Phát hiện sớm lỗi vòng bi dựa trên việc trích xuất đặc trưng đa miền sử dụng bộ phân loại MLP trên bộ dữ liệu NASA IMS
DOI:
https://doi.org/10.54939/1859-1043.j.mst.106.2025.48-54Từ khóa:
Dự đoán lỗi vòng bi; NASA IMS; Đặc trưng đa miền; Mô hình MLP; Bảo trì dự đoán.Tóm tắt
Sự hao mòn và suy giảm hiệu suất của vòng bi trong máy móc công nghiệp dẫn đến chi phí bảo trì tăng cao và thời gian ngừng hoạt động không mong muốn. Nghiên cứu này đề xuất một phương pháp mới kết hợp trích xuất đặc trưng thống kê đa miền (thời gian và tần số) với thuật toán phân cụm K-means thích ứng để nâng cao độ chính xác phát hiện lỗi. Mô hình Multi-Layer Perceptron (MLP) được huấn luyện trên tập dữ liệu NASA IMS Bearing, đạt độ chính xác 86.5% trong việc phân loại 5 giai đoạn suy thoái của vòng bi. Kết quả thực nghiệm cho thấy phương pháp đề xuất vượt trội so với SVM và Random Forest trong điều kiện dữ liệu hạn chế, đồng thời có thể triển khai trên thiết bị kiểm tra di động, nhỏ gọn với tài nguyên hạn chế. Nghiên cứu này cung cấp giải pháp hiệu quả cho bảo trì dự đoán, giúp giảm thiểu chi phí vận hành trong công nghiệp.
Tài liệu tham khảo
[1]. Hart, E., Clarke, B., Nicholas, G., Kazemi Amiri, A., Stirling, J., Carroll, J., Dwyer-Joyce, R., McDonald, A., and Long, H. "A review of wind turbine main bearings: design, operation, modelling, damage mechanisms and fault detection", Wind Energ. Sci., 5, 105–124, (2020), https://doi.org/10.5194/wes-5-105-2020.
[2]. Deepika, C., Taj, K., and Bedar, P. "Automation in production systems: enhancing efficiency and reducing costs in mechanical engineering", Nanotechnology Perceptions, (2024), https://doi.org/10.62441/nano-ntp.vi.3895.
[3]. Zimroz, R., Bartelmus, W., Barszcz, T., and Urbanek, J. "Diagnostics of bearings in presence of strong operating conditions non-stationarity—A procedure of load-dependent features processing with application to wind turbine bearings", Mechanical Systems and Signal Processing, 46, 16–27, (2014), https://doi.org/10.1016/j.ymssp.2013.12.020.
[4]. Purarjomandlangrudi, A., Nourbakhsh, G., Ghaemmaghami, H., and Tan, A. "Application of anomaly technique in wind turbine bearing fault detection", 1984–1988, (2014).
[5]. Gu, J., and Huang, M. "Fault diagnosis method for bearing of high-speed train based on multitask deep learning", Shock and Vibration, 1–8, (2020), https://doi.org/10.1155/2020/8840040.
[6]. Buchaiah, S., and Shakya, P. "Bearing fault diagnosis and prognosis using data fusion based feature extraction and feature selection", Measurement, 188, 110506, (2021), https://doi.org/10.1016/j.measurement.2021.110506.
[7]. El Laithy, M., Wang, L., Harvey, T. J., Vierneusel, B., Correns, M., and Blass, T. "Further understanding of rolling contact fatigue in rolling element bearings – A review", Tribology International, 140, 105849, (2019), https://doi.org/10.1016/j.triboint.2019.105849.
[8]. Saini, M. K., and Aggarwal, A. "Detection and diagnosis of induction motor bearing faults using multi wavelet transform and naive Bayes classifier", Int. Trans. Electr. Energy Syst., 28, (2018), https://doi.org/10.1002/etep.2526.
[9]. Fanning, P. "High-quality bearings reduce downtime and save cost", Eureka, (2025), https://www.eurekamagazine.co.uk/content/technology/high-quality-bearings-reduce-downtime-and-save-cost/.
[10]. Saruhan, H., Sarıdemir, S., Çiçek, A., and Uygur, I. "Vibration analysis of rolling element bearings defects", Journal of Applied Research and Technology, 12, 384–395, (2014), https://doi.org/10.1016/S1665-6423(14)71620-7.
[11]. Nizwan, C. K. E., Ong, S. A., Yusof, M. F. M., and Baharom, M. Z. "A wavelet decomposition analysis of vibration signal for bearing fault detection", IOP Conference Series: Materials Science and Engineering, 50, 012026, (2013), https://doi.org/10.1088/1757-899X/50/1/012026.
[12]. Jakubek, B., Grochalski, K., Rukat, W., and Sokol, H. "Thermovision measurements of rolling bearings", Measurement, 189, 110512, (2021), https://doi.org/10.1016/j.measurement.2021.110512.
[13]. Zhou, S., Lin, L., Chen, C., Pan, W., and Lou, X. "Application of convolutional neural network in motor bearing fault diagnosis", Computational Intelligence and Neuroscience, 2022, 1–11, (2022), https://doi.org/10.1155/2022/9231305.
[14]. Wang, Y., and Cheng, L. "A combination of residual and long-short-term memory network for bearing fault diagnosis based on time-series model analysis", Measurement Science and Technology, 32, (2020), https://doi.org/10.1088/1361-6501/abaa1e.
[15]. Agarap, A. F. "An architecture combining convolutional neural network (CNN) and support vector machine (SVM) for image classification", arXiv, (2017), https://arxiv.org/abs/1712.03541.
[16]. Pham, V.-N., Do, Q.-H., and Tran, L. D.-A. "Using artificial intelligence (AI) for monitoring and diagnosing electric motor faults based on vibration signals", 2024 International Conference on Information Networking (ICOIN), (2024), https://doi.org/10.1109/ICOIN.2024.104567.
[17]. Wang, X., Meng, R., Wang, G., Liu, X., Liu, X., and Lu, D. "The research on fault diagnosis of rolling bearing based on current signal CNN-SVM", Measurement Science and Technology, 34, (2023), https://doi.org/10.1088/1361-6501/acefed.
[18]. Han, T., Zhang, L., Yin, Z., and Tan, A. "Rolling bearing fault diagnosis with combined convolutional neural networks and support vector machine", Measurement, 177, 109022, (2021), https://doi.org/10.1016/j.measurement.2021.109022.
[19]. Qiu, H., Lee, J., Lin, J., and Yu, G. "Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics", Journal of Sound and Vibration, 289, 1066–1090, (2006), https://doi.org/10.1016/j.jsv.2005.03.007.
[20]. Teler, K., Skowron, M., and Orłowska-Kowalska, T. "Implementation of MLP-based classifier of current sensor faults in vector-controlled induction motor drive", IEEE Transactions on Industrial Informatics, 20, 4, 5702–5713, (2024), https://doi.org/10.1109/TII.2023.3336348.
