Luận văn ThS. Phùng Minh Ngọc: Chẩn đoán dao động bằng SVM & Wavelet TQWT

Luận văn trình bày phương pháp chẩn đoán dao động bằng SVM và TQWT. Giải pháp tối ưu giám sát tình trạng và phát hiện sớm hư hỏng trong kỹ thuật.

• Tác giả: Phùng Minh Ngọc
• Người hướng dẫn: PGS TS. Nguyễn Thông Điển
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật Cơ điện tử
• Đề tài: Kỹ thuật chẩn đoán dao động dựa trên Support Vector Machine kết hợp với Phép biến đổi Wavelet cải tiến (TQWT)
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Tóm tắt

I. Giới thiệu về Kỹ thuật Chẩn đoán Dao động

Chẩn đoán dao động là một lĩnh vực quan trọng trong giám sát tình trạng thiết bị cơ khí. Kỹ thuật này cho phép phát hiện sớm các hư hỏng và lỗi trước khi chúng gây ra những tổn hại lớn. Quy trình chẩn đoán dao động dựa trên việc phân tích tín hiệu dao động từ các cảm biến gia tốc và cảm biến vận tốc. Các chỉ số thống kê như biên độ, tần số và pha được sử dụng để đánh giá tình trạng hoạt động của máy móc. Thông qua phân tích phổ biên độ tín hiệu, kỹ sư có thể xác định những bất thường trong hoạt động của thiết bị. Điều này giúp tăng độ tin cậy, kéo dài tuổi thọ thiết bị và giảm chi phí bảo trì.

1.1. Khái niệm cơ bản về dao động cơ học

Dao động cơ học là chuyển động lặp lại của một vật thể quanh vị trí cân bằng. Tín hiệu dao động chứa nhiều thông tin về tình trạng máy móc. Các thông số như biên độ, tần số và năng lượng dao động được sử dụng để đánh giá sức khỏe của thiết bị. Việc hiểu rõ các đặc tính dao động giúp kỹ sư phát hiện những dấu hiệu bất thường sớm nhất.

1.2. Tầm quan trọng của giám sát liên tục

Giám sát tình trạng thiết bị liên tục giúp phát hiện hư hỏng phân bổ và hư hỏng cục bộ trên các bộ phận như bánh răng và vòng bi. Quy trình giám sát và chẩn đoán dao động cho phép dự báo độ tin cậy của máy móc. Điều này giúp lập kế hoạch bảo trì hiệu quả và giảm thiểu thời gian ngừng hoạt động không mong muốn.

II. Phép biến đổi Wavelet cải tiến TQWT trong xử lý tín hiệu

Tunable Q-Factor Wavelet Transform (TQWT) là một phương pháp tiên tiến trong xử lý tín hiệu dao động. Phép biến đổi này cho phép phân tích tín hiệu ở nhiều độ phân giải khác nhau, giúp trích xuất các đặc trưng quan trọng từ tín hiệu nhiễu. TQWT có khả năng khử nhiễu hiệu quả và bảo toàn các tính năng của tín hiệu gốc. Bằng cách sử dụng hàm wavelet mẹ phù hợp, ta có thể tách riêng các thành phần tín hiệu ở các tần số khác nhau. Điều này đặc biệt hữu ích trong việc phát hiện các tín hiệu dao động tốt định từ các tín hiệu nhiễu phức tạp. TQWT cung cấp một biểu diễn thưa của tín hiệu, giúp giảm kích thước dữ liệu đầu vào cho các mô hình học máy.

2.1. Nguyên lý hoạt động của TQWT

Biểu diễn TQWT phân tách tín hiệu thành các mức tần số khác nhau thông qua các bộ lọc thông cao và bộ lọc thông thấp. Hàm đặc tính tần số của bộ lọc thông thấp giúp tách các thành phần tần số thấp từ tín hiệu gốc. Mỗi cấp TQWT cung cấp thông tin chi tiết hơn về cấu trúc tần số của tín hiệu, tạo nên một cây phân tích đa cấp độ hiệu quả.

2.2. Ứng dụng trong khử nhiễu tín hiệu

Tín hiệu sau khi khử nhiễu bằng TQWT giữ lại những đặc trưng quan trọng của tín hiệu gốc mà loại bỏ các thành phần nhiễu không mong muốn. Quá trình này cải thiện chất lượng dữ liệu đầu vào, giúp các mô hình phân loại hoạt động chính xác hơn. TQWT là bước tiền xử lý quan trọng trước khi áp dụng các kỹ thuật học máy.

