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

Mục lục chi tiết

• ĐẶT VẤN ĐỀ
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Một số khái niệm cơ bản
• 1.1.1. Giám sát và chẩn đoán
• 1.1.2. Giám sát và chẩn đoán dao động
• 1.1.3. Đầu đo và hệ thống đo dao động
• 1.2. Các phương pháp phân tích tín hiệu cơ bản
• 1.2.1. Phân tích tín hiệu trong miền thời gian
• 1.2.2. Phân tích tín hiệu trong miền tần số
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Phép biến đổi Tunable Q-Factor Wavelet
• 2.1.1. Giới thiệu về Phép biến đổi Wavelet
• 2.1.2. Phép biến đổi Tunable Q-Factor Wavelet
• 2.2. Phép phân tích thành phần chính PCA
• 2.2.1. Các đặc trưng của vector ngẫu nhiên
• 2.2.2. Các bước thực hiện PCA
• 2.2.3. Ví dụ minh họa cho PCA
• 2.3. Support Vector Machine (SVM)
• 2.3.1. Giới thiệu chung về Support Vector Machine
• 2.3.2. Support Vector Machine trong bài toán phân chia lớp không phân biệt tuyến tính
• 2.3.3. Support Vector Machine trong bài toán phân nhiều lớp
• 2.3.4. Ví dụ áp dụng SVM cho bài toán phân loại hoa
• 3. CHƯƠNG 3: KẾT QUẢ ĐẠT ĐƯỢC
• 3.1. Xây dựng quy trình chẩn đoán mới sử dụng Support Vector Machine
• 3.2. Kết quả thực nghiệm
• 3.2.1. Mô tả thí nghiệm với hộp số bánh răng
• 3.2.2. Áp dụng quy trình chẩn đoán mới cho thí nghiệm
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

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.

Nội dung chính

Tổng quan nghiên cứu

Trong xu thế tự động hóa và cuộc Cách mạng Công nghiệp 4.0, các hệ thống cơ khí đóng vai trò nòng cốt trong dây chuyền sản xuất công nghiệp. Theo thống kê kỹ thuật, khoảng 70% đến 80% sự cố hỏng hóc cơ học trong các nhà máy bắt nguồn từ các bộ truyền động quay, đặc biệt là hệ thống bánh răng và ổ lăn. Việc phát hiện sớm các hư hại giúp doanh nghiệp cắt giảm từ 25% đến 30% chi phí bảo dưỡng định kỳ và ngăn ngừa rủi ro dừng máy đột ngột gây thiệt hại kinh tế ước tính hàng trăm triệu đồng mỗi giờ. Tuy nhiên, tín hiệu dao động thu thập từ cảm biến gia tốc công nghiệp thường mang đặc tính phi tuyến, không dừng, dải tần hẹp và bị bao phủ bởi mức độ nhiễu ngẫu nhiên lên tới hơn 40%.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Cơ điện tử với đề tài "Kỹ thuật chẩn đoán dao động dựa trên Support Vector Machine kết hợp với Phép biến đổi Wavelet cải tiến (TQWT)" của tác giả Phùng Minh Ngọc, thực hiện tại Trường Đại học Bách khoa Hà Nội vào tháng 5/2020 dưới sự hướng dẫn khoa học của PGS. TS. Nguyễn Phong Điền, đã tập trung giải quyết bài toán cấp thiết này. Mục tiêu nghiên cứu cụ thể là xây dựng quy trình chẩn đoán tự động hóa cao nhằm sàng lọc, khử nhiễu tín hiệu cơ học và phân loại chính xác các trạng thái làm việc của bánh răng. Nghiên cứu thực nghiệm được triển khai trực tiếp trên mô hình bệ thử hộp số bánh răng thực tế tại phòng thí nghiệm chuyên ngành, cung cấp giải pháp nhận dạng hư hỏng với độ chính xác đạt trên 95%, tạo nền tảng vững chắc cho công tác giám sát tình trạng máy móc theo thời gian thực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu tích hợp 3 nền tảng toán học và trí tuệ nhân tạo hiện đại nhằm xây dựng chuỗi xử lý tín hiệu khép kín:

1. Phép biến đổi Wavelet cải tiến (Tunable Q-Factor Wavelet Transform - TQWT): Khác với biến đổi Wavelet truyền thống vốn bị giới hạn bởi hệ số phẩm chất cố định, TQWT cho phép điều chỉnh linh hoạt hệ số phẩm chất Q, hệ số co dãn r và số cấp phân rã (thực hiện ở cấp 3 trở lên). Kỹ thuật này giúp tách lọc các dao động dao động tắt dần và các xung va đập cơ khí ra khỏi thành phần nhiễu nền với độ bảo toàn năng lượng xấp xỉ 98%.
2. Phép phân tích thành phần chính (Principal Component Analysis - PCA): Phương pháp đại số tuyến tính này phân tích ma trận hiệp phương sai của các vector ngẫu nhiên để xác định các vector riêng và trị riêng tương ứng. PCA thực hiện nén dữ liệu từ không gian đặc trưng ban đầu chứa hàng chục biến số thống kê xuống không gian 2 chiều hoặc 3 chiều mà vẫn giữ lại hơn 85% lượng thông tin quan trọng nhất của tín hiệu gốc.
3. Mô hình học máy Support Vector Machine (SVM): Thuật toán tối ưu hóa tìm kiếm siêu phẳng phân tách với độ rộng lề (Margin) cực đại nhằm phân loại dữ liệu. Trong bài toán chẩn đoán kỹ thuật có đặc tính phi tuyến, nghiên cứu ứng dụng kỹ thuật hàm nhân (Kernel trick) để ánh xạ không gian vector đặc trưng sang không gian mới đa chiều, kết hợp phương pháp phân loại đa lớp (Multi-Class Classification) để nhận dạng đồng thời 3 trạng thái của thiết bị.

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa mô hình hóa lý thuyết và kiểm nghiệm thực nghiệm trên bệ đo động lực học:

• Nguồn dữ liệu và bố trí thí nghiệm: Dữ liệu dao động được thu thập trực tiếp từ đầu đo cảm biến gia tốc áp điện gắn trên vỏ hộp số bánh răng của mô hình thử nghiệm. Tín hiệu đo được số hóa thông qua thiết bị thu thập dữ liệu với tần số lấy mẫu đạt 12.000 Hz, ghi nhận toàn diện các xung kích kích hoạt bởi hiện tượng ăn khớp răng.
• Cỡ mẫu và phương pháp chọn mẫu: Bộ dữ liệu bao gồm hơn 300 mẫu tín hiệu dao động được thu thập theo phương pháp chọn mẫu ngẫu nhiên phân tầng, chia đều cho 3 kịch bản vận hành: bánh răng bình thường (100 mẫu), bánh răng bị mòn nhẹ (100 mẫu) và bánh răng bị gãy răng cục bộ (100 mẫu).
• Lý do lựa chọn phương pháp phân tích: TQWT được lựa chọn thay thế cho biến đổi Fourier và Hilbert truyền thống nhờ khả năng cô lập tuyệt vời các xung va đập ngắn trong miền thời gian - tần số. Việc bổ sung PCA trước khi nạp vào SVM giúp triệt tiêu hiện tượng đa cộng tuyến, giảm tải thời gian tính toán của mô hình trên phần mềm MATLAB xuống dưới 2 giây cho mỗi chu kỳ phân loại. Timeline nghiên cứu được thực hiện đồng bộ trong 24 tháng, hoàn tất công tác thực nghiệm và bảo vệ vào tháng 5/2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình chạy thực nghiệm và kiểm tra chéo mô hình trên nền tảng MATLAB đã mang lại 3 phát hiện khoa học nổi bật:

1. Hiệu năng khử nhiễu và phân rã tín hiệu của TQWT: Phép biến đổi TQWT cấp 3 đã bóc tách thành công tín hiệu gốc thành các thành phần con cơ bản. Tỷ số tín hiệu trên nhiễu (SNR) sau xử lý tăng thêm khoảng 35% so với trước khi lọc. Đồ thị hàm tổn thất suy giảm nhanh chóng và năng lượng đóng góp của các thành phần dao động hư hại cục bộ được tập trung rõ rệt trên biểu đồ thời gian - tần số.
2. Khả năng gom cụm đặc trưng vượt bậc của PCA: Ma trận đặc trưng thống kê ban đầu sau khi qua phép biến đổi PCA đã giảm số chiều từ 12 tham số xuống 3 thành phần chính đầu tiên. Ba thành phần này nắm giữ tới 88,6% tổng phương sai dữ liệu. Khi biểu diễn trên không gian 3 chiều, các điểm dữ liệu thuộc 3 trạng thái tạo thành các cụm tập trung cao độ, không bị phân tán ngẫu nhiên.
3. Độ chính xác phân loại của mô hình SVM: Khi kết hợp PCA với hàm nhân phi tuyến, thuật toán SVM xác lập siêu phẳng phân tách tối ưu với biên độ lề rõ ràng. Kết quả nhận dạng đạt độ chính xác tổng thể ước tính 97,5%, trong đó phân loại chính xác 100% trường hợp bánh răng gãy và trên 95% trường hợp bánh răng mòn nhẹ, không xảy ra hiện tượng phân lớp nhầm lẫn sang trạng thái bình thường.

Thảo luận kết quả

Nguyên nhân cốt lõi tạo nên sự vượt trội của quy trình mới nằm ở sự tương hỗ hoàn hảo giữa các khâu tiền xử lý và học máy. Tín hiệu dao động của bánh răng khi xuất hiện vết nứt hoặc mòn bề mặt sẽ phát sinh các dao động tự do suy giảm nhanh xen lẫn nhiễu cơ khí phức tạp. Nếu đưa trực tiếp tín hiệu thô vào mô hình phân loại SVM, độ chính xác chỉ dừng lại ở mức khoảng 75% do hiện tượng quá khớp (overfitting) và nhiễu lấn át biên lề.

Trong luận văn, dữ liệu được trực quan hóa sinh động qua các công cụ đồ họa: Bảng tổng hợp các ma trận vector đặc trưng thể hiện sự khác biệt rõ rệt về độ lệch chuẩn, độ nhọn (kurtosis) và giá trị đỉnh; Biểu đồ phân bố cụm 3D sau PCA minh họa các vùng không gian tách rời rệt; Biểu đồ lát cắt siêu phẳng SVM 3D cho thấy các vector hỗ trợ (Support Vectors) định hình đường biên phân tách chuẩn xác giữa 3 lớp dữ liệu. So với phương pháp biến đổi Fourier cổ điển (FFT) vốn dễ bị nhòe phổ khi tải trọng thay đổi, mô hình TQWT-PCA-SVM chứng minh tính ổn định cao, giảm tỷ lệ cảnh báo sai lệch xuống dưới 3%.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được từ luận văn thạc sĩ, 4 nhóm giải pháp kỹ thuật cụ thể được đề xuất nhằm chuyển giao vào thực tiễn sản xuất:

1. Thực hiện số hóa quy trình giám sát tại nhà máy: Triển khai nhúng thuật toán chẩn đoán kết hợp TQWT-PCA-SVM vào hệ thống giám sát tình trạng trực tuyến (Online Condition Monitoring) tại các dây chuyền gia công cơ khí lớn. Mục tiêu đạt thời gian phản hồi cảnh báo sớm dưới 1 giây ngay khi xuất hiện dấu hiệu suy giảm chất lượng tiếp xúc bánh răng. Thời gian áp dụng trong vòng 6 đến 12 tháng tới do phòng Kỹ thuật - Bảo trì chủ trì.
2. Chuẩn hóa hệ thống đo lường và cảm biến: Trang bị đồng bộ các đầu đo gia tốc công nghiệp đạt chuẩn độ nhạy cao tại ít nhất 2 vị trí trọng yếu (gối đỡ trục đầu vào và gối đỡ trục đầu ra của hộp giảm tốc). Tiến hành đo kiểm định kỳ theo tần suất 24/7 với dải tần đo mở rộng từ 10 Hz đến 15 kHz nhằm thu thập trọn vẹn dữ liệu rung động.
3. Nâng cấp thuật toán sang phân tích thành phần chính dạng nhân tử (Kernel PCA): Khuyến nghị các nhóm nghiên cứu tiếp tục cải tiến quy trình xử lý bằng cách tích hợp trực tiếp Kernel PCA nhằm giải quyết triệt để hơn các dạng dữ liệu phi tuyến tính phức tạp trong không gian nhiều chiều, kỳ vọng nâng độ chính xác nhận dạng lỗi vi mô lên trên 99%. Lộ trình nghiên cứu thử nghiệm kéo dài 18 tháng do các viện nghiên cứu cơ điện tử thực hiện.
4. Xây dựng cơ sở dữ liệu mẫu về lỗi cơ khí: Thiết lập ngân hàng dữ liệu chuẩn hóa lưu trữ trên 1.000 tín hiệu lỗi đặc trưng (nứt chân răng, rỗ bề mặt, mòn không đều, hỏng vòng bi) tại các doanh nghiệp chế tạo máy. Định kỳ 6 tháng một lần, các kỹ sư hệ thống cần tái huấn luyện mô hình SVM với tập dữ liệu mới nhằm tối ưu hóa trọng số thích nghi của bộ phân lớp.

Đối tượng nên tham khảo luận văn

Nội dung và giải pháp kỹ thuật của luận văn đem lại giá trị ứng dụng và học thuật chuyên sâu cho 4 nhóm đối tượng:

1. Kỹ sư bảo trì và vận hành hệ thống cơ khí: Tiếp cận quy trình giám sát rung động hiện đại dựa trên điều kiện thực tế (Condition-Based Maintenance - CBM), từ đó ứng dụng chẩn đoán nhanh chóng tình trạng các hộp giảm tốc và hệ thống truyền động trong nhà máy công nghiệp.
2. Nhà nghiên cứu và giảng viên chuyên ngành Cơ điện tử - Cơ học ứng dụng: Sử dụng tài liệu như một công trình tham khảo chuẩn mực về mặt toán học ứng dụng, đặc biệt là cơ chế phân rã sóng TQWT và phương pháp chuyển đổi không gian vector bằng Kernel SVM.
3. Lập trình viên và chuyên gia phát triển giải pháp IoT công nghiệp: Nắm bắt thuật toán trích xuất đặc trưng và xử lý tín hiệu cảm biến thời gian thực, phục vụ xây dựng các phần mềm giám sát thông minh trên nền tảng nhúng hoặc điện toán đám mây.
4. Học viên cao học và sinh viên kỹ thuật: Tham khảo phương pháp luận khoa học, cách bố trí thí nghiệm thực nghiệm bài bản trên phần mềm MATLAB và kỹ năng xử lý dữ liệu thực tế để phục vụ quá trình làm đồ án tốt nghiệp hoặc luận văn thạc sĩ.

Câu hỏi thường gặp

Phép biến đổi TQWT có ưu điểm gì vượt trội so với phép biến đổi Wavelet thông thường?
Biến đổi Wavelet liên tục hoặc biến đổi Wavelet rời rạc truyền thống cố định hệ số phẩm chất Q, gây hạn chế khi phân tích tín hiệu có độ dao động cao. TQWT cho phép tinh chỉnh linh hoạt hệ số Q và hệ số co dãn r, giúp cô lập chính xác các thành phần cộng hưởng và xung va đập cơ khí với khả năng bảo toàn năng lượng tín hiệu trên 98%.

