Nghiên cứu mạng học sâu ứng dụng trong việc nhận dạng và phân loại tự động hư hỏng bánh răng

Abstract

Bánh răng là một chi tiết cơ bản và có vai trò vô cùng quan trọng trong máy móc và thiết bị. Khi một bánh răng xảy ra hư hỏng dù nhỏ cũng có thể ảnh hưởng cả một dây chuyền sản xuất lớn. Để tránh sự cố nghiêm trọng do hư hỏng bánh răng đột ngột, các phương pháp chẩn đoán hư hỏng dựa trên tín hiệu dao động đã được nhiều nhà nghiên cứu quan tâm. Trong thời gian gần đây có nhiều phương pháp mới được phát triển trên nền tảng phép biến đổi Wavelet để xử lý tín hiệu dao động đo đã mang lại nhiều kết quả khả quan. Tuy nhiên các phương pháp này vẫn cần các chuyên gia trong cùng lĩnh vực đọc kết quả, điều này khiến cho phương pháp mất dần ưu thế trong thời đại công nghiệp 4.0. Để khắc phục nhược điểm này, bài báo để xuất phương pháp tự động nhận dạng, phân loại hư hỏng bánh răng bằng cách kết hợp phép biến đổi wavelet và mạng nơ-ron tích chập. Đầu tiên tín hiệu được đưa vào phép biến đổi wavelet tạo ra phân bố thời gian – tần số. Tiếp sau đó phân bố thời gian – tần số này sẽ là dữ liệu đầu vào cho mạng nơ-ron tích chập Resnet-50. Mô hình mạng tiền huấn luyện Resnet-50 có khả năng tự nhận diện đặc trưng của dữ liệu ảnh đầu vào. Phương pháp để xuất được kiểm chứng bằng bộ tín hiệu dao động hộp số thực tế. Kết quả huấn luyện và kiểm tra cho thấy khả năng nhận diện hư hỏng bánh răng với độ chính xác cao.

Từ khóa: Bánh răng, phân loại tự động, dao động, Convolutional Neural Network, wavelet.