III. Support Vector Machine SVM Thuật toán phân loại mạnh mẽ

Support Vector Machine là một thuật toán học máy hiệu quả dùng để phân loại các dữ liệu phức tạp. SVM tìm kiếm một siêu phẳng phân tách tối ưu để chia tách các lớp dữ liệu khác nhau. Nguyên lý cơ bản của SVM là tối đa hóa lề SVM (margin) - khoảng cách từ siêu phẳng đến các điểm dữ liệu gần nhất. Các vector hỗ trợ là những điểm dữ liệu nằm trên ranh giới của lề, đóng vai trò quyết định trong việc xác định mặt phân tách tốt nhất. SVM có khả năng xử lý dữ liệu tuyến tính và phi tuyến tính thông qua các hàm kernel khác nhau. Với tập dữ liệu các đặc trưng vector từ TQWT, SVM có thể phân loại hiệu quả các tình trạng khác nhau của thiết bị.

3.1. Cơ chế xây dựng mặt phân tách SVM

Mặt phân tách được xây dựng dựa trên các vector hỗ trợ - những điểm dữ liệu quan trọng nhất. SVM giải quyết bài toán tối ưu hóa để tìm siêu phẳng có lề SVM tối đa. Quá trình này đảm bảo rằng mô hình có khả năng tổng quát hóa tốt trên dữ liệu mới, giảm overfitting và tăng độ chính xác phân loại.

3.2. Hàm kernel trong SVM phi tuyến

Để xử lý các dữ liệu phi tuyến tính, SVM sử dụng các hàm kernel như RBF, polynomial hay linear. Các hàm này biến đổi không gian dữ liệu gốc thành không gian chiều cao hơn nơi dữ liệu trở nên tuyến tính phân tách. Lựa chọn kernel phù hợp là chìa khóa để đạt được hiệu suất SVM tốt nhất trong phân loại tình trạng thiết bị.

IV. Kết hợp TQWT và SVM Giải pháp chẩn đoán toàn diện

Sự kết hợp giữa TQWT và SVM tạo nên một hệ thống chẩn đoán dao động hiệu quả và đáng tin cậy. Quy trình chẩn đoán bao gồm: trích xuất tín hiệu dao động từ cảm biến, khử nhiễu bằng TQWT, trích xuất đặc trưng vector từ các hệ số wavelet, sau đó đưa vào mô hình SVM để phân loại tình trạng. Phương pháp này có khả năng phân biệt giữa bánh răng bình thường, bánh răng bị mòn nhẹ và bánh răng bị gãy. Ma trận gồm các vector đặc trưng từ dữ liệu huấn luyện được sử dụng để huấn luyện mô hình SVM. Kỹ thuật này giúp tăng cường độ tin cậy của quy trình chẩn đoán, phát hiện hư hỏng sớm và tối ưu hóa kế hoạch bảo trì thiết bị.

4.1. Quy trình tổng hợp chẩn đoán

Quy trình giám sát và chẩn đoán dao động tuân theo các bước: (1) Thu thập tín hiệu từ thiết bị đo dao động, (2) Tiền xử lý và khử nhiễu bằng TQWT, (3) Trích xuất đặc trưng từ các hệ số wavelet, (4) Chuẩn hóa dữ liệu, (5) Đưa vào mô hình SVM đã được huấn luyện, (6) Phân loại và đưa ra quyết định chẩn đoán. Mỗi bước đều quan trọng để đảm bảo kết quả chẩn đoán chính xác.

4.2. Hiệu suất và ứng dụng thực tế

Kỹ thuật kết hợp TQWT-SVM đã được chứng minh có khả năng phân loại các tình trạng khác nhau của bánh răng với độ chính xác cao. Ứng dụng thực tế bao gồm: giám sát máy móc công nghiệp, phát hiện hư hỏng vòng bi, kiểm tra tình trạng máy điện và bảo trì dự phòng. Hệ thống này giúp giảm chi phí bảo trì, tăng độ tin cậy thiết bị và kéo dài tuổi thọ máy móc.

