Tuyển tập công trình Hội nghị Cơ học toàn quốc lần thứ XI, Hà Nội, 02-03/12/2022

Dàn ý thuyết trình:

Phân loại tự động hư hỏng bánh răng bằng mạng học sâu

1. Chẩn đoán hư hỏng hộp số bánh răng

- Vai trò
o Trong điều kiện vận hành khắc nghiệt, các bánh răng rất dễ xảy ra hư hỏng,
đặc biệt với răng của bánh răng. Một số dạng hư hỏng thường xảy ra như: gãy
răng, mẻ răng, mòn răng,...[1]. Do đó, việc chẩn đoán và phân loại hư hỏng
của bánh răng đóng vai trò vô cùng quan trọng trong việc làm tăng tuổi thọ của
hệ thống và tránh những hư hỏng đột ngột gây thiệt hại nặng nề.
o
- Các phương pháp chẩn đoán trên thế giới đang phát triển mạnh mẽ. Hiện nay, các
phương pháp chẩn đoán và xác định hư hỏng của bánh răng đang bùng nổ mạnh mẽ,
có thể kể đến các phương pháp như: Sử dụng phép biến đổi Wavelet và các biến thể
của chúng, dùng công cụ lọc số để loại bỏ các dải tần số không cần thiết,... Ưu điểm
của các phương pháp này là độ chính xác cao, cộng đồng hỗ trợ nghiên cứu lĩnh vực
này phát triển mạnh mẽ,... Song các phương pháp này đều tồn tại một nhược điểm đó
chính là không có tính tự động, cần sự đánh giá từ các chuyên gia trong các trường
hợp thực tế khác nhau. Một xu thế tiếp cận mới trong lĩnh vực chẩn đoán đó là
phương pháp trí tuệ nhân tạo. Nhóm chúng tôi đề xuất cách tiếp cận mới kết hợp
phương pháp wavelet truyền thống và mạng trí tuệ nhân tạo.
2. Đặc trưng phân bố thời gian - tần số
- Cơ sở tính phân bố
o Phép biến đổi Wavelet cũng như các phép biến đổi khác đều nhằm mục đích
khai thác được nhiều thông tin hơn từ dữ liệu thô ban đầu. Thông thường, tín
hiệu thô được biểu diễn trong miền thời gian hoặc tần số. Biểu diễn biên độ -
thời gian của tín hiệu đôi khi ẩn đi một số đặc trưng của tín hiệu quan trọng.
Do đó tín hiệu thô này cần được biến đổi.
Nghiên cứu tổng quan về trung bình hóa tín hiệu đồng bộ có pha và không pha áp dụng chẩn đoán bánh răng.

o
- Ý nghĩa
o Bằng cách phân tích wavelet, các đặc trưng tín hiệu dao động bánh răng được
thể hiện qua phân bố thời gian tần số. Cách biểu diễn thông tin này cho thấy sự
thay đổi đồng thời cả về thời gian và tần số của tín hiệu. Dựa vào thông tin
tổng thể quan sát được của tín hiệu, ta có thể áp dụng mạng nơ-ron tích chập
để nhận diện mối liên hệ giữa các đặc trưng và phân loại tình trạng hư hỏng
của bánh răng. Các mối liên hệ này có vai trò tương tự như các giá trị đặc
trưng truyền thống như hệ số trung bình, giá trị đỉnh âm, giá trị đỉnh dương…
o
3. Học sâu - Mạng ResNet
- Mạng học sâu
o Mạng học sâu 2 chiều trong xử lý hình ảnh.

- Cách mạng tích chập học đặc trưng

o Lớp đầu, chi tiết chung

o Lớp sau chi tiết hơn

-Ưu điểm của mạng Resnet

o So sánh với các phương pháp trí tuệ nhân tạo khác
4. Kết quả thực nghiệm
- Các hình ảnh thực nghiệm
- So sánh với các cách tiếp cận khác
- Thảo luận ưu, nhược điểm
o Hình ảnh 2 chiều cho biết nhiều thông tin hơn
o Thời gian chẩn đoán nhanh
Nghiên cứu tổng quan về trung bình hóa tín hiệu đồng bộ có pha và không pha áp dụng chẩn đoán bánh răng.

o Áp dụng cùng bộ dữ liệu với phương pháp khác, kết quả 100%. Nhưng có thể
bị overfitting với số lượng dữ liệu ít.
5. Kết luận
-