Vì sao bắt buộc phải sử dụng PCA trước khi đưa dữ liệu vào thuật toán SVM?
Tín hiệu rung động sau phân rã sinh ra ma trận vector đặc trưng có số chiều lớn, dễ gây hiện tượng bùng nổ chiều tính toán và làm giảm tốc độ hội tụ của mô hình. PCA rút gọn không gian từ hơn 10 biến số xuống 2 hoặc 3 thành phần chính mà vẫn giữ trên 85% phương sai, giúp SVM tối ưu hóa siêu phẳng nhanh hơn gấp 3 lần.

Thuật toán SVM xử lý bài toán chẩn đoán đa trạng thái hư hỏng như thế nào?
SVM nguyên bản là bộ phân loại nhị phân chia 2 lớp dữ liệu. Để chẩn đoán đồng thời 3 trạng thái (bình thường, mòn nhẹ, gãy răng), nghiên cứu đã triển khai cấu trúc phân loại đa lớp (Multi-Class Classification) kết hợp hàm nhân phi tuyến, thiết lập các ranh giới siêu phẳng tách biệt rõ ràng trên không gian 3 chiều.

Luận văn đã kiểm chứng quy trình mới trên những dữ liệu thực nghiệm nào?
Quy trình được kiểm chứng trực tiếp trên bệ thử nghiệm hộp số bánh răng tại Đại học Bách khoa Hà Nội. Dữ liệu được đo đạc bằng cảm biến gia tốc với hơn 300 tệp tín hiệu thực tế tương ứng với các tình trạng bánh răng nguyên bản, bánh răng bị mài mòn và bánh răng bị gãy răng cục bộ.

Mô hình có khả năng ứng dụng cho các dạng chi tiết quay khác ngoài bánh răng không?
Quy trình TQWT-PCA-SVM hoàn toàn có thể mở rộng để chẩn đoán hư hỏng cho ổ lăn, cánh tua-bin hoặc trục động cơ. Điểm cốt lõi là các thiết bị quay khi gặp sự cố đều sinh ra rung động xung định kỳ, vốn là dạng tín hiệu mà TQWT và SVM xử lý tối ưu với độ tin cậy trên 95%.

Kết luận

• Đã nghiên cứu và làm chủ thành công cơ sở lý thuyết về Phép biến đổi Wavelet cải tiến (TQWT), Phép phân tích thành phần chính (PCA) và Thuật toán Máy vector hỗ trợ (SVM).
• Xây dựng hoàn chỉnh quy trình chẩn đoán dao động tự động mới, giải quyết triệt để bài toán nhiễu công nghiệp và dữ liệu phi tuyến tính đa chiều trong kỹ thuật cơ khí.
• Kiểm chứng thực nghiệm trên mô hình hộp số bánh răng tại Đại học Bách khoa Hà Nội, đạt độ chính xác phân loại tổng thể ấn tượng lên tới 97,5%.
• Đóng góp phương pháp luận khoa học quan trọng cho ngành Chẩn đoán kỹ thuật dao động và mở ra hướng ứng dụng trí tuệ nhân tạo chuyên sâu trong công nghiệp tại Việt Nam.
• Định hướng phát triển tiếp theo trong 12 đến 24 tháng tới là nâng cấp mô hình với phép phân tích thành phần chính dạng nhân tử (Kernel PCA) và tích hợp lên chip xử lý biên.

Hãy áp dụng ngay quy trình chẩn đoán dao động tiên tiến này vào hệ thống bảo trì của doanh nghiệp để nâng cao hiệu suất vận hành máy móc và đón đầu xu hướng công nghệ sản xuất thông minh!

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.