Trích đoạn nội dung tài liệu

CHƯƠNG 1.1 Một số khải niệm cơ bản 3 1.1 Giảm sát và chân đoán 3 11⁄2 Giám sátvà đoán đao động 4 113 Đâu đovà hệ thống đo đao động 5 1.2 __ Các phương pháp phân tích tín hiệu cơ bản 8 1.25 Phân tích tin hiệu trang miễn thời gian.22 Phan tich tin higu trong miển tẳnsố. CO SO LY THUYET. Phép bién déi Tunable Q-Factor Wavelet.1 Giới thiệu vẻ Phép biển đối Wavelet.16 21 Phép bién dai Tunable Q-Factor Wavelet 7 3. Phép phân tích thành phần chính PCA.

- - - - 19 222 Cáo đặc trmg của vector ngẫu nhiên. - - 20 223 Các bước thục hiện PCA.24 Vi dụ minh họa cho PCA. 28, 23 Support Vector Machine (SVM). Giới thiệu chung về Support Vector Machine.

Veelor Mackine trong bai toán phân chia lớp không phân biệt tuyển tính.4 Support Vector Machine trong, bai toan phân nhiều ldp.5 Vi dụáp dụng SVM cho bài teán phân loại hoa. KET QUÁ ĐẠT BƯỢC.1 Xây dựng quy trình chấn đoàn mới sử dụng Support Vector Machine .2 Kết quả thực nghiệm. Mô tá thí nghiệm với hộp số bảnh răng.2 Áp dụng quy trìmh chẩn đoán mới cho thí nghiệm 38 KẾT LUẬN 69 TALLIEU THAM KHAO ĐẶT VĂN ĐỀ Trong công cuộc Công nghiệp hỏa - Hiện đại hóa của đất nước ta hiện nay, việc áp đựng các trang thiết bị máy móc vào sản xuất đang ngày một phố biến. Một trong những yêu cầu tiên quyết của các trang thiết bị là phải vận hành một cach én dinh va đáng tín cậy đễ dem lại năng suất cao nhất, Muôn vậy, chúng cân.

phải dược thường xuyên bảo dưỡng và kiểm Ira định kỳ dễ tránh những sự cố hư hỏng làm ảnh hưởng tới việc sản xuất Ngành chân đoán kỹ thuật ra đời giúp nhận dạng hư hỏng từ rất sớm đề tìm cách khắc phục đã đem lại nhiều lợi ích bo lớn cho việc vận hành máy móc và giúp nông cao năng suất. Do vậy, ngành này đang ngày một phát biển ở khắp nơi liên thế giới và kéo theo đó là mội hoạt những phương pháp chân đoàn mới ra đời đựa trên nẻn tảng vững chắc từ toàn học. “rong các phương pháp chân đoán hiện đại thì phương pháp phan tích tín hiệu đao động cơ học lả một phương pháp hiệu qụ đoán hư hồng và giám sát tỉnh trạng của các thiết bị máy móc. Một vải đại điện truyền thống trong, phương pháp này có thê kể ra như phương pháp Fourier, biển đổi [lilbert, phương pháp Wavelel,.

Trong những năm gần đây, một lĩnh vực khơa học mới đang phát triển một cách mạnh rẽ đỏ chỉnh là Trí tuệ nhân tạo. Thuật toán Support Vector Machine ra dei trong Linh vue Tri tuệ nhên tạo, nhằm mục đích 'phân loại và sảng lọc dữ liệu, tỉnh cơ thay lại tố ra rất hữu hiệu trong việc chấn. don tình trạng làm việc của thiết bị dựa trên tin hiệu dao động cơ học. Vì lẽ do, ving dung Support Vector Machme phuc vụ mục đích chân đoán được quan tam đặc biệt và chính là nội đung chủ đạo trong luận văn này.

Dự liện được đưa vào phân loại sử dụng Support Veeter Machine là những tin hiệu thu được tử cảm biên do gia tốc thưởng bao gồm nhiều nhiễu trong đó, Trgoài ra bản thân tin hiệu cũng œ ắ điểm dữ liệu võ cùng lớn, phủ tuyển, không đừng và dãi hẹp. Do đó, muốn thuat toam Support Veclor Machine phân loại tốt nhằm chân đoán, thì đữ liệu cần phải thông qua các bước tiên xử lý. Phương pháp cât tiền của Wavclet lá Tunable Q-Faotor Wavclet Transforrn được áp dụng để khử nhiều cho tản hiệu và chia tín hiệu thành cáo thành phần cơn cơ bên đi xử lý. Đểng thời, nhằm giảm thiểu số chiều mà không gây mắt thông tin của đữ liệu, Phép phân tích thành phần chính PCA cũng được áp dụng trong luận văn.

