Ứng dụng mạng nơ-ron trong chẩn đoán lỗi động cơ dựa trên tín hiệu độ rung
52 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.94.2024.22-30Từ khóa:
Lỗi động cơ; YOLO; Resnet; SVM; Biến đổi Fourier STFT.Tóm tắt
Bài báo này nghiên cứu và áp dụng trí tuệ nhân tạo nơ-ron (AI) để cải thiện quá trình giám sát và chẩn đoán lỗi động cơ điện dựa trên tín hiệu độ rung. Mục tiêu của nghiên cứu là tự xây dựng một mô hình để thu thập dữ liệu mẫu từ động cơ và sử dụng 3 mạng AI khác nhau trong nghiên cứu này bao gồm YOLO (You Only Look Once), Resnet (Residual neural network) và SVM (Support Vector Machine). Ứng dụng để xây dựng các mô hình nhận dạng độc lập có cùng chung tín hiệu đầu vào là độ rung để xác định các lỗi trong hệ thống có sử dụng động cơ, bài báo tập trung khảo sát các lỗi liên quan đến vòng bi. Kết quả thử nghiệm được trình bày trong bài báo cho thấy tính chính xác của việc sử dụng các mạng này trong việc chẩn đoán lỗi động cơ và đưa ra các nhận xét quan trọng về độ chính xác của các mạng AI và khả năng áp dụng thực tế trong lĩnh vực bảo trì và quản lý thiết bị công nghiệp.
Tài liệu tham khảo
[1]. Rai, A., & Upadhyay, S. H., “A review on signal processing techniques utilized in the fault diagnosis of rolling element bearings”, Tribology International, 96, 289-306, (2016). DOI: https://doi.org/10.1016/j.triboint.2015.12.037
[2]. Saufi, S. R., Ahmad, Z. A. B., Leong, M. S., & Lim, M. H., “Challenges and opportunities of deep learning models for machinery fault detection and diagnosis”, A review. Ieee Access, 7, 122644-122662, (2019). DOI: https://doi.org/10.1109/ACCESS.2019.2938227
[3]. Zhao, Z., Wu, J., Li, T., Sun, C., Yan, R., & Chen, X., “Challenges and opportunities of AI-enabled monitoring, diagnosis & prognosis”, A review. Chinese Journal of Mechanical Engineering, 34(1), 1-29, (2021). DOI: https://doi.org/10.1186/s10033-021-00570-7
[4]. Tahir, M. M., Khan, A. Q., Iqbal, N., Hussain, A., & Badshah, S., “Enhancing fault classification accuracy of ball bearing using central tendency based time domain features”, IEEE Access, 5, 72-83, (2016). DOI: https://doi.org/10.1109/ACCESS.2016.2608505
[5]. Chen, Z.; Li, C.; Sanchez, R.V, “Gearbox fault identification and classification with convolutional neural networks”, Shock. Vib. 2015, 390134, (2015). DOI: https://doi.org/10.1155/2015/390134
[6]. Zhao, J.; Yang, S.; Li, Q.; Liu, Y.; Gu, X.; Liu, W, “A new bearing fault diagnosis method based on signal-to-image mapping and convolutional neural network”, Measurement 2021, 176, 109088, (2021). DOI: https://doi.org/10.1016/j.measurement.2021.109088
[7]. Gao, Y.; Liu, X.; Huang, H.; Xiang, J, “A hybrid of FEM simulations and generative adversarial networks to classify faults in rotor-bearing systems”, ISA Trans. 2021, 108, 356–366, (2021). DOI: https://doi.org/10.1016/j.isatra.2020.08.012
[8]. Liu, H.; Zhou, J.; Xu, Y.; Zheng, Y.; Peng, X.; Jiang, W, “Unsupervised fault diagnosis of rolling bearings using a deep neural network based on generative adversarial networks”, Neurocomputing 2018, 315, 412–424, (2018). DOI: https://doi.org/10.1016/j.neucom.2018.07.034
[9]. Wang, R.; Jiang, H.; Li, X.; Liu, S, “A reinforcement neural architecture search method for rolling bearing fault diagnosis”, Measurement 2020, 154, 107417, (2020). DOI: https://doi.org/10.1016/j.measurement.2019.107417
[10]. Y. A. Almatheel and M. Osman, "Bearing Element Fault Diagnosis Using Support Vector Machine" , 2020 International Conference on Computer, Control, Electrical, and Electronics Engineering (ICCCEEE), Khartoum, Sudan, pp. 1-5, (2021). DOI: https://doi.org/10.1109/ICCCEEE49695.2021.9429590
[11]. X. Zhang, Y. Liang, J. Zhou, and Y. zang, “A novel bearing fault diagnosis model integrated permutation entropy, ensemble empirical mode decomposition and optimized SVM,” Measurement, vol. 69, pp. 164–179, (2015). DOI: https://doi.org/10.1016/j.measurement.2015.03.017
[12]. C. Zhang, J. Chen, and X. Guo, “A gear fault diagnosis method based on EMD energy entropy and SVM,” Journal of Vibration and Shock, vol. 29, no. 10, pp. 216–220, (2010).
[13]. S. Zgarni and A. Braham, "Classification of Bearing Fault Detection Using Multiclass SVM: A Comparative Study", 2018 15th International Multi-Conference on Systems, Signals & Devices (SSD), Yasmine Hammamet, Tunisia, pp. 888-892, (2018). DOI: https://doi.org/10.1109/SSD.2018.8570564
[14]. J. Redmon and A. Farhadi, "YOLO9000: better, faster, stronger", in Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 7263-7271, (2017). DOI: https://doi.org/10.1109/CVPR.2017.690
[15]. C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao, "YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors", arXiv preprint arXiv:2207.02696, (2022). DOI: https://doi.org/10.1109/CVPR52729.2023.00721
[16]. Van-Nam Pham, Quang-Huy Do Ba, Duc-Anh Tran Le, “Using Artificial Intelligence (AI) for Monitoring and Diagnosing Electric Motor Faults Based on Vibration Signals”, International Conference on Information Networking (ICOIN), (2024).
