BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

--------

HÀ TRUNG KIÊN

NHẬN DẠNG VẾT NỨT CỦA BÁNH RĂNG BẰNG

PHƢƠNG PHÁP ĐO DAO ĐỘNG VÀ PHÉP BIẾN
ĐỔI WAVELET RỜI RẠC

LUẬN VĂN THẠC SĨ KHOA HỌC

CHUYÊN NGÀNH: CƠ HỌC KỸ THUẬT
MÃ SỐ: CHKT13B-01

NGƢỜI HƢỚNG DẪN KHOA HỌC

PGS.TS. NGUYỄN PHONG ĐIỀN

HÀ NỘI 2014

1
 BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

LỜI CAM ĐOAN

Họ tên học viên: Hà Trung Kiên

Khóa: 2013- 2015

Ngành: Cơ học kỹ thuật

Tên đề tài: “Nhận dạng vết nứt của bánh răng bằng phương pháp đo dao động và
phép biến đổi Wavelet rời rạc”

Lời cam đoan của học viên:

Tôi xin cam đoan luận văn này là công trình do tôi tự làm và nghiên cứu. Trong
luận văn có sử dụng một số tài liệu tham khảo trong nƣớc và nƣớc ngoài. Những tài
liệu tham khảo này đã đƣợc trích dẫn và liệt kê trong mục tài liệu tham khảo.

Hà nội, ngày…tháng 12 năm 2014

Học viên

Hà Trung Kiên

2
 MỤC LỤC

Trang

Trang 1

LỜI CAM ĐOAN ...………………………………………………………...……...2

MỤC LỤC ...………………………………………………………………...……...3

DANH MỤC CÁC KÝ HIỆU, TỪ VIẾT TẮT ...……………………….………..6

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ ...………………………….…………….7

MỞ ĐẦU ...……………………………………………………...……………….10

CHƢƠNG 1. CƠ SỞ PHÉP BIẾN ĐỔI WAVELET RỜI RẠC

…………...……………………………………………………………….……......14

1.1 Phép biến đổi Fourier ...……….…………………………………………….14

1.2 Biến đổi Wavelet liên tục ............…………………………………………17

1.2.1 Phép biến đổi Wavelet liên tục ……………………………………….18

1.2.2 Ý nghĩa của phép biến đổi Wavelet liên tục …...…………………….20

1.3 Biến đổi Wavelet rời rạc …….……………………………….……………..23

1.3.1 Phân tích đa phân giải ………………………………………………..24

1.3.2 Biến đổi Wavelet trực giao …………………………………………...25

1.3.3 Thuật giải Mallat ……………………………………………………..26

1.3.4 Một số hàm Wavelet rời rạc thông dụng ….…………….……………30

1.4 Biến đổi Wavelet Packet …….….…………………………………………..32

1.4.1 Cơ sở Wavelet Packet…………….…………………………………..32

3
 1.4.2 Biến đổi Wavelet Packet điều hòa …………………………………..34

KẾT LUẬN CHƢƠNG 1……………………………….………………………41

CHƢƠNG 2. MẠNG NƠRON ……...…….……………………………………..42

2.1 Giới thiệu về mạng nơron nhân tạo.…………………………..…………….42

2.2 Mạng nơron sinh học và mạng nơron nhân tạo…...…………...……………43

2.2.1 Mạng nơron sinh học………………………………………………...43

2.2.2 Mạng nơron nhân tạo………………………………………………...44

2.2.3 Một số hàm truyền thƣờng gặp……………………………………….46

2.3 Kiến trúc của mạng Nơron …………………………………………………48

2.3.1 Phân loại mạng nơron .……………………………………………….48

2.3.2 Perceptron…………………………………………………………….48

2.3.3 Một số kiểu kiến trúc mạng nơron .…………………………………..50

2.4 Huấn luyện mạng Nơron ..…………………………………………………53

2.4.1 Các phƣơng pháp học của mạng nơron.……………………………..53

2.4.2 Thuật toán lan truyền ngƣợc………………………………………….55

2.5 Wavelet Neural Networks…………………………………………………56

KẾT LUẬN CHƢƠNG 2………………………………………………………59

CHƢƠNG 3. PHÁT HIỆ N V Ế T NỨT BÁNH RĂNG NHỜ WAVELET

NEURAL NETWORKS……………………..……………………..…………….60

3.1 Các dạng hƣ hỏng chủ yếu của bánh răng…………………………………..60

3.1. 1 Mòn…………………………………………………………………60

4
 3.1.2 Dính, rỗ, tróc răng…………………………………………………….61

3.1.3 Nứt, gãy chân răng và mẻ đỉnh răng………………………………….61

3.1.4 Tróc mỏi bề mặt………………………………………………………62

3.1.5 Lỗi chế tạo……………………………………………………………62

3.2 Mô hình thí nghiệm…………………………………………………………62

3.3 Phát hiện vết nứt bánh răng bằng phân tích tín hiệu trong miền thời gian, tần
số…………………………………………………………………………………...63

3.3.1 Phân tích tín hiệu trong miền thời gian……………………………….63

3.3.2 Phân tích tín hiệu trong miền tần số…………………………………65

3.4 Nhận dạng vết nứt bánh răng nhờ Wavelet Neural Networks………………69

3.4.1 Đồng bộ hóa tín hiệu………………………………………………….69

3.4.2 Phân tích Wavelet Packet……………………………………………71

3.4.3 Mô hình mạng Neural trong nhận dạng vết nứt bánh răng…………72

3.4.4 Nhận dạng vết nứt bánh răng nhờ Wavelet Neural Networks………..75

KẾT LUẬN CHƢƠNG 3……………………………………………………….80

KẾT LUẬN …………………………………………………………………….…81

TÀI LIỆU THAM KHẢO ……………………………………………………….82

5
 DANH MỤC CÁC KÝ HIỆU, TỪ VIẾT TẮT

ANN: Artificial Neural Network- Mạng nơron nhân tạo

BP: Backpropagation- Thuật toán lan truyền ngƣợc

CWT: Continuous Wavelet Transform- Phép biến đổi Wavelet liên tục

DWT: Discrete Wavelet Transform- Phép biến đổi Wavelet rời rạc

FT: Fourier Transform- Phép biến đổi Fourier

iFT: inverse Fourier Transform- Phép biến đổi Fourier ngƣợc

HWPT: Harmonic Wavelet Packet Transform- Phép biến đổi Wavelet Packet
điều hòa

HWT: Harmonic Wavelet Transform- Phép biến đổi Wavelet điều hòa

MLP: Multi-Layer Perceptron- Mạng nơron đa lớp

WNN: Wavelet Neural Networks

WPT: Wavelet Packet Transform- Phép biến đổi Wavelet Packet

WT: Wavelet Transform- Phép biến đổi Wavelet

6
 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình vẽ, Tên hình vẽ, đồ thị Trang

đồ thị
Hình 1. 1 Phổ tần số- biên độ của một tín hiệu điều biến biên độ có
A1 20, A2 25 f1 10, f2 50( Hz) 17
Hình 1. 2 Hàm Morlet-Wavelet (phần thực) 19
Hình 1. 3 Các bước biến đổi CWT 20
Hình 1. 4 Tín hiệu thời gian của dao động hộp số bánh răng 21
Hình 1. 5 Phân tích CWT của tín hiệu dao động hộp số bánh răng 22
Hình 1. 6 Tín hiệu phân tích CWT với lát cắt song song với trục thời
gian tại vùng 2800Hz 22
Hình 1. 7 Phân tích DWT đa phân giải bậc 4 28
Hình 1. 8 Tín hiệu dao động của hộp số bánh răng qua phân tích DWT
bậc 2 29, 30
Hình 1. 9 Hàm wavelet Haar và phổ biên độ của nó 31
Hình 1. 10 Hàm Wavelet Daubechie 4 và phổ biên độ của nó 31
Hình 1. 11 Hàm Wavelet Coiflet 4 và phổ biên độ của nó 31
Hình 1. 12 Hàm Wavelet Symlet 4 và phổ biên độ của nó 32
Hình 1. 13 Phân tích WPT bậc 4 34
Hình 1. 14 Sơ đồ thuật toán HWT 36
Hình 1. 15 Cây phân tích WPT bậc 2 và tín hiệu dao động ban đầu của
hộp số bánh răng 37
Hình 1. 16 Các dải tín hiệu con sau khi phân tích WPT bậc 2 38
Hình 1.17 Cây phân tích HWPT bậc 2 và tín hiệu dao động ban đầu
của hộp số 39
Hình 1.18 Các dải tín hiệu con sau phân tích HWPT bậc 2 40