Full text

Tuyển tập công trình Hội nghị Cơ học toàn quốc lần thứ XI, Hà Nội, 02-03/12/2022
Nghiên cứu mạng học sâu ứng dụng trong việc nhận dạng và phân loại tự
động hư hỏng bánh răng.
Nguyễn Phong Điền, Nguyễn Trọng Du*, Nguyễn Hữu Cương, Đặng Hồng Phong và Phạm Thành
Trung
Trường Cơ Khí, Đại học Bách Khoa Hà Nội
*Email: du.nguyentrong@hust.edu.vn
Tóm tắt. Bánh răng là một chi tiết cơ bản và có vai trò vô cùng quan trọng trong máy móc và thiết bị.
Khi một bánh răng xảy ra hư hỏng dù nhỏ cũng có thể ảnh hưởng cả một dây chuyền sản xuất lớn. Để
tránh sự cố nghiêm trọng do hư hỏng bánh răng đột ngột, các phương pháp chẩn đoán hư hỏng dựa
trên tín hiệu dao động đã được nhiều nhà nghiên cứu quan tâm. Trong thời gian gần đây có nhiều
phương pháp mới được phát triển trên nền tảng phép biến đổi Wavelet để xử lý tín hiệu dao động đo đã
mang lại nhiều kết quả khả quan. Tuy nhiên các phương pháp này vẫn cần các chuyên gia trong cùng
lĩnh vực đọc kết quả, điều này khiến cho phương pháp mất dần ưu thế trong thời đại công nghiệp 4.0.
Để khắc phục nhược điểm này, bài báo để xuất phương pháp tự động nhận dạng, phân loại hư hỏng
bánh răng bằng cách kết hợp phép biến đổi wavelet và mạng nơ-ron tích chập. Đầu tiên tín hiệu được
đưa vào phép biến đổi wavelet tạo ra phân bố thời gian – tần số. Tiếp sau đó phân bố thời gian – tần số
này sẽ là dữ liệu đầu vào cho mạng nơ-ron tích chập Resnet-50. Mô hình mạng tiền huấn luyện Resnet-
50 có khả năng tự nhận diện đặc trưng của dữ liệu ảnh đầu vào. Phương pháp để xuất được kiểm
chứng bằng bộ tín hiệu dao động hộp số thực tế. Kết quả huấn luyện và kiểm tra cho thấy khả năng
nhận diện hư hỏng bánh răng với độ chính xác cao.
Từ khóa: Bánh răng, phân loại tự động, dao động, Convolutional Neural Network, wavelet.
1. Mở đầu
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 quan trọng trong việc làm tăng tuổi thọ của hệ
thống và tránh những hư hỏng đột ngột gây thiệt hại nặng nề.
Có nhiều phương pháp chẩn đoán hư hỏng bánh răng dựa trên nền tảng tín hiệu số cụ thể phải kể
đến các phương pháp như: Phép biến đổi Fourier [2], phép biến đổi Wavelet [3], phép biến đổi Cepstrum
[4]. Ưu điểm của các phương pháp này là độ chính xác cao, có cơ sở dữ liệu lớn, nhiều mã nguồn mở và
được sự trợ giúp của cộng đồng nghiên cứu,... 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. Việc ứng dụng trí tuệ nhân tạo vào mọi
lĩnh vực đang là xu thế, và trong lĩnh vực chẩn đoán kỹ thuật đã đạt được những kết quả bước đầu. Năm
2011, Heidari [5] đã áp dụng Mạng nơ-ron nhân tạo và cho kết quả huấn luyện 97.68%, kết quả kiểm tra là
97.18%, tuy nhiên nhược điểm của phương pháp là khối lượng tính toán lớn với 253 epoch. Năm 2018,
Liu Yang [6] và các cộng sự đã áp dụng mạng nơ-ron nhân tạo với các giá trị đặc trưng của tín hiệu và thu
được kết quả chẩn đoán tốt. Tuy nhiên, các tác giả sử dụng dữ liệu mô phỏng với nhiễu trắng, và 8 giá trị
đặc trưng đại diện cho tập dữ liệu, nên kết quả chẩn đoán chỉ đạt được trong điều kiện thí nghiệm lý
tưởng. Cùng năm 2018, Long Wen [7] đã áp dụng một phương pháp trong học sâu vào chẩn đoán kỹ
thuât, đó là phương pháp học chuyển tiếp. Mặc dù kết quả phân loại tốt, tuy nhiên số dữ liệu để huấn
luyện của mỗi thử nghiệm không nhiều. Hơn nữa, dữ liệu đầu vào mạng huấn luyện là giá trị biên độ - thời
gian, đây là dạng dữ liệu tín hiệu dao động thô, bị ẩn đi những đặc trưng tín hiệu quan trọng. Ở Việt nam

