TOPIC:

NOISE AND VIBRATION

Nhóm 2:
 Phạm Thành Trung – 20206016
 Vũ Văn Hưởng – 20205684
 Nguyễn Văn Quý - 20205813

Hà Nội, ngày 27/ 12 / 2022 1

 Phân loại tự động hư hỏng của bánh răng bằng
phương pháp biến đổi Wavelet và Mạng nơ-ron tích
chập

2
 Mở đầu

- Dao động kỹ thuật đã trở thành một lĩnh vực nghiên cứu có sự tác động và
ảnh hưởng sâu sắc đến nhiều ngành kỹ thuật khác.

- Phân tích dao động thực nghiệm, bao gồm kỹ thuật đo và các phương pháp
phân tích tín hiệu dao động đóng một vai trò quan trọng.

3
Mở đầu
Mục tiêu của phân tích dao động thực nghiệm

− Đo đạc các đại lượng dao động của đối tượng kỹ thuật và so sánh với các
tiêu chuẩn nhằm mục đích kiểm định chất lượng, giám sát tình trạng kỹ thuật,
đánh giá tác động đến con người và môi trường.

4
Mở đầu
− Đo đạc các đại lượng đầu vào (lực kích động) và các đại lượng đầu
ra (dao động cơ học) nhằm mục đích nhận dạng tham số, xây dựng
mô hình, khảo sát các đặc tính động lực học của đối tượng.
− Đo đạc các đại lượng lực và tải trọng động, làm cơ sở cho việc thiết
kế hoặc điều khiển hoạt động của đối tượng

Hình 1.1. Mô hình của một hệ dao động

5
Nội dung

I Chẩn đoán hư hỏng hộp số bánh răng

II Đặc trưng phân bố thời gian - tần số

III Mạng Nơ-ron tích chập – ResNet

IV Kết quả thực nghiệm

V Kết luận

6
I. Chẩn đoán hư hỏng hộp số bánh răng

Một máy bay chiến đấu bị rơi do Nhà máy thép hoạt động liên tục
lỗi ổ lăn vào năm 1996 không ngừng nghỉ

7
I. Chẩn đoán hư hỏng hộp số bánh răng
• So sánh các kết quả nghiên cứu

Heidari et al. Liu Yang et al. Long Wen et al.

[1] [2] [3]

Độ chính xác 97.68% 99.12% 99.68%

Chi phí tính

253 158 98
toán - Epochs

Mạng nơ ron Mạng hàm cơ Mạng nơ-ron

Mô hình mạng đa lớp sở bán kính tích chập
(MLP) (RBF) (CNN)

8
I. Chẩn đoán hư hỏng hộp số bánh răng
• So sánh độ chính xác các phương pháp trí tuệ nhân tạo của Elsayed [4]

9
 I. Chẩn đoán hư hỏng hộp số bánh răng
• Chẩn đoán ung thư phổi bằng trí tuệ nhân tạo [5]

Thu thập ảnh Trích xuất đặc trưng Chẩn đoán

Nhẹ

Nghiêm
trọng

10
II. Đặc trưng phân bố thời gian - tần số
• Phép biến đổi Wavelet - Phân bố thời gian – tần số [6]

Mô tả phép biến đổi Wavelet Ví dụ phân bố thời gian – tần số

11
III. Mạng Nơ-ron tích chập – ResNet
• Tích chập 2 chiều
• Bộ lọc (màu xám)
• Ma trận đầu vào (màu lam)
• Ma trận đầu ra (màu lục)
• Đệm lề (nét đứt)

Minh họa phép tính

tích chập 2 chiều
12
III. Mạng Nơ-ron tích chập – ResNet
• Mạng nơ ron tích chập • Lớp tích chập
• Lớp kích hoạt
• Lớp gộp
• Lớp kết nối đầy đủ

Cấu trúc điển hình mạng Nơ-ron tích chập

13
III. Mạng Nơ-ron tích chập – ResNet
• Cấu trúc mạng ResNet

Kiến trúc mạng ResNet 14

IV. Kết quả thực nghiệm
• Mô hình thí nghiệm

15
IV. Kết quả thực nghiệm
• Các loại hư hỏng bánh răng trong bộ dữ liệu

16
IV. Kết quả thực nghiệ
m

17
IV. Kết quả thực nghiệm
• Cấu trúc mạng ResNet

18
IV. Kết quả thực nghiệ
m

19
IV. Kết quả thực nghiệm

1.Mẻ răng 2.Gãy răng 3.Bình thường

4.Mất răng 5.Tróc rỗ răng 20

IV. Kết quả thực nghiệ
m

21
IV. Kết quả thực nghiệm
• Cấu trúc mạng ResNet

22
IV. Kết quả thực nghiệm
Kết quả phân loại của mô hình

23
IV. Kết quả thực nghiệm
• So sánh các kết quả nghiên cứu

Phương pháp
Heidari et al. Liu Yang et al. Long Wen et al.
đề xuất

Độ chính xác 97.68% 99.12% 99.68% 97.86%

Số epochs 253 158 98 17

8 giá trị đặc Đồ thị biên Đồ thị biên Đồ thị phân

Dữ liệu đầu trưng độ gia tốc - độ thời gian bố thời gian -
vào mạng thời gian 1 dạng ảnh 2 tần số
huấn luyện chiều chiều

Số loại hư
hỏng của bộ 3 loại 4 loại 5 loại 9 loại
dữ liệu

24
V. Kết luận

• Phương pháp huấn luyện mạng nơ-ron tích chập phù hợp để tự
động nhận diện và phân loại hư hỏng của hộp số.

• Dữ liệu đầu vào phù hợp với mạng là hình ảnh phân bố thời
gian tần số.

• So với những phương pháp khác, phương pháp đề xuất đã thể hiện
được ưu điểm về chất lượng dữ liệu đầu vào, tiết kiệm chi phí tính
toán và phân loại nhiều tình trạng với độ chính xác cao.

25
Tài
[1]
liệu tham khảo:
Heidari-Bafroui, H. and A. Ohadi, Application of Continues Wavelet Transform and Neural
Network in Gearbox Fault Detection under Varying Speed Conditions. 2011.
[2] Yang, L. and H. Chen, Fault diagnosis of gearbox based on RBF-PF and particle swarm
optimization wavelet neural network. Neural Computing and Applications, 2019. 31(9): p.
4463-4478.
[3] Wen, L., X. Li, and L. Gao, A transfer convolutional neural network for fault diagnosis based on
ResNet-50. Neural Computing and Applications, 2020. 32(10): p. 6111-6124.
[4] Elsayed, Mahmoud & Jahromi, Hamed & Nazir, Mohsin & Jurcut, Anca. (2021). The role of
CNN for Intrusion Detection Systems: An Improved CNN Learning Approach for SDNs.
[5] Bariqi Abdillah, Alhadi Bustamam, and Devvi Sarwinda(2016) Image processing based
detection of lung cancer on CT scan images
[6] Mallat, S., A Wavelet Tour of Signal Processing. 1999: Academic Press, New York. Academic
Press, New York.

26
Thanks for listening

27