7
Hình 2.1 Hệ thần kinh con người 44
Hình 2.2 Cấu trúc của một nơron 44
Hình 2.3 Một số hàm truyền thường gặp 47
Hình 2.4 Perceptron 48
Hình 2.5 Phân loại các vector đầu vào của perceptron 49
Hình 2.6 Mạng nơron truyền thằng đơn lớp 50
Hình 2.7 Mạng nơron truyền thẳng đa lớp 52
Hình 2.8 Mạng nơron hồi quy 53
Hình 2.9 Cấu trúc của một mạng Wavelet Neural Network 57
Hình 2.10 Wavelon 57
Hình 2.11 Mạng WNN một chiều 58
Hình 3.1 Một số dạng hư hỏng của bộ truyền bánh răng 60
Hình 3.2 Mô hình đo tín hiệu dao động của hộp số bánh răng 62
Hình 3.3 Tín hiệu dao động trong miền thời gian: a)-bánh răng bình
thường, b)- mòn nhẹ, c)- mòn trung bình, d)- gãy răng 64
Hình 3.4 Phổ tín hiệu trong miền tần số: a)-bánh răng bình thường,
b)- mòn nhẹ, c)- mòn trung bình, d)- gãy răng 66
Hình 3.5 Phổ đường bao của các trạng thái hư hỏng bánh răng: a)-
bánh răng bình thường, b)- mòn nhẹ, c)- mòn trung bình,
d)- mòn nặng/ gãy răng 67, 68
Hình 3.6 Tín hiệu chưa được đồng bộ hóa ứng với 1 vòng quay của
trục 69
Hình 3.7 Phân chia tín hiệu thành các khối để đồng bộ hóa nhờ tín
hiệu pha 70

Hình 3.8 Tín hiệu sau đồng bộ hóa ứng với 1 vòng quay của trục 70
Hình 3.9 Cây phân tích WPT bậc 4 71
Hình 3.10 Hệ số WPT của mẫu tín hiệu bánh răng gãy bậc 0 đến 3 71
Hình 3.11 Hệ số Wavelet Packet của mẫu tín hiệu bánh răng gãy bậc 4 72
Hình 3.12 Độ lệch chuẩn của mẫu tín hiệu bánh răng gãy phân tích

8
 WPT bậc 4 73
Hình 3.13 Mô hình mạng nơron truyền thẳng đa lớp MLP 74
Hình 3.14 Mô hình chẩn đoán thông minh nhờ MNN 75
Hình 3.15 Giao diện chính của chương trình 76
Hình 3.16 Tạo mạng nơron với 3 lớp mạng, các thông số mạng 77
Hình 3.17 Kết quả huấn luyện mạng đạt 100% 77
Hình 3.18 Kết quả kiểm tra mạng đạt 100% 78
Hình 3.19 Kết quả nhận dạng hư hỏng với dữ liệu bất kỳ 78

9
 MỞ ĐẦU

Trên thế giới, chẩn đoán kỹ thuật, đã trở thành một lĩnh vực khoa học quan trọng
về nhận dạng tình trạng kỹ thuật của máy móc, thiết bị và công trình. Dựa trên các
kết quả của chẩn đoán kỹ thuật, hình thức bảo dƣỡng theo tình trạng hoạt động đã
và đang mang lại nhiều lợi ích về kinh tế- kỹ thuật và đặc biệt là giảm thiểu nguy cơ
rủi ro cho ngƣời vận hành.

Một thành tố quan trọng trong lĩnh vực chẩn đoán kỹ thuật, nhận dạng tình trạng
máy móc, thiết bị chính là kỹ thuật đo đạc dao động cơ học. Các tín hiệu dao động
cơ học có thể trợ giúp trong nhiều lĩnh vực kỹ thuật nhƣ: Chẩn đoán hƣ hỏng và
giám sát tình trạng kỹ thuật của máy quay, cân bằng máy, đánh giá chất lƣợng sản
phẩm...

Để thu đƣợc thông tin chính xác của tín hiệu, ta phải phân tích và xử lý tín hiệu.
Kỹ thuật xử lý tín hiệu số hiện nay đã có một bƣớc tiến vƣợt bậc cùng với sự phát
triển của kỹ thuật đo đạc dao động bằng tín hiệu điện. Trên cơ sở phép biến đổi
Fourier, một loạt các phƣơng pháp phân tích tín hiệu trong miền thời gian và tần số
đã đƣợc xây dựng và hoàn thiện nhƣ: Lọc số, phân tích phổ đƣờng bao, trung bình
hóa tín hiệu, phân tích Wavelet [1] [6]. Các phƣơng pháp này hiện đang đƣợc sử
dụng rộng rãi và đƣợc tích hợp trong phần mềm đo và tính toán chuyên dụng. Tùy
từng đối tƣợng cụ thể mà ta sử dụng phƣơng pháp phân tích tín hiệu cụ thể hay kết
hợp các phƣơng pháp với nhau để đạt đƣợc hiệu quả nhất. Ví dụ với chẩn đoán ổ
lăn, phƣơng pháp phân tích tín hiệu thƣờng đƣợc sử dụng là phƣơng pháp phân tích
phổ đƣờng bao tín hiệu [1], chẩn đoán sai hỏng bánh răng ta có thể dùng phƣơng
pháp phân tích phổ tần số, phân tích Wavelet trong[2] [6].

Các phép biến đổi Wavelet (Wavelets Transform- WT) đã đƣợc xây dựng về mặt
lý thuyết toán học khá hoàn chỉnh. Một số ứng dụng của phƣơng pháp phân tích này

10
đƣợc liệt kê và trình bày trong các tài liệu [6] [8]. Ƣu điểm cơ bản của phƣơng pháp
này là khả năng biểu diễn tín hiệu dao động đồng thời trong miền thời gian- tần số,
cung cấp nhiều thông tin hơn về tín hiệu, tăng khả năng phát hiện các bất thƣờng
trong dao động của máy. Bên cạnh đó, với sự phát triển của khoa học máy tính,
ngành trí tuệ nhân tạo đã có những bƣớc phát triển lớn, tạo ra đƣợc những chƣơng
trình, những máy thông minh có tri thức của con ngƣời, hoạt động nhƣ suy nghĩ của
con ngƣời. Việc áp dụng trí tuệ nhân tạo trong chẩn đoán kỹ thuật là một khía cạnh
mới mẻ. Trên thế giới, các áp dụng này mới đƣợc công bố trên các tạp chí khoa học
trong những năm gần đây nhƣ các công trình [5] [9] [10] và chỉ mới đƣợc áp dụng
trong một số trƣờng hợp, chủ yếu là trong chẩn đoán hƣ hỏng hộp số bánh răng, hƣ
hỏng của ổ đỡ.

Hệ truyền động bánh răng là những cụm chi tiết thông dụng trong máy móc và
thiết bị cơ khí. Chẩn đoán hƣ hỏng của hộp số bánh răng công nghiệp là đề tài nhận
đƣợc nhiều sự quan tâm của giới chuyên môn, nó giúp cho kỹ thuật viên có thể theo
dõi đƣợc tình trạng thiết bị, từ đó đƣa ra giải pháp kỹ thuật phù hợp. Tại Việt Nam,
chẩn đoán kỹ thuật, chẩn đoán hƣ hỏng hộp số bánh răng công nghiệp và hƣ hỏng
của ổ đỡ là một lĩnh vực mới, mới đƣợc nghiên cứu trong những năm gần đây; có
thể kể đến một số nghiên cứu nhƣ các công trình của PGS. TS Nguyễn Phong Điền
[2] [7]. Ngoài ra, việc áp dụng chẩn đoán thông minh và chẩn đoán tự động- online
vào lĩnh vực chẩn đoán kỹ thuật đang là hƣớng phát triển mới đầy hứa hẹn, mang
tính thực tiễn cao.

Trong luận văn “Nhận dạng vết nứt của bánh răng bằng phƣơng pháp đo dao
động và phép biến đổi Wavelet rời rạc”, tác giả trình bày ứng dụng của việc phân
tích số tín hiệu dao động cơ học và mạng neural để phát hiện hƣ hỏng, vết nứt bánh
răng trong hộp số. Phép phân tích tín hiệu đƣợc sử dụng là phép biến đổi Wavelet
rời rạc, mạng nơron đƣợc sử dụng là mạng nơron truyền thẳng đa lớp MLP, chƣơng
trình tính toán đƣợc thực hiện trên phần mềm Matlab với công cụ Signal Processing
Toolbox, Neural Networks Toolbox.