Nguyễn Phong Điền, Nguyễn Trọng Du, Nguyễn Hữu Cương, Đặng Hồng Phong và Phạm Thành Trung
trong những năm gần đây cũng đã có một số ứng dụng về mạng nơ-ro [8] và support vector machine [9]
cho kết quả chấn đoán hư hỏng bánh răng tốt trong một số trường hợp cụ thể.
Dựa trên cơ sở những đánh giá nghiên cứu tổng quan ở trên, với mục đích khắc phục những nhược
điểm, trong bài báo này nhóm tác giả đề xuất một phương pháp tự động chẩn đoán và phân loại hư hỏng
của bánh răng dựa trên phép biến đổi Wavelet liên tục (Contiuous Wavelet Transform) kết hợp với mạng
nơ-ron tích chập (Convolutional Neural Network) (CNN). Đây là một nhóm phương pháp mới đòi hỏi
phải có sự nghiên cứu chuyên sâu để từng bước áp dụng trong công nghiệp.
2. Cơ sở lý thuyết của nghiên cứu
2.1. Phép biến đổi Wavelet liên tục
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.
Phép biến đổi Wavelet sử dụng các hàm Wavelet cơ sở để biểu diễn cho một tín hiệu 󰇛󰇜 bất kỳ.
Các hàm Wavelet cơ sở được viết dưới dạng tổng quát [10]:
󰇛󰇜
󰇛 
󰇜
(
(1)
Trong đó,    là hệ số dịch chuyển và   là hệ số tỷ lệ (  ),  󰉴󰉷 wavlet. Việc
thay đổi tham số sẽ làm thay đổi tỷ lệ các hàm Wavelet, dẫn đến thay đổi độ phân giải thời gian và tần
số tại các vùng khác nhau. Tính chất này chỉ có ở phép biến đổi Wavelet và đặc biệt hữu ích cho việc phân
tích các tín hiệu không tuần hoàn và các tín hiệu có tần số biến đổi nhanh theo thời gian. Ví dụ trên Hnh 1
vừa cho ta quan sát vùng màu vàng là có tần số thay đổi nhanh, vừa có thể biết được chúng xảy ra ở thời
gian nào.
a) Vị trí các cửa sổ trên mặt phẳng thời gian - tần số b) Ví dụ phân bố thời gian – tần số
Hnh 1: Mô phỏng phép biến đổi Wavelet liên tục
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

Nghiên cứu mạng học sâu ứng dụng trong việc nhận dạng và phân loại tự động hư hỏng bánh răng.
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…
2.2. Mạng nơ-ron tích chập
Mạng nơ-ron tích chập là một phần của học sâu. Mạng nơ ron tích chập hoạt động tốt về mặt khai
thác đặc trưng của dữ liệu. Mạng tích chập được cấu thành từ lớp đầu vào, lớp tích chập, lớp tổng hợp, lớp
kết nối đầy đủ và lớp đầu ra. Lớp tích chập thực hiện trích xuất đặc trưng cục bộ trên ma trận đầu vào
thông qua phép nhân tích chập. Việc giảm kích thước sẽ được thực hiện bởi lớp tổng hợp. Các tính năng
chính của mạng tích chập là tiếp nhận cục bộ, chia sẻ trọng số và tổng hợp [11]. Trong mạng nơ ron tích
chập, lớp tích chập và lớp tổng hợp xuất hiện xen kẽ. Nguyên tắc của mạng tích chập được thể hiện trong
Hnh 2.
Hnh 2: Cấu trúc cơ bản mạng nơ-ron tích chập
Giả sử rằng lớp đầu tiên là một lớp tích chập, công thức tính toán của lớp tích chập như sau:

 󰇛
 

󰇜


(2)
Bài báo sử dụng hàm kích hoạt ReLU [11] có tốc độ hội tụ nhanh và hiệu quả trong mạng nơ-ron,
giúp giảm khối lượng tính toán và nhanh tiệm cận kết quả . Phương trnh của hàm ReLU:
󰇛󰇜 󰇛󰇜
(3)
Sau khi lớp tổng hợp được kết nối với lớp tích chập, ma trận sẽ được giảm kích thước theo một
phương pháp tổng hợp nhất định để có được ma trận có độ phân giải thấp hơn. Phương pháp tổng hợp
chung được sử dụng phổ biến nhất là tổng hợp tối đa [12]. Tổng hợp tối đa làm giảm số lượng các nút đầu
ra và tăng cường độ mạnh của mạng đối với các đặc tính đầu vào. Lớp thứ    là lớp tổng hợp. Nó được
tính như sau:

  


(4)
2.3. Học chuyển tiếp – Mạng Resnet-50
Trong quá trình bùng nổ của deep learning, các tài nguyên về trí tuệ nhân tạo ngày càng dồi dào.
Song song với quá trình phát triển đó, ngày càng có nhiều các mô hnh đào tạo có chất lượng tốt và độ
chính xác cao. Lý thuyết về học chuyển tiếp được Lorien Pratt thực nghiệm lần đầu năm 1993 và sau đó
viết lại nó dưới dạng một lý thuyết toán học vào năm 1998 [13] đã hiện thực hóa ý tưởng về chuyển giao

