Bài báo tiến hành khảo sát khả năng chẩn đoán lỗi động cơ điện thông qua nhận diện ảnh phổ tín hiệu âm thanh vận hành dùng mạng neuron học sâu GoogLeNet. Dữ liệu âm thanh được lọc nhiễu, chuẩn hóa biên độ và dựng ảnh phổ bằng phép biến đổi wavelet. Tập ảnh phổ được dùng để huấn luyện và kiểm tra mạng. Mạng GoogLeNet cũng được khảo sát hiệu quả huấn luyện thông qua việc thay đổi các tham số cơ bản. Sau đó, mạng được kiểm tra trên tập dữ liệu độc lập. Kết quả cho thấy mạng nhận diện 3 sự cố thông dụng, gồm mất pha, cọ phim và hỏng bạc đạn, với tỷ lệ chính xác đạt 94,21%. Thí nghiệm cũng cho thấy khả năng phát triển ứng dụng điện thoại là khả thi.

Động cơ điện nói chung và động cơ cảm ứng (induction motor) nói riêng có vai trò quan trọng trong công nghiệp. Tuy nhiên, với cường độ hoạt động cao, động cơ điện thường xảy ra một số hư hỏng, như lỗi bạc đạn (vòng bi), lỗi stator và lỗi rotor (Bonnett et al., 1992; Henao et al., 2014). Việc phát hiện sớm sự cố cho động cơ điện là một yêu cầu hết sức cần thiết và quan trọng, góp phần hạn chế việc gián đoạn trong sản xuất công nghiệp.

Nghiên cứu chẩn đoán lỗi động cơ điện được nhiều nhà khoa học quan tâm. Nổi bật là các phương pháp phân tích rung động (Kim et al., 2014; Li et al., 2017), phân tích dòng điện (Ciszewski et al., 2016; Yang et al., 2016; Glowacz et al., 2017) và phân tích nhiệt độ (Guo et al., 2012). Các phương pháp này áp dụng kỹ thuật đo điện thông qua các cảm biến được bố trí xung quanh động cơ điện. Kỹ thuật này đôi lúc gặp khó khăn trong việc triển khai cộng cụ đo trong môi trường công nghiệp. Từ thực tế đó, các kỹ thuật đo không điện đã được phát triển. Chẳng hạn, phương pháp phân tích ảnh nhiệt đã được áp dụng (Glowacz et al., 2017). Tuy nhiên, kỹ thuật này có nhược điểm cơ bản là chi phí cao, cần làm nóng động cơ, xử lý dữ liệu ảnh nhiệt chậm và bố trí máy ảnh nhiệt khó khăn. Phương pháp phân tích âm thanh của động cơ (Singh et al., 2017; Glowacz et al., 2018) cũng được triển khai. Ưu điểm của phương pháp này là áp dụng kỹ thuật không xâm lấn, chi phí thấp và đo tức thời âm thanh phát ra từ động cơ đang vận hành. Tuy nhiên, nhược điểm của phương pháp phân tích âm thanh động cơ là vấn đề xử lý tạp âm trong môi trường công nghiệp và cũng như đòi hỏi mức độ tin cậy cao của giải thuật chẩn đoán.

Việc ứng dụng phép biến đổi wavelet (Ince et al., 2016; Sangeetha et al., 2017) để lọc nhiễu và tạo ảnh phổ 2 chiều đã được phát triển mạnh mẽ. Ngoài ra, nhờ tốc độ của máy tính ngày càng được cải thiện, các mạng neuron tích chập (CNN – convolutional neural networks) cùng với phương pháp học sâu (deap learing) ngày càng được ứng dụng trong nhiều lĩnh vực. So với phương pháp học máy truyền thống, phương pháp học sâu đã thể hiện được nhiều ưu điểm hơn, nhất là trong lĩnh vực dự báo lỗi động cơ (Qi et al., 2017; Wen et al., 2017; Xia et al., 2018). Tuy nhiên, việc áp dụng phép biến đổi wavelet kết hợp với mạng CNN để chẩn đoán lỗi động cơ (Kumar et al, 2020) vẫn còn giới hạn về các công bố khoa học. Ứng với bài toán chẩn đoán lỗi động cơ điện dùng mạng học sâu CNN, thì các tham số của quá trình huấn luyện mạng cần được khởi tạo như thế nào cũng là một câu hỏi chưa được giải đáp thỏa đáng.

Trong nghiên cứu này, phương pháp chẩn đoán lỗi động cơ cảm ứng dựa trên phân tích tín hiệu âm thanh thu được trong lúc vận hành kết hợp với mạng học sâu CNN và kỹ thuật lọc nhiễu, tạo ảnh phổ 2 chiều bằng phép biến đổi wavelet. Mục tiêu chính của nghiên cứu là tiến hành khảo sát ảnh hưởng của một số tham số cơ bản của kỹ thuật học sâu đến quá trình huấn luyện và khả năng nhận diện lỗi động cơ của mạng CNN. Để đạt được mục tiêu này, nghiên cứu đã bố trí thí nghiệm để ghi âm tiếng ồn phát ra trong lúc động cơ vận hành bằng điện thoại di động, tương ứng với các tình huống sự cố, gồm: vở bạc đạc, mất pha và cọ phim cách điện. Dữ liệu âm thanh sau đó được tiền xử lý thông qua việc lọc nhiễu bằng phép biến đổi wavelet và chuẩn hóa biên độ tín hiệu. Tập dữ liệu sau tiền xử lý sẽ được biến đổi thành tập ảnh phổ tần số hai chiều, cũng dùng phép biến đổi wavelet. Mô hình mạng CNN của Google (gọi là GoogLeNet, Mishra et al., 2020) được sử dụng và được khảo sát hiệu quả với sự thay đổi của các tham số cơ bản của mạng.

nqhuy