11
 Nội dung luận văn đƣợc trình bày trong ba chƣơng:

Chương 1: “Cơ sở phép biến đổi Wavelet rời rạc” trình bày cơ sở phép biến đổi
Fourier, các phép biến đổi Wavelet và ứng dụng của các phép biến đổi đó trong việc
phân tích tín hiệu số. Luận văn trình bày cụ thể cơ sở toán học của phép biến đổi
Wavele rời rạc, phép biến đổi Wavelet Packet, Harmonic Wavelet Packet đƣợc sử
dụng để xử lý tín hiệu, kết quả của quá trình phân tích này là đầu vào cho mạng
nơron.

Chương 2: “Mạng Nơron” trình bày cơ sở về mạng nơron, cấu tạo, cấu trúc
mạng nơron, các phƣơng pháp học của mạng nơron. Mạng nơron đƣợc sử dụng phổ
biến là mạng nơron truyền thẳng đa lớp MLP, với thuật toán học là thuật toán lan
truyền ngƣợc. Bên cạnh đó trình bày mạng Wavelet neural networks, mạng này là
sự kết hợp giữa mạng nơron truyền thẳng MLP với đầu vào là giá trị của quá trình
phân tích tín hiệu bằng Wavelet packet, mạng đƣợc ứng dụng trong chẩn đoán vết
nứt, hƣ hỏng bánh răng.

Chương 3: “Phát hiện vết nứt bánh răng nhờ Wavelet neural networks” trình
bày các dạng hƣ hỏng chủ yếu của bánh răng, mô hình thí nghiệm đo tín hiệu dao
động của hộp số bánh răng với các dạng hỏng đƣợc định trƣớc. Chƣơng này cũng
trình bày kết quả phân tích tín hiệu trong miền thời gian, miền tần số, cho thấy đƣợc
những hạn chế của các phép phân tích tín hiệu trên trong nhận dạng hƣ hỏng bánh
răng, từ đó đƣa ra chẩn đoán tình trạng bánh răng bằng Wavelet neural networks.
Với việc trình bày trình tự các bƣớc xử lý, phân tích tín hiệu, nhận dạng bằng
Wavelet neural networks, kết quả thu đƣợc là tin cậy, đúng với các sai hỏng định
trƣớc có thể thấy đƣợc ƣu điểm và khả năng ứng dụng của phƣơng pháp trong thực
tiễn sản xuất.

Luận văn đƣợc thực hiện tại Bộ môn Cơ học ứng dụng- Viện Cơ Khí- Đại học
Bách Khoa Hà Nội dƣới sự hƣớng dẫn tận tình của PGS.TS Nguyễn Phong Điền.

12
Tác giả xin cảm ơn thầy đã hƣớng dẫn, cung cấp những kiến thức quan trọng, quý
giá giúp tác giả có thể hoàn thành luận văn này.

Hà Nội, ngày tháng 11 năm 2014

Học viên thực hiện:

Hà Trung Kiên

13
 CHƢƠNG I

CƠ SỞ PHÉP BIẾN ĐỔI WAVELET RỜI RẠC

Các phép biến đổi tín hiệu với mục đích tái hiện tín hiệu theo một dạng khác mà
không làm thay đổi các thông tin tín hiệu đó ẩn chứa. Cùng một tín hiệu, mỗi cách
biến đổi khác nhau sẽ đƣa ra những cách nhìn khác nhau về tín hiệu đó. Qua đó,
những thông tin ẩn chứa trong tín hiệu sẽ đƣợc khai thác và phản ánh hiện trạng của
đối tƣợng sinh ra tín hiệu.
Có nhiều phƣơng pháp biểu diễn tín hiệu: biểu diễn trong miền thời gian, trong
miền tần số và trong miền thời gian- tần số. Ƣu điểm của việc mô tả tín hiệu trong
miền thời gian là tính toán tƣơng đối đơn giản, có thể xác định đƣợc các thời điểm
xảy ra dao động. Tuy nhiên việc mô tả này lại có nhƣợc điểm là khó đoán biết tần
số và khó chẩn đoán. Việc mô tả tín hiệu trong miền tần số (phân tích phổ) cho phép
nhận dạng tần số của tín hiệu nhƣng lại làm mất thông tin về thời gian (ví dụ nhƣ
thời điểm xảy ra một hiện tƣợng, khoảng thời gian rung động…). Nhƣ vậy, việc mô
tả tín hiệu riêng rẽ trong miền thời gian và trong miền tần số đều có những hạn chế
nhất định. Để khắc phục những hạn chế trên, việc mô tả tín hiệu trong miền thời
gian - tần số (Time - Frequency Analysis) đã đƣợc đề ra. Cách mô tả tín hiệu này
thỏa mãn các yêu cầu của ngành chẩn đoán kĩ thuật là phải thể hiện đƣợc những
thông tin về tần số, thời điểm và biên độ của các thành phần tín hiệu. Wavelet
packet là một trong những công cụ để phân tích tín hiệu trong miền thời gian- tần số.
1.1 Phép biến đổi Fourier

Phép biến đổi Fourier[1] đƣợc xây dựng trên nền tảng chuỗi Fourier, một hàm
tuần hoàn x(t) có chu kỳ T bất kỳ có thể đƣợc khai triển thành tổng của các hàm
điều hòa dƣới dạng:

 
x(t )  xk (t) a0 ( ak cos( kt ) 
bk sin( k t )) (1.1)
k 0 k
1

14
Trong đó, các hệ số 𝑎 0 , 𝑎 𝑘, 𝑏𝑘 đƣợc gọi là các hệ số Fourier và đƣợc xác định:

T
1
a0   x(t ) dt (1.2)
T 0

2T
ak   x( t) cos( kt) dt k=1,2,… (1.3)
T 0

2T
bk   x(t ) sin(kt )dt k=1,2,… (1.4)
T0

Ta sử dụng những ký hiệu sau:

1 a
a 0  A0 ; Ak  ak2 bk2 ; k arctan k ; fk  k (1.5)
2 bk

Khi đó biểu thức (1.1) đƣợc viết lại:


1 
x(t )  xk (t)  Ao Ak .cos(2. fk .t 
k ) (1.6)
k0 2 k 1

Công thức (1.6) còn đƣợc gọi là chuỗi Fourier thực một phía, do các tần số f k có

giá trị dƣơng và các biên độ Ak nhận các giá trị là số thực. Tần số f1 1/ T (ứng với

k=1) đƣợc gọi là tần số cơ bản, các tần số khác có trị số f k k . f1 với k là số nguyên

dƣơng. Thành phần A0 / 2 ứng với tần số f 0 0 là hằng số. Các hàm điều hòa có

biên độ Ak và tần số f k đƣợc gọi là điều hòa bậc k.

Trong trƣờng hợp tổng quát, hàm x(t) có giá trị phức, ta có dạng biểu diễn khác
của chuỗi Fourier:

1 
1
x(t)= A0  Ak .(e j (2. f k .t k ) e j (2 . f k .t k)
)
2 k 1 2

15
 
1 
  Ak .e j (2. fk .t k )   X k .e j.2 . fk .t (1.7)
k2 k 

trong đó j là đơn vị ảo.