Nguyễn Phong Điền, Nguyễn Trọng Du, Nguyễn Hữu Cương, Đặng Hồng Phong và Phạm Thành Trung
tri thức giữa các mô hnh như giữa con người với nhau. Học chuyển tiếp là một phương pháp hiệu quả,
giúp tiết kiệm chi phí tài nguyên tính toán trong học máy. Trong đó, một mô hnh được phát triển cho một
bộ dữ liệu được sử dụng lại làm cấu trúc ban đầu cho một mô hình khác với một bộ dữ liệu khác. Mô hình
mạng mới được thừa kế mô hình mạng tối ưu từ quá trình huấn luyện trước đó. Trên Hnh 3 là sơ đồ so
sánh hiệu suất mô hnh trước và sau khi áp dụng học chuyển tiếp [14].
Hnh 3: Sơ đồ so sánh hiệu suất mô hnh trước và sau khi áp dụng học chuyển tiếp
Những kiến trúc mạng tiền huấn luyện trong học chuyển tiếp thường cải tiến độ chính xác nhờ gia
tăng chiều sâu của mạng CNN. Nhưng thực nghiệm cho thấy đến một ngưỡng độ sâu nào đó th độ chính
xác của mô hình sẽ bão hòa và thậm chí phản tác dụng và làm cho mô hnh kém chính xác hơn. Khi đi qua
quá nhiều tầng độ sâu có thể làm thông tin gốc bị mất đi. Cấu trúc mạng ResNet đã sử dụng kết nối tắt để
giải quyết vấn đề này. Các kết nối tắt giúp giữ thông tin không bị mất bằng cách kết nối từ lớp trước đó tới
lớp phía sau và bỏ qua một vài lớp trung gian. Kết quả là khối lượng tính toán giảm, trong khi độ chính
xác tăng.
Phương pháp học chuyển tiếp kết hợp với mạng nơ-ron Resnet-50 được sử dụng trong bài báo này.
Kiến trúc mạng Resnet-50 được ứng dụng rất thành công trong lĩnh vực phát hiện đồ vật hay nhận dạng
khuôn mặt [15]. Với phương pháp học chuyển tiếp, phương pháp này áp dụng tri thức đã có từ mô hình
trước sang bài toán hiện tại. Phương pháp này hiệu quả dù chỉ với tập dữ liệu nhỏ và tiết kiệm chi phí
huấn luyện [7].
3. Một số kết quả thực nghiệm
Để xây dựng quy trình chẩn đoán trên nền tảng kết hợp mạng học sâu và phép biến đổi Wavelet,
nhóm tác giả đã đưa ra trên sơ đồ được biểu diễn trên Hnh 4. Trong sơ đồ này tín hiệu thô thu được sẽ lần
lượt được tiền xử lý bằng phép biến đổi Wavelet sau đó đưa vào mạng huấn luyện trước khi đến công
đoạn cuối là kiểm tra để đánh giá hiệu quả của phương pháp.
3.1. Mô tả dữ liệu
Để kiểm chứng phương pháp được nêu ở trên, bài báo sử dụng một bộ dữ liệu được công bố rộng
rãi dành cho các nhà nghiên cứu. Bộ dữ liệu này được thu thập từ bộ thí nghiệm với hộp số 2 cấp được cấu
tạo từ các bánh răng thẳng. Cấu tạo hộp số gồm một bánh răng 32 răng và một bánh răng 80 răng được lắp
trên trục vào, trục ra gồm một bánh răng 48 răng và một bánh răng 64 răng. Đầu đo gia tốc được gắn dưới
cốc lót với hướng đo là hướng kính. Tín hiệu gia tốc được ghi lại qua hệ thống dSPACE với tần số lấy
mẫu là 20kHz [16]. Trong đó, gồm 9 loại hư hỏng khác nhau là: bnh thường, gãy răng, mất trăng, tróc rỗ
và mòn răng với 5 mức độ khác nhau được miêu tả trong Hnh 5. Hnh 6 biểu diễn đồ thị phân bố thời
gian – biên độ của tín hiệu chưa qua xử lý. Các hình ảnh dữ liệu tín hiệu bánh răng gãy như Hnh 6c cho

