Chẩn đoán hư hỏng bánh răng không cần tiền xử lý

bằng cách sử dụng bộ dữ liệu nhỏ với học chuyển giao dựa trên mạng CNN

Abstract

Phương pháp cổ điển: trích xuất đặc trưng sau đó phân loại (FFT, Wavelet,…)

Nhược điểm: cần kiến thức chuyên môn của con người

CNN:

Ưu: có sẵn trích xuất đặc trưng và phân loại

Nhược: cần data lớn

CNN + tranfer learning:

Ưu: như CNN nhưng data đào tạo nhỏ

Cấu trúc mạng gồm 2 phần:

+ mạng nơ-ron sâu được đào tạo trước để trích xuất các tính năng tự động từ input

+ fully connected: phân loại các tính năng cần được huấn luyện bằng cách sử dụng dữ liệu thí
nghiệm hư hỏng bánh răng

Architecture:

+ convolution layer: trích xuất đặc trưng

+ ReLU layer: tăng cường các đặc trưng qua biến đổi phi tuyến

+ max pooling layer: giảm kích thước data

+ fully connected + softmax layer: phân loại input thành các nhãn đã biết

Convolution layer:

Dữ liệu đầu và được biểu diễn dưới dạng ma trận 2D

Sử dụng bộ lọc là ma trận đường chéo, nhân với ma trận đầu để tạo ma trận đặc trưng

1 lớp tích chập gồm nhiều bộ lọc có tham số khác nhau

Mỗi bộ thu được một phần đặc trưng theo góc nhìn riêng từ hình ảnh đầu vào
ReLU layer (rectified linear units):

thường dùng sau lớp tích chập

biến mối quan hệ vào – ra thành phi tuyến

Max pooling layer:

lấy giá trị lớn nhất trong 1 ma trận con

làm giá trị đặc trưng ít bị ảnh hưởng bởi việc thay đổi vị trí

giảm bớt tham số, kích thước ma trận -> giảm thời gian tính toán

Transfer learning

CNN càng sâu -> càng cần nhiều dữ liệu training

hệ thống cơ khí có dữ liệu huấn luyện luôn không đủ bằng các tác vụ khác như phân loại ảnh tự
nhiên.
 hiệu suất của CNN quy mô lớn có tiềm năng vượt qua các phương pháp khác, nhưng đồng thời tỉ
lệ với kích thước của dữ liệu đào tạo

Transfer learning có hiệu suất tương đương với dữ liệu đào tạo nhỏ hơn

Phương pháp transfer learning:

chuyển (sao chép) n lớp đầu tiên của mạng được đào tạo tốt sang mạng đích của lớp m> n

(m-n) lớp cuối cùng của mạng đích vẫn chưa được đào tạo

Lớp sau = dữ liệu lớp đầu(1:n) + dữ liệu mới(n:m)

Architecture

5 tầng convolution + 3 tầng fully connected

 7 tầng đầu dùng để trainfer giữa các lớp, tầng cuối dùng để train

loss function: cross entropy

normalization: hạn chế network khỏi over-fitting

Hệ thống cơ khí:
 Hộp số 2 cấp

Mô-men xoắn được cung cấp bởi một phanh từ tính có thể được điều chỉnh

Trục đầu vào:

Bánh răng chủ động 32 răng và bánh răng bị động 80 răng

Trục 2:

bánh răng chủ động 48 răng và bánh răng bị động 64 răng

Hư hỏng:

chín lỗi bánh răng trên trục đầu vào:

tốt

mất răng

nứt chân răng

tróc rỗ

mẻ đầu răng với 5 mức độ

Lấy mẫu:

104 tín hiệu

mỗi tín hiệu có 3600 mẫu trong 4 vòng quay

1 vòng quay có 900 điểm lấy mẫu

So sánh các phương pháp

1. Transfer learning
2. Local CNN
+ 2 tầng conv
+ 1 tầng fully connected