DANH MỤC HÌNH VẼ Hình1 1: Đường đặc tính để giám sát tỉnh trạng, Hình 1 2: Quy trình giám sát và chân đoán đao động cho thiết bị Tình 1 3: Hư hồng phân bổ (a) và hư hồng cục bộ (b) trên bánh rằng. Tình 1 4: Đầu do gia tắc Tình1 5Phu đo vận lốc Tình 1 thiết bị do va thn bu thập dữ liệu Hình 1 8: Phé Biên độ - Thời gian của ô lăn hồng vòng ngơài. Tình 1 9: Sơ để lọc tín hiệu Hình 1 10: Đường dặc tỉnh tân số cũa bộ lọc "thông thấp, Hình 1 11: Phê biên dộ tín hiệu xe). - Hinh 1 12: Phổ biên độ tia hiệu dao động tốt dẫn.

Hình 2 1: Biéu điển TQWT cấp 3 Hinh 2 2: Tin hiệu nhiễu Hinh 2 3: Hàm tên thất. Hinh 2 4: Tín hiệu sau khả khử nhiều Hinh 2 5: Hình chiếu của biến báo giao thông Hình 2 &: Hai lập dữ liệu biểu diễn trong không gian 03 chiều. Tình 2 T7: Sử dụng PCA biếu diễn dữ liệu trong không giam hai chiều Hình 2 8: Trước và sau khi sử dụng 8M. Tình 2 9 Vô ỗ mặt phân tach để phân chỉa 02 tập điểm Tarn và Đỗ Hình 2 10: Mặt pliân tách tốt nhất trong phân loại 2 tập hợp điểm Hình 2 11: Các Veotor hỗ trợ trên một hợp điểm sau khi phân lớp.

Hinh 2 13: Lẻ SVM (Margin) được biểu diễn Irên hình Hình 2 13: Một định nghĩa khác về Lẻ SVM Hình 2 14: Lễ SVM có độ rộng tối đã Hình 2 15: Hai lớp can phan chia. Hình 2 16: Đường biên tao béi cde Support vector Hình 2 17: Phương trình đường biên tạo bới các Veotor hỗ trợ. Hình 2 18: Độ lớn của Lễ SVM,. Hinh 2 19: Siêu phẳng phản tách hai Lớp dựa theo phương pháp ban dẫu.

Hình2 20; Siêu phẳng mới đựa vào giả thiết đã cho. 21: Miii họa cho biến mới thêm vào Ẽ, 39 Tập dữ liệu hơa Setosa và Versicolor. " Sử mg SVM để phân lớp cho dữ liệu 43 Biêu diễn tập hợp hai loại đữ liệu khác nhau. 42 Kết quả khi sử dụng phương pháp SVM ban dẫu đểphân Lớp.

43 Phân bổ ngẫu nhiên của eac diém tach biét phi tuyén. Biểu diễn tập hợp điểm từ không gian 02 chiếu sang 03 chiéu. "Phân lớp hai tập đữ liệu điểm trong không gian 03 chiêu. Ánh xạ ® biến khỏng gian dữ liệu ban dầu thành không gian mới.

30: Minh hợa cho bài toán Multi-Class Classification. 31: Phân loại hoa sử dụng SVIM. 32: Phan loai hoa bằng SVM sti dung 02 thuộc tính khảs. I: Quy trinh chẩn đoản đựa trên Suppori Vector Machine 55 Hình 3.

2: Mê hình thí nghiệm trên hộp số bánh răng, Sĩ Tlinh3. 3: Banh rang bi mén. 4: Phế Biên đô - Thời gian của bánh răng bình ann. bị mòn và bị gãy - 59 Tĩnh 3.

5: Tin hiệu góc — Tin biệu sau khử nhiễu— Nhidu cia banh răng bình. 6: Hàm tổn thất của bánh răng bình thường,.7: Các thành phản tín liệu mới của bảnh răng bình thường. 8: Mức dộ dóng góp năng lượng của các thành phần con déi voi banh văng bình thường - él Hinh 3. 9: Minh họa PCA của Bảnh răng bình thường, bị mòn và bị gẫy.