Nghiên cứu mạng học sâu ứng dụng trong việc nhận dạng và phân loại tự động hư hỏng bánh răng.
thấy nhiều điểm khác nhau trong cùng 1 phân loại hư hỏng. Do đó việc phân loại chỉ dựa trên đồ thị biên
độ - thời gian rất khó khăn.
Hnh 4: Sơ đồ khối các bước thực hiện
Hnh 5: Mô tả lỗi hư hỏng bánh răng

Nguyễn Phong Điền, Nguyễn Trọng Du, Nguyễn Hữu Cương, Đặng Hồng Phong và Phạm Thành Trung
a. Bánh răng bnh thường b. Bánh răng mòn
c. Gãy răng, mất răng
Hnh 6: Đồ thị phân bố thời gian – biên độ của tín hiệu chưa qua xử lý
3.2. Các bước tiến hành
3.2.1. Tiền xử lý dữ liệu
Để đảm bảo mô hình đầu vào đúng với mô hình dự đoán đã được huấn luyện, ta thực hiện nội suy
tín hiệu về tần số lấy mẫu 20kHz của mô hnh đã được huấn luyện. Tín hiệu sau khi được tiền xử lý gồm
thành 9 phân loại khác nhau, mỗi phân loại chứa 104 bộ dữ liệu với kích thước 1*3600.
3.2.2. Biến đổi Wavelet liên tục
Tín hiệu gia tốc được biến đổi qua phép biến đổi wavelet liên tục và được biểu diễn trên miền thời
gian – tần số. Mục đích của bước biến đổi này nhằm khai thác cũng như làm nổi bật các đặc trưng của tín
hiệu được chứa trong mỗi đoạn tín hiệu. Hnh 7 cho thấy các đốm màu sáng biểu diễn biên độ gia tốc thay
đổi đột ngột, đây cũng là những đặc trưng cho tình trạng hư hỏng của bánh răng. Các hình ảnh đồ thị phân
bố thời gian – tần số được lưu lại, chia thành các tập dữ liệu Huấn luyện, tập dữ liệu Kiểm định và tập dữ
liệu Kiểm tra.
3.2.3. Tạo bộ dữ liệu dựa trên ảnh Wavelet
Việc chia bộ dữ liệu để huấn luyện theo tỉ lệ hợp lý là một vấn đề cần được quan tâm. Do bộ dữ liệu
dùng trong bài báo này có số lượng dữ liệu không lớn, nên việc chia tỉ lệ càng trở nên quan trọng. Nếu tỉ
lệ của tập Huấn luyện quá thấp sẽ gây ra sai số lớn trong quá trình huấn luyện, đồng thời bộ Kiểm định và
tập Kiểm tra sẽ không được sử dụng triệt để. Dựa trên kết luận của bài báo về tỉ lệ phân bố tập Huấn luyện
và tập Kiểm định, [17] đối với mỗi dạng hư hỏng, nghiên cứu này lựa chọn số lượng tập Huấn luyện là 78,
số lượng tập Kiểm định là 21 và tập Kiểm tra là 5.