Công thức (1.7) đƣợc gọi là chuỗi Fourier phức hai phía, do các tần số f k nhận
jk
các giá trị trên toàn trục số (-∞...+∞) và các biên độ X k  Ak e có giá trị phức.
Đây là công thức đƣợc sử dụng trong tính toán chuỗi Fourier, đặc biệt trong các
phần mềm tính toán hiện nay. Tuy nhiên, chỉ các tần số dƣơng mới đƣợc sử dụng để
phân tích dao động trong các ứng dụng thực tế.
Trong trƣờng hợp tổng quát, với tín hiệu x(t) có thể tuần hoàn hoặc không tuần
hoàn, phép biến đổi Fourier (FT) là một công cụ toán học quan trọng để biến đổi tín
hiệu x(t) trong miền thời gian t sang miền tần số f :


FT x(t ) X ( f ) x(t )e j 2 ft dt (1.8)


Việc chuyển đổi tín hiệu X(f) trong miền tần số sang miền thời gian đƣợc thực
hiện bởi phép biến đổi Fourier ngƣợc (iFT)



iFT X ( f )  x (t ) X ( f ).e j2  ftdf (1.9)



Phép biến đổi Fourier có một số tính chất quan trọng sau:

 Phép biến đổi Fourier là phép biến đổi tuyến tính, tức :

FT a1 x1 (t ) a2 x2 (t ) a1FT x1 (t ) 

a2 FT x2
(t ) (1.10)

 Khi tín hiệu x(t) là tín hiệu thực; các giá trị X(f), X(-f) là các số phức liên
hợp:

X ( f )  X *( f ) (1.11)

16
  Nếu tín hiệu g(t)= x(t-t0 ) với t0 là hằng số, ta có quan hệ trong miền tần số:

G ( f ) e j.2. f .t0 .X ( f ) (1.12)

t
 Nếu tín hiệu g (t )  x( ) với a là hằng số, ta có quan hệ trong miền tần số:
a

G( f )  a X (af ) (1.13)

Phổ tần số X(f) của tín hiệu x(t) cho phép ta xác định đƣợc các thành phần tần số
chứa trong tín hiệu. Theo (1.8) ta có thể biểu diễn X(f) dƣới dạng phổ hai phía, gồm
các tần số âm và các tần số dƣơng. Trong thực tế, ta chỉ giữ lại các thành phần tần
số dƣơng để biểu diễn đồ thị phổ tần số.

Hình 1. 1: Phổ tần số- biên độ của một tín hiệu điều biến biên độ có A1 20, A2 25
f1 10, f 2 50( Hz )

1.2 Biến đổi Wavelet liên tục

Phân tích tín hiệu trong miền thời gian (hoặc tần số) chỉ cung cấp cho ta các
thông tin của tín hiệu chỉ duy nhất trong miền thời gian (hoặc tần số). Phép biến đổi
Wavelet (Wavelet Transform - WT), trong đó có phép biến đổi Wavelet liên tục
(Continuous Wavelet Transform- CWT) [2] [6] là phép biến đổi trong miền thời
gian- tần số. Phép biến đổi này đƣợc phát triển để khắc phục những thiếu sót của

17
phép biến đổi Fourier, từ đó cho ta thấy đƣợc rõ hơn các thông tin chứa trong tín
hiệu đồng thời trong miền thời gian và tần số.

1.2.1 Phép biến đổi Wavelet liên tục

Xét phép biến đổi Fourier của một hàm tín hiệu x(t) đƣợc phân tích thành tổng
của các hàm điều hòa phức:

1

FT x (t ) X ( f )   x (t )e j 2 ftdt (1.14)
2 

1 . Một cách tƣơng tự, phép biến đổi Wavelet sử dụng các hàm
trong đó j  
Wavelet cơ sở. Một hàm theo biến thời gian  (t ) đƣợc gọi là một hàm Wavelet cơ
sở nếu thỏa mãn điều kiện sau:

1
 
 2  2
 (t ) dt  1 , = (t )dt
 0 (1.15)
  

 là biến đổi Fourier của  (t).

Các hàm Wavelet đƣợc tạo ra từ Wavelet cơ sở với các biến tỉ lệ s, và hệ số dịch
chuyển τ theo hệ thức sau:

-1
t -
,s (t ) s (
2
) s , R  (1.16)
s

Biến đổi Wavelet của một tín hiệu dao động x(t) đƣợc định nghĩa dƣới dạng các
hàm Wavelet:

1 

CWTx ( s,)  x (t ), ,s (t ) s

2
x (t ) * ( t )dt (1.17)


s

trong đó  * (t ) là hàm liên hợp của (t ) . Theo (1.17), tín hiệu x(t) đƣợc biến đổi
thành hàm của hai biến s và τ. Bằng cách thay đổi hệ số tỷ lệ s và dịch chuyển hàm

18
Wavelet dọc theo thời gian một lƣợng τ, hệ số Wavelet CWTx (s ,) có thể tạo ra
một đồ thị trong không gian ba chiều biểu diễn sự thay đổi biên độ của tín hiệu
đồng thời theo trục thời gian (tỷ lệ với τ) và theo trục tần số (tỷ lệ với s), còn gọi là
phân bố thời gian- tần số của tín hiệu.

Một Wavelet cơ sở thƣờng hay đƣợc sử dụng đó là hàm Morlet- Wavelet có

dạng:

1 t 2
 (t )   .e
4 j .0 .t
.e 2 (1.18)

với 0 là một tham số hằng và có ảnh hƣởng quyết định đến độ phân giải tần số
của đồ thị biên độ tín hiệu trong miền thời gian- tần số. Thông thƣờng, giá trị của
0 nằm trong khoảng 5 o 20 khi phân tích tín hiệu dao động. Hàm Morlet-
Wavelet tƣơng ứng với hai giá trị khác nhau của 𝜔 0 đƣợc biểu diễn nhƣ hình 1.2:

0 =5

0 =10

Hình 1. 2: Hàm Morlet-Wavelet (phần thực)

Một đặc điểm quan trọng của phép biến đổi Wavelet với hàm Morlet- Wavelet là
hệ số tỷ lệ s có quan hệ với tần số f theo hệ thức:

0  2 02
f  (1.19)
4s

t 
Biến đổi Fourier của hàm g (t )  ( ) có dạng:
s

19
 FT{g (t )} G( f ) s * (sf ) (1.20)

Áp dụng công thức (1.20), biến đổi Wavelet của x(t) theo biểu thức (1.15) ta có
thể biểu diễn trong miền tần số dƣới dạng:


CWTx (, s )  X ( f ), ,s ( f )  s . X ( f ). *(sf ).e j 2f .df (1.21)


với * ( f ) là hàm liên hợp của  ( f ) .

Phép biến đổi Wavelet biến đổi hàm tín hiệu một biến x(t) thành hàm tín hiệu 2
biến CWTx (, s) . Mặt khác từ (1.17), thời gian t là liên tục nên phép biến đổi
Wavelet theo (1.21) đƣợc gọi là phép biến đổi Wavelet liên tục (CWT).

Các bƣớc biến đổi Wavelet liên tục:

Hình 1. 3: Các bước biến đổi CWT [2]

1.2.2 Ý nghĩa của phép biến đổi Wavelet liên tục

Các biến và s trong (1.16) và (1.19) đóng một vai trò quan trọng trong biến đổi
Wavelet. Khi tín hiệu đƣợc thể hiện qua phân bố thời gian- tần số nhờ biến đổi
Wavelet liên tục, biến s đƣợc coi nhƣ là một hệ số tỷ lệ có tác dụng làm co giãn hàm

20
(t) trên trục tần số. Hệ số tỷ lệ lớn ứng với vùng tần số thấp của tín hiệu, tại đó độ
phân giải tần số tốt, độ phân giải thời gian kém. Ngƣợc lại, hệ số tỷ lệ thấp ứng với
vùng tần số cao của tín hiệu, tại đó độ phân giải thời gian tốt, độ phân giải tần số
kém. Còn biến có tác dụng làm dịch chuyển hàm (t ) trên trục thời gian. có thứ
nguyên là thời gian. Theo (1.21), s có liên quan đến tần số của tín hiệu. Nhƣ vậy,
hàm CWTx ( , s) mô tả các thành phần của tín hiệu x(t ) đồng thời trong miền thời

gian và miền tần số. Đồ thị của CWTx (, s ) đƣợc gọi là phân bố thời gian - tần số
của tín hiệu x(t ), (time - frequency distribution). Chính vì vậy, phân tích Wavelet
cung cấp cho chúng ta nhiều thông tin hơn (cả thời gian và tần số) so với các
phƣơng pháp phân tích thông thƣờng khác (thƣờng chỉ là hoặc thời gian, hoặc tần
số).

Phân tích Wavelet liên tục phù hợp để phân tích các tín hiệu có tần số thay đổi
trong dao động của hộp số bánh răng, qua đó có thể chẩn đoán sai hỏng trong hộp
số bánh răng.

Không chỉ vậy, trong phân tích Wavelet liên tục, bằng những “lát cắt” song song
với trục thời gian (tần số) ta có thể thu đƣợc những thông tin cụ thể hơn của tín hiệu
dao động, qua đó nâng cao độ chính xác của kết quả chẩn đoán so với phƣơng pháp
phân tích phổ, phân tích thời gian.