10: Đường phân clủa các Lớp khác nhau. 11: Phân vùng Bánh răng bình thường, bị mon va bi gay. Xoay nghiêng mặt phân chúa. 13 diễn SVM tiên mặt phẳng 3D.

14: Kết hợp PCA với Hảm nhân. " sevens OT Hình 3. 15: Kết quả phân chia SVM khi kết hợp PCA vi Ham nhân, "—- Hình3. 16: Biểu diễn SVM mới trong mặt phẳng 3D.

ĐẶT VĂN ĐỀ Trong công cuộc Công nghiệp hỏa - Hiện đại hóa của đất nước ta hiện nay, việc áp đựng các trang thiết bị máy móc vào sản xuất đang ngày một phố biến. Một trong những yêu cầu tiên quyết của các trang thiết bị là phải vận hành một cach én dinh va đáng tín cậy đễ dem lại năng suất cao nhất, Muôn vậy, chúng cân. phải dược thường xuyên bảo dưỡng và kiểm Ira định kỳ dễ tránh những sự cố hư hỏng làm ảnh hưởng tới việc sản xuất Ngành chân đoán kỹ thuật ra đời giúp nhận dạng hư hỏng từ rất sớm đề tìm cách khắc phục đã đem lại nhiều lợi ích bo lớn cho việc vận hành máy móc và giúp nông cao năng suất. Do vậy, ngành này đang ngày một phát biển ở khắp nơi liên thế giới và kéo theo đó là mội hoạt những phương pháp chân đoàn mới ra đời đựa trên nẻn tảng vững chắc từ toàn học.

“rong các phương pháp chân đoán hiện đại thì phương pháp phan tích tín hiệu đao động cơ học lả một phương pháp hiệu qụ đoán hư hồng và giám sát tỉnh trạng của các thiết bị máy móc. Một vải đại điện truyền thống trong, phương pháp này có thê kể ra như phương pháp Fourier, biển đổi [lilbert, phương pháp Wavelel,. Trong những năm gần đây, một lĩnh vực khơa học mới đang phát triển một cách mạnh rẽ đỏ chỉnh là Trí tuệ nhân tạo. Thuật toán Support Vector Machine ra dei trong Linh vue Tri tuệ nhên tạo, nhằm mục đích 'phân loại và sảng lọc dữ liệu, tỉnh cơ thay lại tố ra rất hữu hiệu trong việc chấn.

don tình trạng làm việc của thiết bị dựa trên tin hiệu dao động cơ học. Vì lẽ do, ving dung Support Vector Machme phuc vụ mục đích chân đoán được quan tam đặc biệt và chính là nội đung chủ đạo trong luận văn này. Dự liện được đưa vào phân loại sử dụng Support Veeter Machine là những tin hiệu thu được tử cảm biên do gia tốc thưởng bao gồm nhiều nhiễu trong đó, Trgoài ra bản thân tin hiệu cũng œ ắ điểm dữ liệu võ cùng lớn, phủ tuyển, không đừng và dãi hẹp. Do đó, muốn thuat toam Support Veclor Machine phân loại tốt nhằm chân đoán, thì đữ liệu cần phải thông qua các bước tiên xử lý.

Phương pháp cât tiền của Wavclet lá Tunable Q-Faotor Wavclet Transforrn được áp dụng để khử nhiều cho tản hiệu và chia tín hiệu thành cáo thành phần cơn cơ bên đi xử lý. Đểng thời, nhằm giảm thiểu số chiều mà không gây mắt thông tin của đữ liệu, Phép phân tích thành phần chính PCA cũng được áp dụng trong luận văn. Hồ cục trong luận văn được chia thành cae phan - Chương I: Tổng quan ‘Trinh bảy cái nhịn tổng quan về lĩnh vực chân doán dao dộng, bao géin một số khái niệm cơ bản và các phương pháp cố điến được ding trong Tĩnh vục này - Chương II: Cư sứ lý thuyết Xây dụng cơ sở lý thuyết cho luận văn, nghiên cứu các nội dụng chính. gồm có: " Phép biển đổi Tunable Q-Vactor Wavelet " Phép phân tích thành phân chính DCA.

" Support Vector Machine. - Chương HL: Kết quả dạt được Bao gém hai néi dung chinh nhu sau = Tác giả xảy dựng một quy trình chẩn đoán mỏi dựa trên việc kết hop các thuật toán và phương pháp đã đề oập.