Nghiên cứu mạng học sâu ứng dụng trong việc nhận dạng và phân loại tự động hư hỏng bánh răng.
Hnh 7: Mô tả biến đổi Wavelet liên tục
3.2.4. Huấn luyện mạng nơ-ron (Resnet-50)
Tốc độ học (Learning Rate) thường được chọn trong khoảng 0.0 đến 0.1. Tốc độ học kiểm soát
lượng lỗi được phân bổ mà trọng số của mô hnh được cập nhật mỗi khi chúng được cập nhật ở cuối mỗi
đợi huấn luyện (Epoch). Khi tốc độ học lớn cho phép mô hình học nhanh hơn, nhưng nhược điểm là trọng
số huấn luyện cuối cùng không đạt được ở mức tối ưu, ảnh hưởng đến kết quả huấn luyện sau này. Ngược
lại, với tốc độ học thấp, trọng số huấn luyện được đưa về tỉ lệ lý tưởng, nhưng cùng với đó là gây ra lãng
phí tài nguyên trong quá trình huấn luyện. Vì vậy, cần phải chọn tốc độ học phù hợp, vừa đạt được trọng
số huấn luyện phù hợp với trường hợp đang xét, vừa cho ra tỉ lệ huấn luyện cao vừa hoàn thành với số
epoch thấp nhất.
Sau khi thử nghiệm và đánh giá, rút ra được các thông số phù hợp với mô hình huấn luyện này được
cho trong Bảng 1.
Bảng 1. Thông số huấn luyện
Max Epochs
4
Mini Batch Size
4
Learning Rate
0.0025
Để mô hình mạng huấn luyện phù hợp với bộ dữ liệu mới, việc chỉnh sửa lại cấu trúc mạng Resnet-
50 là cần thiết[18]. Các khối tích chập hay khối định danh của mạng đóng góp phần lớn cho thành công
của kiến trúc mạng tiền huấn luyện này, vì vậy ta chỉ cần chỉnh sửa các lớp cuối. Các lớp cuối của kiến
trúc đó là lớp kết nối (Fully Connect) và lớp phân loại (Softmax Classifier) được điều chỉnh để phù hợp
với bộ dữ liệu mới và các nhãn phân loại mới. Trong cấu trúc mạng Resnet-50 nguyên bản, lớp phân loại
bao gồm 1000 phân loại với các nhãn chủ yếu là đồ vật và động vật, vậy nên cần thay đổi các nhãn này
thành các dạng tình trạng hư hỏng bánh răng. Đồng thời, số lượng đầu ra của lớp kết nối cũng cần được
điều chỉnh để thống nhất với số phân loại hư hỏng có trong bộ dữ liệu, cụ thể giảm từ 1000 xuống còn 9.

Nguyễn Phong Điền, Nguyễn Trọng Du, Nguyễn Hữu Cương, Đặng Hồng Phong và Phạm Thành Trung
Quá trình huấn luyện bằng phần mềm Matlab diễn ra trong 12 phút, tỉ lệ huấn luyện cuối cùng đạt
97.86%. Chi tiết được thống kê trong Hình 8.
Hnh 8: Đồ thị quá trình huấn luyện
3.2.5. Kiểm tra kết quả huấn luyện
Kết quả của mạng nơ-ron sau khi được huấn luyện sẽ được lưu lại, mang toàn bộ đặc tính cũng như
các đặc trưng hnh ảnh đã được huấn luyện. Việc lưu lại này giúp kiểm tra độ chính xác với các ảnh không
nằm trong bộ dữ liệu được đưa vào quá trnh huấn luyện. Với từng ảnh được đưa vào, sẽ được dùng làm
đầu vào của lớp lọc đã được huấn luyện. Sau khi lọc, các đầu vào này sẽ thu được phân loại theo các nhãn
tương ứng và phần trăm chính xác. Kết quả thu được được miêu tả trong Hình 9.
a. Bánh răng bnh thường b, Gãy răng, mất răng, tróc rỗ bề mặt
Hnh 9: Kết quả thử lại với từng phân loại