Hình 1. 4: Tín hiệu thời gian của dao động hộp số bánh răng

21
 Hình 1. 5: Phân tích CWT của tín hiệu dao động hộp số bánh răng

Hình 1. 6: Tín hiệu phân tích CWT với lát cắt song song với trục thời gian tại vùng
2800Hz

22
1.3 Biến đổi Wavelet rời rạc

Phân tích CWT, hệ số tỷ lệ và hệ số dịch chuyển có thể đƣợc thay đổi liên tục, từ
đó cho ta các thông tin cần thiết của tín hiệu. Tuy nhiên, nó cũng tạo ra một lƣợng
thông tin dƣ thừa không cần thiết, làm tăng lƣợng phép tính và thời gian tính toán.
Từ đó đặt ra cần thiết phải làm giảm tín hiệu dƣ thừa, nhƣng không làm mất đi
những thông tin cần thiết chứa trong tín hiệu ban đầu. Điều này có thể đạt đƣợc
bằng cách rời rạc hóa các tham số trong phân tích DWT [6] [8].

0 s0 , với s0
Tại (1.17), đƣa vào các giá trị rời rạc s s0j , k  j
1, 0 0 ta thu đƣợc
phép biến đổi Wavelet:

 j, k (t ) s0j/2  s0jt k 
0 (1.22)


D WT j , k 
s  j/2
0 x (t )
*
(s 0jt k0 )dt (1.23)


Khi đó ta có thể biểu diễn x(t )  L2 ( R) dƣới dạng:

x (t )  c j ,k j ,k (t ) (1.24)

j k

trong đó các hệ số wavelet đƣợc tính:

1
c j ,k  x(t ), j ,k (t )  j /2 
x(t )( s 0j t k 0 ) dt (1.25)
s0

Ta xét các wavelet trực chuẩn  j, k (t ) thỏa mãn:

1
 j, k (t ) j, k (t )dt  j  j
, k k (1.26)
 0 
j j , k k


và trực chuẩn cả với j, k. Tức là với cùng tỉ lệ j chúng là trực chuẩn và chúng cũng
trực chuẩn chéo các tỉ lệ. Tƣơng tự, các hàm tỉ lệ (t ) thỏa mãn điều kiện trực
chuẩn, nhƣng chỉ trong cùng một tỉ lệ.

23
 Biến đổi Wavelet rời rạc chính là biến đổi Wavelet liên tục với các hệ số tỷ lệ và
dịch chuyển rời rạc. Biến đổi Wavelet rời rạc tính toán ở các mức tỷ lệ và dịch
chuyển rời rạc. Thông thƣờng, để tiện cho việc tính toán bằng máy tính, ta chọn
s 0 2, 0 1 , khi đó biến đổi Wavelet rời rạc sẽ là:

1


D WT j , k  x (t ) 2 
t k dt (1.27)
* j

2 j


1.3.1 Phân tích đa phân giải

Phép phân tích đa phân giải (multiresolution analysis- MRA) [6] [8] có thể đƣợc
coi là phần quan trọng nhất, trái tim của phân tích Wavelet. Nó chỉ ra cách thức sử
dụng các wavelet cơ sở trực chuẩn nhƣ một công cụ toán học để phân tích tín hiệu
ra các phần tín hiệu xấp xỉ thô và các phần tín hiệu chi tiết.

Một phân tích đa phân giải gồm một chuỗi V j các không gian con, kín thuộc

L2( R) thỏa mãn các tính chất [6]:

1) 0  ... V0 V1 V2 ... L2 (R)

2)


3) limV j L2 (R ) ; L2 R của một hàm f(x) đƣợc tính: L2 R  2
 f x dx
 
j 


4) x (t )V j  x 2j t V0

5) x t 
V0  x tk V0 , k Z
6) t k kZ
trực chuẩn trong V0 , với (t ) là hàm tỉ lệ.

Từ đặc tính (4), với 2 j t k  là một cơ sở trực chuẩn của V j , thì j ,k 
 k Z jZ

cũng là một cơ sở trực chuẩn của V j nếu j ,k 

j Z
thỏa mãn:

j ,k 2 j/2 2 j t k (1.28)

24
 Với mỗi phân tích đa phân giải (MRA) V j trong không gian L2( R) với hàm tỉ

lệ  ta có mối liên hệ với hàm wavelet  nhƣ sau:

 Gọi W j là phần bù trực giao của V j trong V j 1 ,j Z , ta có:

V j 1 V j W j
(1.29)
W j  W j, j  j 

với  là toán tử Direct Sum.

 Từ đó với j 0  j trong không gian V j  V j ta có 0

j 1
V j V j 1 Wj 1 Vj 2
 Wj 2
 Wj 1 ... V
 j 0 Wk
 (1.30)
k j0

 Từ tính chất (2), (3) chuỗi đa phân giải Wj là một cơ sở trực chuẩn trong

L2( R ) , tức là:

 W j L2( R) (1.31)
j Z

 Hàm W0 với chuỗi 

 t k 
k Z
là một cơ sở trực chuẩn của W0 đƣợc

gọi là hàm wavelet, ta cũng có 

 j,k 
kZ
là một cơ sở trực chuẩn của W j với

 j, k 2 j /2 2 j t k

1.3.2 Biến đổi Wavelet trực giao

Từ phân tích đa phân giải (MRA), ta đã biết rằng:

V0 V1 W 1 V 2 W 2 W 1 
...

Từ đó, nếu có tín hiệu x(t ) V0 , ta có thể phân tích tín hiệu đó ra 2 thành phần:

thành phần tín hiệu xấp xỉ ( approximation signal) V 1 và thành phần tín hiệu chi tiết

(detail signal) W1 . Quá trình phân tích có thể đƣợc tiếp tục áp dụng cho đến mức tỉ
lệ j định trƣớc.

25
 Ta có thể tính đƣợc tín hiệu xấp xỉ xaj ( t) tại mức tỉ lệ j của tín hiệu x(t) ban đầu
trong không gian V j nhƣ sau:

xaj (t ) a j, kk (2 j t ) a j, k j, k (t ), k Z

k k

trong đó: a j , k là hằng số xấp xỉ, a j ,k  x(t ),j ,k (t ) (1.32)

Tƣơng tự trong không gian W j , tín hiệu x(t) đƣợc tách ra tín hiệu chi tiết xdj ( t) :

xdj ( t)  d j ,kk (2 j t) d j ,k j ,k (t ), k Z

k k

trong đó: d j , k là hằng số chi tiết, d j ,k  x(t), j ,k (t ) (1.33)

Từ đó tín hiệu qua J bƣớc phân tích:

J
x (t ) x aJ (t )  x dj (t ) (1.34)
j 

Khi J   ta có: x(t )  xdj (t )

1.3.3 Thuật giải Mallat

Vì V0 V1 ,

1, k kZ
là một cơ sở trực chuẩn của V1 nên ta có:

hk 
1, k (1.35)
k

2
trong đó: hk  , 
1, k và h k 1
kZ

Ta có thể viết lại (1.35): (t )  21/2 hk 21 t k (1.36)

k

Với hàm wavelet  W0 và chuỗi 

0,k 
kZ
là một cơ sở trực chuẩn của W0 , và

  W0   V1,  V0 ta có thể viết:

26
   gk 1,k (1.37)
k

k
1 hmk 1 với m là chỉ số wavelet. Các hệ số hk , g k đƣợc
trong đó: g k  , 1,k  

gọi là các cặp hệ số lọc thông thấp, thông cao trong phân tích wavelet.

