Chẩn đoán lỗi ổ bi sử dụng mô hình máy học và học sâu: một nghiên cứu so sánh ứng dụng cho bộ dữ liệu HUST bearing
24 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.103.2025.31-39Từ khóa:
Chẩn đoán lỗi ổ bi; Học máy; Học sâu; Mạng Nơ-ron Tích Chập; Mạng có bộ nhớ dài ngắn hạn; Máy vector hỗ trợ; Mô hình transformer.Tóm tắt
Chẩn đoán lỗi ổ bi đóng vai trò quan trọng trong việc đảm bảo độ tin cậy và an toàn vận hành của các hệ thống cơ khí và điện tử. Nghiên cứu này thực hiện phân tích so sánh giữa các mô hình máy học trong nhận dạng lỗi ổ bi, bao gồm Máy vector hỗ trợ (SVM), Mạng Long Short-Term Memory (LSTM), Mạng nơ-ron tích chập một chiều (1D-CNN), Mạng nơ-ron tích chập hai chiều (2D-CNN) và Mô hình Transformer. Các mô hình này được áp dụng trên tập dữ liệu HUST bearing và đánh giá dựa trên khả năng phân loại chính xác lỗi từ tín hiệu rung động. Kết quả cho thấy 1D-CNN, 2D-CNN và Transformer có hiệu suất vượt trội trong chẩn đoán lỗi ổ bi. Cụ thể, 1D-CNN đạt độ chính xác 99.8% trên tập huấn luyện và 99.83% trên tập kiểm tra, tiếp theo là 2D-CNN với 99.1% và 99.3%. Mô hình Transformer cũng đạt kết quả tốt với độ chính xác 99.7% sau 1 giờ huấn luyện, tương đương với 1D-CNN (1 giờ) và 2D-CNN (0.8 giờ). Ngược lại, LSTM và SVM có độ chính xác thấp hơn và thời gian huấn luyện dài hơn đáng kể, trong đó, LSTM mất 11.5 giờ và SVM mất 8 giờ. Những kết quả này cho thấy 1D-CNN, 2D-CNN và Transformer là các phương pháp hiệu quả cao trong chẩn đoán lỗi ổ bi, với mô hình Transformer đạt hiệu suất và tốc độ huấn luyện tương đương các mô hình CNN.
Tài liệu tham khảo
[1]. Wang Y., Li D., Li L., et al. "A novel deep learning framework for rolling bearing fault diagnosis enhancement using VAE-augmented CNN model". Heliyon, 10(15), e35407, (2024). DOI: https://doi.org/10.1016/j.heliyon.2024.e35407
[2]. Hakim M., Omran A.A.B., Ahmed A.N., et al. "A systematic review of rolling bearing fault diagnoses based on deep learning and transfer learning: Taxonomy, overview, application, open challenges, weaknesses and recommendations". Ain Shams Eng J, 14(4), 101945, (2023).
[3]. Tian A., Zhang Y., Ma C., et al. "Noise-robust machinery fault diagnosis based on self-attention mechanism in wavelet domain". Measurement, 207, 112327, (2023). DOI: https://doi.org/10.1016/j.measurement.2022.112327
[4]. Vyas N.S. and Satishkumar D., "Artificial neural network design for fault identification in a rotor-bearing system". Mech Mach Theory, 36(2), 157–175, (2001). DOI: https://doi.org/10.1016/S0094-114X(00)00034-3
[5]. Dong S., Xu X., Liu J., et al. "Rotating machine fault diagnosis based on locality preserving projection and back propagation neural network–support vector machine model". Meas Control, 48(7), 211–216, (2015). DOI: https://doi.org/10.1177/0020294015595995
[6]. Hakim M., Omran A.A.B., Ahmed A.N., et al. "A systematic review of rolling bearing fault diagnoses based on deep learning and transfer learning: Taxonomy, overview, application, open challenges, weaknesses and recommendations". Ain Shams Eng J, 14(4), 101945, (2023). DOI: https://doi.org/10.1016/j.asej.2022.101945
[7]. Han S. and Jeong J., "An weighted CNN ensemble model with small amount of data for bearing fault diagnosis". Procedia Comput Sci, 175, 88–95, (2020). DOI: https://doi.org/10.1016/j.procs.2020.07.015
[8]. Jiang H., Li X., Shao H., et al. "Intelligent fault diagnosis of rolling bearings using an improved deep recurrent neural network". Meas Sci Technol, 29(6), 065107, (2018). DOI: https://doi.org/10.1088/1361-6501/aab945
[9]. R. Sabir, D. Rosato, S. Hartmann and C. Guehmann. "LSTM based bearing fault diagnosis of electrical machines using motor current signal", 18th IEEE International Conference On Machine Learning And Applications (ICMLA), Boca Raton, FL, USA, pp. 613-618, (2019), doi: 10.1109/ICMLA.2019.00113. DOI: https://doi.org/10.1109/ICMLA.2019.00113
[10]. H. Wu, M. J. Triebe, J. W. Sutherland. "A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application". Journal of Manufacturing Systems, 67, 439-452, (2023). DOI: https://doi.org/10.1016/j.jmsy.2023.02.018
[11]. Thuan N.D. and Hong H.S. "HUST bearing: a practical dataset for ball bearing fault diagnosis". BMC Res Notes, 16(1), 138, (2023). DOI: https://doi.org/10.1186/s13104-023-06400-4
[12]. Cortes C. and Vapnik V. "Support-vector networks". Mach Learn, 20(3), 273–297, (1995). DOI: https://doi.org/10.1007/BF00994018
[13]. Kankar P.K., Sharma S.C., and Harsha S.P. "Fault diagnosis of ball bearings using machine learning methods". Expert Syst Appl, 38(3), 1876–1886, (2011). DOI: https://doi.org/10.1016/j.eswa.2010.07.119
[14]. LeCun Y., Bengio Y., and Hinton G. "Deep learning". Nature, 521(7553), 436–444, (2015). DOI: https://doi.org/10.1038/nature14539
[15]. Yang J., Chen F., Long A., et al. "Runoff simulation of the Kaidu River Basin based on the GR4J-6 and GR4J-6-LSTM models". J Hydrol Reg Stud, 56, 102034, (2024). DOI: https://doi.org/10.1016/j.ejrh.2024.102034
[16]. A. Vaswani, N. Shazeer, N. Parmar., et al. "Attention is all you need. NIPS'17": Proceedings of the 31st International Conference on Neural Information Processing Systems, 6000-6010, (2017).