Nghiên cứu mạng học sâu ứng dụng trong việc nhận dạng và phân loại tự động hư hỏng bánh răng.
c. Bánh răng mòn
Hnh 9: Kết quả thử lại với từng phân loại
Sau khi tiến hành kiểm tra, kết quả thu được có độ chính xác cao. Các nhãn được đưa ra với mỗi
ảnh đều đúng với dạng hư hỏng, tỉ lệ chính xác dao động từ 84,1% với phân loại “mòn răng 4” đến 100%
với phân loại “gãy răng”. Tỉ lệ chính xác này hoàn toàn phù hợp với tỉ lệ huấn luyện đã đưa ra trước đó.
3.2. Đánh giá kết quả và thảo luận
Các bộ dữ liệu thử nghiệm hiện nay đều thực hiện đo đạc trong phòng thì nghiệm, tín hiệu không bị
ảnh hưởng nhiều bởi nhiễu. Để ứng dụng vào thực tế, việc chọn được phương pháp lọc nhiễu tín hiệu một
cách phù hợp vẫn luôn được các nhà nghiên cứu quan tâm. Đây là điểm hạn chế mà các nghiên cứu trước
không xét đến, và sử dụng dữ liệu thô để huấn luyện mạng. Trong bài báo này, việc áp dụng biến đổi
wavelet cho phép quan sát tổng thể các đặc trưng của dữ liệu, giúp quá trình huấn luyện có thể tìm ra sự
liên kết giữa các đặc trưng của mỗi loại hư hỏng. Bên cạnh đó việc áp dụng phép biến đổi Wavelet còn
như một phương pháp loại bỏ ảnh hưởng của nhiễu đối với tín hiệu đo ngoài hiện trường. Sử dụng học
chuyển tiếp giúp thời gian huấn luyện cũng như số epoch được rút gọn ở mức tối đa, tiết kiệm chi phí tính
toán. Kết quả thực nghiệm cho thấy tỉ lệ huấn luyện đạt 97.86% và tỉ lệ kiểm tra đạt 95.7%. So với các
nghiên cứu cùng lĩnh vực, kết quả phân loại này đạt độ chính xác khá cao. Bằng cách xử lý hình ảnh đặc
trưng tương tự đồ thị phân bố thời gian – tần số, phương pháp này có thể mở rộng thêm với các loại lỗi
khác hoặc với các bộ phận khác trong hộp số ví dụ như vòng bi, ổ đỡ.
4. Kết luận
Bài báo này đã đề xuất một phương pháp đơn giản, hiệu quả trên cơ sở ứng dụng mạng học sâu để
nhận dạng và tự động phân loại hư hỏng của hộp số bánh răng chỉ bằng hình ảnh. Phép biến đổi Wavelet
liên tục được dùng để tiền xử lý tín hiệu nhằm mục đích thu được hình ảnh phân bố thời gian – tần số. Sau
đó hình ảnh phân bố này sẽ là dữ liệu đầu vào cho cấu trúc mạng nơ-ron tích chập. Việc huấn luyện thông
qua phương pháp học chuyển tiếp giúp gia tăng hiệu quả huấn luyện trên cơ sở bộ tham số tối ưu được lựa
chọn qua nhiều lần thử. Phương pháp đề xuất trên đã được kiểm nghiệm thông qua việc xử lý tín hiệu dao
động thu được từ một hộp số hai cấp có bảnh răng hư hỏng. Kết quả nhận dang và phân loại cho thấy việc
áp dụng phương pháp đề xuất đã mang lại kết quả phân loại chính xác cao. So với những phương pháp
khác, phương pháp này đã thể hiện được những ưu điểm về chất lượng dữ liệu đầu vào, tiết kiệm khối
lượng tính toán, góp phần không nhỏ vào việc xây dựng mô hình chẩn đoán online trong tương lai.