Do đó ta có:

j ,k (t ) 2j /2  2 j t k 2j/2  g n 21/2 2 j 1 t 2k n 

n

= g n j 1,2k n (t ) g n 2k j1,n (t ) (1.38)

n n

Suy ra: x ,j ,k  g n 2k x , j 1,n (1.39)

n

Tƣơng tự ta cũng có:

j ,k ( t) 2 j/2 2 j t k

hn2 k j 1, n (t ) (1.40)

n

x, j ,k  hn 2k x, j 1,n (1.41)

n

Từ phân tích đa phân giải trình bày ở trên cho ta một phƣơng pháp phân tích, tính
toán nhanh chóng các hệ số wavelet của một hàm nhất định. Ta hoàn toàn có thể
phân tích đƣợc tín hiệu thành các lớp khác cao hơn, phân tích ra K lớp:

N N
1 1
2 2
x (t )   x ,1,k 1,k  x , 1,k 1,k
k 0 k 0

N N N
1 1 1

4 4 2
 x, 2, k 2, k  x, 2, k 2,k  x, 1,k 1,k
k 0 k 0 k 
0

27
 N N
1 1
2K K 2j
  x ,K ,k K ,k   x , j ,k j ,k (1.42)
k 0 j
1 k 
0

Với chú ý (1.32) và (1.33), kết hợp với (1.39) và (1.41) ta có:

a j, k h n 2 k aj 1, n



n
(1.43)
dj, k  g n 2 k a j 1, n
 m

Trong (1.43), a j , k đƣợc gọi là hằng số xấp xỉ, tƣơng ứng với tần số thấp của tín

hiệu, còn d j , k đƣợc gọi là hằng số chi tiết, tƣơng ứng với tần số cao của tín hiệu.
Các hằng số xấp xỉ của mức phân giải –j đƣợc thể hiện qua tổng chập tích của các
hằng số xấp xỉ ở cấp trƣớc đó là -(j-1) với các hằng số lọc thông thấp. Tƣơng tự,
hằng số chi tiết của mức phân giải –j đƣợc thể hiện qua tổng chập tích của các hằng
số xấp xỉ ở cấp trƣớc đó là -(j-1) với các hằng số lọc thông cao. Thuật giải trên là
thuật giải Mallat [6] [8], sử dụng trong phân tích DWT, sơ đồ của thuật giải bậc 4:

Hình 1. 7: Phân tích DWT đa phân giải bậc 4[6]

Hình 1. 7, tín hiệu ban đầu đƣợc phân tích DWT bậc 4. Sau khi qua các bộ lọc
thông thấp, thông cao ta thu đƣợc các tín hiệu xấp xỉ và chi tiết. Tiếp tục tiến hành

28
phân tích DWT các tín hiệu xấp xỉ thu đƣợc cho đến bậc 4, kết quả thu đƣợc gồm 5
thành phần: một thành phần tín hiệu xấp xỉ và 4 thành phần tín hiệu chi tiết.

(a): Tín hiệu ban đầu

(b): Tín hiệu chi tiết bậc 1

(c): Tín hiệu chi tiết bậc 2

Hình 1. 8: Tín hiệu dao động của hộp số bánh răng qua phân tích DWT bậc 2

29
 (d): Tín hiệu xấp xỉ
Hình 1. 8 (tiếp): Tín hiệu dao động của hộp số bánh răng qua phân tích DWT bậc 2

1.3.4 Một số hàm Wavelet rời rạc thông dụng

Các hàm Wavelet rời rạc hay đƣợc sử dụng trong phép biến đổi Wavelet rời rạc
là Wavelet Haar, Daubechies, Coiflet, Symlet…

Hàm wavelet Haar là một hàm trực giao và đối xứng tự nhiên. Tính chất đối
xứng đảm bảo rằng trong tín hiệu pha là một hàm tuyến tính, tức là khi thực hiện
lọc tín hiệu thì tín hiệu pha không bị biến đổi. Haar wavelet là hàm wavelet cơ sở
đơn giản nhất với độ phân giải thời gian cao nhất, tuy nhiên độ phân giải tần số lại
thấp. Hàm Haar đƣợc định nghĩa:

1; 0 t 0.5

 (t ) 1; 0.5 t 1
 0;t  0 t 1


Họ các wavelet Daubechies là các hàm trực giao, tuy nhiên lại không đối xứng và
có tín hiệu pha thay đổi rộng. Vì vậy các wavelet Daubechies không đƣợc sử dụng
trong xử lý tín hiệu mà ở đó tín hiệu pha đƣợc sử dụng và cần thiết. Với một
wavelet cơ sở có bậc N, ta có đƣợc tập (2N-1) các hằng số lọc wavelet. Việc sử
dụng các wavelet Daubechies làm cho tín hiệu trở nên mịn hơn, độ phân giải tần số
cục bộ tốt hơn. Các hàm Daubechies thƣờng đƣợc sử dụng là các Daubechies 2, 4, 8,
10, 12, 20, 44…

30
 Các hàm Daubechies đƣợc sử dụng rộng rãi trong nghiên cứu, chẩn đoán dao
động của ổ lăn, chẩn đoán thông minh hộp số bánh răng [6].

Hình 1. 9: Hàm wavelet Haar và phổ biên độ của nó

Họ các wavelet Coiflet là các hàm trực giao và gần đối xứng. Tính chất gần đối
xứng dẫn đến tính gần tuyến tính tín hiệu pha- một đặc trƣng của hàm Coiflet. Nó
mang đến số lƣợng cực đại (2N) các điểm có moment triệt tiêu cho cả hàm wavelet
cơ sở bậc N và hàm tỉ lệ bằng cách đƣa vào (6N-1) các hằng số lọc wavelet. Các
hàm Coiflet đƣợc sử dụng trong chẩn đoán hƣ hỏng của ổ lăn [6] [8].

Hình 1. 10: Hàm Wavelet Daubechie 4 và phổ biên độ của nó

Hình 1. 11: Hàm Wavelet Coiflet 4 và phổ biên độ của nó

31
 Họ các wavelet Symlet là các hàm trực giao và gần đối xứng. Tính chất này đảm
bảo sự biến đổi tối thiểu của tín hiệu pha. Một hàm Symlet có bậc N có số điểm
moment triệt tiêu cũng là N với (2N-1) hằng số lọc wavelet. Các hàm Symlet có tính
chất tƣơng tự nhƣ các hàm Daubechies tƣơng ứng, nhƣng có tính đối xứng tốt hơn.
Các hàm Symlet đƣợc sử dụng trong việc chẩn đoán tình trạng của ổ lăn [6].

Hình 1. 12: Hàm Wavelet Symlet 4 và phổ biên độ của nó

1.4 Biến đổi Wavelet Packet

Trong phân tích wavelet rời rạc, tín hiệu đƣợc chia thành một thành phần tín hiệu
xấp xỉ và một thành phần tín hiệu chi tiết, quá trình này đƣợc lặp đi lặp lại với thành
phần tín hiệu xấp xỉ. Đối với n cấp phân tích ta sẽ thu đƣợc n thành phần tín hiệu
chi tiết và 1 thành phần tín hiệu xấp xỉ. Tuy nhiên có một số thành phần tín hiệu
quan trọng có tần số nằm trong các dải tần số chi tiết, nên việc quan sát tín hiệu đó
có sự khó khăn, ta cần có phép phân tích rời rạc phần tín hiệu chi tiết đó để có thông
tin tổng thể về tín hiệu. Từ đó, phân tích gói Wavelet (Wavelet Packet- WP) [6]
đƣợc đề xuất, trong đó các chi tiết và xấp xỉ đều đƣợc phân tích đa phân giải, điều
này mang lại nhiều lợi ích hơn trong việc quan sát các thông tin của tín hiệu.

1.4.1 Cơ sở Wavelet Packet

Biến đổi Wavelet Packet (WPT) đƣợc định nghĩa bởi phƣơng trình:

32
 u2( jn) t 
 2 h k u n( 
j)
2t k

 ( j)
k
n=0,1,2,…, 2 j1 1 ;k= 1,2,…m (1.44)
u2 n 1 t 
 2 g kun(  2t k
j)

 k

với u0(0) (t ) là hàm tỉ lệ (t ) , tức u0(0) (t ) (t ) ; còn u1(0) (t ) là hàm wavelet cơ sở  (t ) ,

u1(0) (t ) (t ) ; chỉ số (j) trong (1.44) là bậc thứ j trong biến đổi Wavelet Packet, ta có

2 j các cơ sở wavelet packet tại bậc thứ j.

Để minh họa cho biến đổi Wavelet Packet, ta lấy ví dụ cho wavelet Haar, các
hằng số h(k ), g (k ) của wavelet Haar:

 1
 h(0) h(1) 
 2
 h(k ) g (k ) 0, k 
2
g (0)  g (1)  1

 2

Từ đó ta có biến đổi WPT bậc 1:

 u0(1) (t ) u0(0) (t ) (2t )

 (1)
u1 (t ) u0 (2t ) u0 (2t  1)
(1) (1)

Tƣơng tự với biến đổi WPT bậc 2:

u (2)
0 (t )  (4t )

 (2)
u1 (t ) u 0 (2t ) u 0 (2t  1)
(2) (2)

 (2)
u 2 (t ) u1 (2t ) u1 (2t  1)
(2) (2)

u (2) (t ) u (2) (2t ) u (2) (2t 

1)
3 1 1

Từ (1.44) ta có thể thấy đƣợc biến đổi Wavelet Packet có các tính chất:

 Vì u(n j) (t) 
nZ
là tập hợp các wavelet packet cơ sở thu đƣợc từ hàm tỉ lệ

u0(0) (t ) (t ) của một wavelet cơ sở trực giao, nên chúng có tính chất dịch

chuyển trực giao.

