nghiệp thực tế và mở rộng nghiên cứu về các loại lỗi phức tạp hơn. Đề nghị các nhà nghiên cứu và doanh nghiệp quan tâm phối hợp phát triển ứng dụng thực tiễn.