Nguyễn Phong Điền, Nguyễn Trọng Du, Nguyễn Hữu Cương, Đặng Hồng Phong và Phạm Thành Trung
Tài liệu tham khảo
[1] Sharma, V., & Parey, A. (2016). A Review of Gear Fault Diagnosis Using Various Condition Indicators.
Procedia Engineering, 144, 253-263. doi:https://doi.org/10.1016/j.proeng.2016.05.131
[2] Heneghan, Khanna, C., Flock, S. M., Ulfendahl, A., & Brundin, M. (1994). Investigating the nonlinear
dynamics of cellular motion in the inner ear using the short-time Fourier and continuous wavelet
transforms. IEEE Transactions on Signal Processing, 42(12), 3335-3352.
[3] Dien, N. P. (2004). Fault diagnosis in ball bearing using the envelope analysis and the wavelet analysis.
Proc. of the National Conference on Mechanics, Ha noi, 78-85.
[4] Dien, N. P., & Du, N. T. (2020). Fault Detection for Rotating Machines in Non-stationary Operations Using
Order Tracking and Cepstrum. In Advances in Engineering Research and Application (pp. 349-356).
[5] Heidari-Bafroui, H., & Ohadi, A. (2011). Application of Continues Wavelet Transform and Neural Network
i n Gearbox Fault Detection under Varying Speed Conditions.
[6] Yang, L., & Chen, H. (2019). Fault diagnosis of gearbox based on RBF-PF and particle swarm optimization
wavelet neural network. Neural Computing and Applications, 31(9), 4463-4478. doi:10.1007/s00521-018-
3525-y
[7] Wen, L., Li, X., & Gao, L. (2020). A transfer convolutional neural network for fault diagnosis based on
ResNet-50. Neural Computing and Applications, 32(10), 6111-6124. doi:10.1007/s00521-019-04097-w
[8] Du, N. T., & Dien, N. P. (2014). Gear fault identification using artificial neural network and wavelet packet
transform. Proceedings of the 3rd International Conference on Engineering Mechanics and Automation -
ICEMA 3, 17 – 22.
[9] Dien, N. P., & Du, N. T. (2018). On a Diagnostic Procedure to Automatically Classify Gear Faults Using
the Vibration Signal Decomposition and Support Vector Machine. Lecture Notes in Networks and Systems,
63, 425-432. doi:https://doi.org/10.1007/978-3-030-04792-4_55
[10] Mallat, S. (1999). A Wavelet Tour of Signal Processing: Academic Press, New York.
[11] Liu, S., Ji, Z., Wang, Y., Zhang, Z., Xu, Z., Kan, C., & Jin, K. (2021). Multi-feature fusion for fault
diagnosis of rotating machinery based on convolutional neural network. Computer Communications, 173,
160-169. doi:https://doi.org/10.1016/j.comcom.2021.04.016
[12] Li, X., Li, J., Qu, Y., & He, D. (2019). Gear Pitting Fault Diagnosis Using Integrated CNN and GRU
Network with Both Vibration and Acoustic Emission Signals. Applied Sciences, 9(4). Retrieved from
doi:10.3390/app9040768
[13] Thrun, S., & Pratt, L. (1998). Learning to Learn: Introduction and Overview. In S. Thrun & L. Pratt (Eds.),
Learning to Learn (pp. 3-17). Boston, MA: Springer US.
[14] Emilio Soria Olivas, J. D. M. G., Marcelino Martinez Sober, Jose Rafael Magdalena Benedito, Antonio Jose
Serrano Lopez. (2009). Handbook Of Research On Machine Learning Applications and Trends: Algorithms,
Methods and Techniques (Vol. 2): Information Science Reference - Imprint of: IGI Publishing, 701 E.
Chocolate Avenue, Suite 200, Hershey, PA.
[15] Wu, Y., Qin, X., Pan, Y., & Yuan, C. (2018, 13-15 July 2018). Convolution Neural Network based Transfer
Learning for Classification of Flowers. Paper presented at the 2018 IEEE 3rd International Conference on
Signal and Image Processing (ICSIP).
[16] Cao, P., Zhang, S., & Tang, J. (2018). Preprocessing-Free Gear Fault Diagnosis Using Small Datasets With
Deep Convolutional Neural Network-Based Transfer Learning. IEEE Access, 6, 26241-26253.
doi:10.1109/ACCESS.2018.2837621
[17] Guyon, I. (1997). A Scaling Law for the Validation-Set Training-Set Size Ratio. AT & T Bell Laboratories.
doi:10.1.1.33.1337
[18] Li, X.-X., Li, D., Ren, W.-X., & Zhang, J.-S. (2022). Loosening Identification of Multi-Bolt Connections
Based on Wavelet Transform and ResNet-50 Convolutional Neural Network. Sensors, 22(18). Retrieved
from doi:10.3390/s22186825