33
  u2(nj ) (t ), u2( nj )1 (t ) trực giao với nhau.

Với một wavelet packet cơ sở đƣợc định nghĩa tại (1.44), một thuật giải đệ quy
đƣợc đề xuất thực hiện phép biến đổi WPT cho phân tích tín hiệu. Kết quả phân tích
WPT cho một tín hiệu đƣợc định nghĩa:

d j1,2 n  h( m 2 k ) d j ,n


m
(1.45)
d j1,2 n 1  g( m 2 k ) d j ,n
 m

Hình 1. 13: Phân tích WPT bậc 4 [6]

trong đó d j , n là hằng số wavelet tại bậc thứ j, dải (khối) tần số thứ n; d j 1,2n , d j 1,2 n 1

là các hằng số wavelet tại bậc thứ (j+1), dải (khối) tần số thứ 2n, (2n+1); m là số
các hằng số wavelet.

1.4.2 Biến đổi Wavelet Packet điều hòa ( HWPT )

Bên cạnh thuật giải đệ quy trong biến đổi WPT, một thuật giải khác cũng đƣợc
ứng dụng trong WPT, dựa trên cơ sở phép biến đổi Fourier và các hàm wavelet điều
hòa là biến đổi wavelet điều hòa (Harmonic Wavelet Transform- HWT) [5], [6].

34
 Một hàm wavelet điều hòa giữa hai mức tỉ lệ m, n đƣợc định nghĩa:

 1
 ; m  f n
 m, n ( f ) n m (1.46)
0; f m , n 


Biến đổi Fourier ngƣợc của hàm wavelet:

e jn 2t e jm 2 t
m ,n ( t)  (1.47)
j 2(n m )t

Nếu hàm wavelet điều hòa đƣợc dịch chuyển với bƣớc dịch k/( m-n), với k là hệ
số dịch chuyển, biểu thức tổng quát tại thời điểm t= k/ (n- m) trong dải tỉ lệ có độ
rộng ( n- m):

k k
jn2( t ) jm2 ( t  )
k e n m
e n 
m
m ,n ( t  )  (1.48)
n m k
j 2( n m)(t  )
n m

Biểu thức tổng quát của phép biến đổi wavelet điều hòa của tín hiệu x(t) có dạng:

k


hwt (m, n, k ) ( n m)  x() m*, n(   )d (1.49)


n m

với hwt( m,n,k) là hằng số wavelet điều hòa.

Biến đổi Fourier của (1.49) là biểu thức của phép biến đổi wavelet điều hòa
( HWT) trong miền tần số:

HWT (m, n, f ) X ( f ). * ((n m) f ) (1.50)

với X(f) là biến đổi Fourier của tín hiệu x(t), * ((n m) f ) là hàm liên hợp của
 ((n m) f ) trong biến đổi Fourier của hàm wavelet điều hòa tại tỉ lệ (m, n).

Ta có thuật giải của phép biến đổi wavelet điều hòa ( HWT):

35
 Hình 1. 14: Sơ đồ thuật toán HWT [6]

Bên cạnh đó, thông qua sự thay đổi thích hợp của hai hệ số tỉ lệ m và n, hàm
wavelet điều hòa có thể đƣợc lấy theo tỉ lệ để phù hợp với tín hiệu trong vùng tần số
khác nhau có cùng độ rộng dải tỉ lệ ( n- m), từ đó ta có phép biến đổi wavelet packet
điều hòa (HWPT).

Tƣơng tự nhƣ WPT, với s là số bậc phân tích HWPT, số lƣợng dải tần số con
trong HWPT là 2 s , độ rộng tần số cho mỗi dải con đƣợc tính:

fh
f band  (1.51)
2s

với f h là tần số cao nhất của tín hiệu đƣợc phân tích. Vì độ rộng dải tần số của hàm
wavelet điều hòa là ( n- m), nên điều kiện chọn các giá trị m, n trong HWPT thỏa
mãn điều kiện sau:

m n f band (1.52)

Từ đó, hằng số wavelet packet điều hòa có s bậc phân tích, hệ số dịch chuyển k,
tại dải con thứ i là:

hwpts, i, k 
hwt m, n, k (1.53)

Đồng thời các giá trị tỉ lệ m, n thỏa mãn điều kiện sau:

36
  f
m  i fband i hs
 2
 , i 1, 2,....., 2s 1 (1.54)
n i 1 f fh
band i 1 

 2s

Bằng cách chọn phù hợp các giá trị của cặp số (m, n) dựa trên (1.54), thuật giải
HWPT trên nền phân tích Fourier có thể đƣợc tính toán qua các bƣớc nhƣ hình 1.14.

Hình 1.15 là cây phân tích tín hiệu dao động với số bậc phân tích là 2 và tín hiệu
dao động ban đầu của hộp số bánh răng. Sau khi qua 2 bậc phân tích WPT ta thu
đƣợc các tín hiệu con nhƣ hình 1.16.

Hình 1. 15: Cây phân tích WPT bậc 2 và tín hiệu dao động ban đầu của hộp số
bánh răng

37
Hình 1. 16: Các dải tín hiệu con sau khi phân tích WPT bậc 2

38
 Hình 1.17 là cây phân tích HWPT bậc 2 và tín hiệu dao động ban đầu của hộp số
bánh răng, hàm wavelet điều hòa đƣợc sử dụng có dạng:

1; 0  f fband

 m, n f 

0; f 0, f band


Hình 1. 17: Cây phân tích HWPT bậc 2 và tín hiệu dao động ban đầu của hộp số
bánh răng

Hình 1.18 là các dải tín hiệu con sau khi tiến hành phân tích HWPT, với độ rộng
dải con phân tích là 4096 Hz.

39
Hình 1. 18: Các dải tín hiệu con sau phân tích HWPT bậc 2

40
 KẾT LUẬN CHƢƠNG 1

Trong Chƣơng 1 đã trình bày về cơ sở về phép biến đổi Wavelet rời rạc. Cơ sở
toán học của các phép biến đổi Fourier, Wavelet liên tục, Wavelet rời rạc đƣợc trình
bày một cách cụ thể, đầy đủ. Ngoài ra các thuật toán xác định các hệ số Wavelet
tƣơng ứng với từng phép biến đổi cũng đƣợc trình bày, giúp có thể hình dung ra
đƣợc các bƣớc thực hiện tính toán, dễ dàng trong việc lập chƣơng trình tính. Bến
cạnh đó ta có thể thấy đƣợc ứng dụng của phép biến đổi Wavelet trong việc phân
tích, xử lý tín hiệu số tín hiệu nói chung và tín hiệu dao động hộp số bánh răng nói
riêng, giúp ích cho việc xử lý thông tin, chẩn đoán sau này.

41
 CHƢƠNG 2

MẠNG NƠRON

Một mạng nơron nhân tạo (ANN) là một mạng lƣới phân loại song song cấp cao
với các đơn vị xử lý đƣợc kết nối với nhau gọi là các nơron. Nó mô phỏng theo cơ
chế xử lý sinh học của bộ não con ngƣời, với các quá trình xử lý phức tạp, phi tuyến
hoặc song song. Mạng có một loạt các yếu tố đầu vào và đầu ra bên ngoài cung cấp
thông tin về môi trƣờng xung quanh. Sự kết nối giữa các nơron với nhau đƣợc gọi là
các liên kết (trọng số liên kết). Các trọng số liên kết này đƣợc sử dụng để lƣu trữ
những thông tin (kiến thức) thu đƣợc từ môi trƣờng bên ngoài, qua đó ta có thể đào
tạo một mang nơron thực hiện một chức năng cụ thể bằng cách điều chỉnh các giá
trị của các liên kết giữa các nơron. Mạng nơron có thể đƣợc điều chỉnh, hay đƣợc
đào tạo, từ đó với một đầu vào cụ thể, cho ta một mục tiêu đặc trƣng ở đầu ra. Khi
giá trị đầu ra chƣa phù hợp với hàm mục tiêu đề ra, mạng nơron đƣợc điều chỉnh, và
tiến hành so sánh giá trị đầu ra với các mục tiêu, cho đến khi đầu ra phù hợp với
mục tiêu. Thông qua quá trình đào tạo, mạng nơron thu đƣợc một cơ sở dữ liệu lớn,
từ đó ta có thể sử dụng mạng nơron để thực hiện các chức năng phức tạp khác nhau
nhƣ nhận dạng, xác định, phân loại mẫu…

2.1 Giới thiệu về mạng nơron nhân tạo

Mạng nơron là một mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin
của các hệ nơron sinh học, đƣợc tạo lên từ một số lƣợng lớn các phần tử xử lý (các
nơron) liên kết với nhau và làm việc nhƣ một thể thống nhất để giải quyết một vấn
đề cụ thể nào đó.

Đặc điểm của mạng nơron nhân tạo đó là:

 Hành động giống nhƣ con ngƣời.

 Suy nghĩ, học, xử lý thông tin giống nhƣ con ngƣời.
 Hành động và suy nghĩ dựa trên cơ sở logic và chính xác.

42
 Về lịch sử phát triển, ý tƣởng phát triển mạng nơron đã có từ lâu. Cùng với sự
phát triển của khoa học kỹ thuật, đặc biệt là tiến bộ trong ngành điện tử, máy tính,
con ngƣời bắt đầu nghiên cứu về mạng nơron từ những năm 50 của thế kỷ trƣớc.
Năm 1956, dự án Dartmouth nghiên cứu về trí tuệ nhân tạo đã mở ra thời kỳ phát
triển mới cả trong lĩnh vực trí tuệ nhân tạo và mạng nơron, thúc đẩy hơn nữa giới
khoa học nghiên cứu về mạng nơron và cách thức xử lý của nơron trong não bộ con
ngƣời.

Những năm 70, 80 của thế kỷ trƣớc, việc nghiên cứu mạng nơron phát triển rất
mạnh mẽ cùng với sự phát triển của máy tính. Hai mốc liên quan đến sự phát triển
này đó là: Việc sử dụng các phƣơng pháp thống kê để giải thích hoạt động của một
lớp các mạng hồi quy có thể đƣợc dùng nhƣ bộ nhớ liên hợp của John Hopfield; sự
ra đời của thuật toán lan truyền ngƣợc để huấn luyện các mạng nhiều lớp đƣợc một
vài nhà nghiên cứu tìm ra nhƣ Rumelhart, McCelland…

Ngày nay, không chỉ dừng lại ở mức nghiên cứu lý thuyết, các nghiên cứu ứng
dụng mạng nơron cũng phát triển mạnh mẽ trong mọi lĩnh vực nhƣ: xử lý ngôn ngữ,
nhận dạng kí tự, xử lý tín hiệu, nhận dạng mẫu… Bên cạnh đó các loại mạng nơron
cũng rất phong phú, ví dụ: Support Vector Machines (SVM), Neuro- Fuzzy System
(NFS), Artificial Neural Networks (ANN)… Trong nội dung luận văn trình bày về
mạng ANN và ứng dụng của nó trong phân loại, nhận dạng mẫu.

2.2 Mạng nơron sinh học và mạng nơron nhân tạo

2.2.1 Mạng nơron sinh học

Trong não bộ con ngƣời có hàng tỷ tế bào nơron cùng với đó là tỷ các kết nối
giữa các tế bào với nhau. Hệ thần kinh con ngƣời đƣợc xem nhƣ một hệ thống có
khả năng tiếp nhận các tín hiệu, xử lý tín hiệu và truyền các tín hiệu đến các cơ
quan chấp hành để đƣa ra phản ứng, nhƣ thể hiện trong hình 2.1.

Các mũi tên hƣớng từ trái sang phải biểu thị quá trình truyền tải thông tin đến các
cơ quan, các mũi tên hƣớng từ phải sang trái biểu thị quá trình phản hồi trong hệ

43
thống. Các cơ quan cảm nhận tiếp nhận các kích thích từ môi trƣờng bên ngoài, biến
chúng thành tín hiệu điện truyền đến não bộ (chứa các nơron). Qua quá trình xử lý
tín hiệu, não bộ đƣa ra tín hiệu đáp ứng lại các kích thích đó đến các cơ quan chấp
hành để đƣa ra phản ứng với môi trƣờng.

Hình 2. 1: Hệ thần kinh con người

2.2.2 Mạng nơron nhân tạo

Dựa trên hệ thần kinh của con ngƣời, con ngƣời đã xây dựng nên mạng nơron
nhân tạo có những đặc điểm xử lý tín hiệu nhƣ bộ não con ngƣời. Mỗi một nơron là
một đơn vị xử lý thông tin, tín hiệu và là thành phần cơ bản của một mạng nơron,
cấu trúc của một nơron nhƣ hình 2.2:

Hình 2. 2: Cấu trúc của một neuron

Các thành phần cơ bản của một nơron nhân tạo:

44
  Đầu vào (Input): Là các tín hiệu vào của nơron, các tín hiệu này thƣờng đƣợc
đƣa vào dƣới dạng vector p p1 , p2 ,..., pm

 Trọng số liên kết (Synaptic weight): Thể hiện mối liên kết giữa các tín hiệu
đầu vào với các nơron. Trọng số liên kết giữa tín hiệu vào thứ j với nơron thứ
k đƣợc kí hiệu là w kj .

 Hàm tổng (Summing function): Là hàm dùng để tính tổng của tích các đầu
vào với trọng số liên kết của nó.
 Độ lệch (Bias): Độ lệch b thƣờng đƣợc đƣa vào nhƣ một thành phần của
hàm truyền.
 Hàm truyền (Transfer function): Là hàm dùng để giới hạn phạm vi đầu ra của
mỗi nơron. Nó nhận đầu vào là kết quả của hàm tổng và độ lệch đã cho.
 Đầu ra (Output): Là tín hiệu đầu ra của một nơron, với mỗi nơron sẽ có tối đa
một đầu ra.

Xét về mặt toán học, với tín hiệu đầu vào p p1 , p2 ,..., pm , các trọng số liên kết

w w 1, w 2 ,..., w m , độ lệch b , ta có thể mô tả một nơron bằng biểu thức sau:

m
n  wi pi b
i 1

w 
p+b

w
 , w 2 ,..., w m
w với 
x
 p 2 ,..., p m 

 
Một số chức năng của mạng nơron nhân tạo:

 Phân loại mẫu: Là sự sắp xếp các mẫu thành các nhóm khác nhau. Mạng
nơron có thể tạo ra một mẫu ra đúng với phân loại, khi đƣa cho nó một mẫu

45
 vào. Có thể nói mạng nơron là một bộ phân loại mẫu, điểm khác của nó với
các bộ phân loại mẫu khác là nó có khả năng học và tổng quát hóa.
 Học và tổng quát hóa: Học là ta cho mạng nơron xem một số mẫu kèm với
đầu ra tƣơng ứng với mẫu đó, mạng nơron phải học để phân loại đƣợc đúng
các mẫu này. Khả năng tổng quát hóa là mạng nơron không chỉ nhận biết
đƣợc các mẫu nó đã đƣợc học, mà còn nhận đƣợc các mẫu gần với mẫu nó đã
đƣợc học. Tức nó có thể suy ra đƣợc các đặc tính chung của các lớp khác
nhau từ các mẫu đã cho.

2.2.3 Một số hàm truyền thƣờng gặp

Hàm truyền là hàm dùng để giới hạn phạm vi đầu ra của mỗi nơron, với đầu vào
là kết quả của hàm tổng và độ lệch đã cho. Thông thƣờng phạm vi đầu ra của mỗi
nơron giới hạn trong đoạn [ 0, 1] hoặc [ -1, 1]. Các hàm truyền rất đa dạng, có thể
tuyến tính hoặc phi tuyến, việc lựa chọn hàm truyền phụ thuộc vào từng bài toán khi
thiết kế mạng. Dƣới đây là một số hàm truyền thƣờng gặp [4].

Hàm ngưỡng (Threshold function): Một nơron sử dụng loại hàm này thƣờng
đƣợc gọi là một mô hình McCullock- Pitts, đƣợc xác định:

1; n  0
n 

0; n 0

Hàm tuyến tính từng đoạn (Piecewise- Linear function): Dạng hàm này đƣợc
xem nhƣ là xấp xỉ với bộ khuếch đại phi tuyến, có dạng:

 1
1; n  2

 1 1
n 
n;   n 
 2 2
 1
0; n  2


46
 (a): Hàm ngưỡng

(b): Hàm tuyến tính từng đoạn

(c ): Hàm sigmoid
Hình 2. 3: Một số hàm truyền thường gặp

Hàm sigmoid: Đây là hàm truyền đƣợc sử dụng nhiều nhất trong mạng
nơron nhân tạo, một hàm Sigmoid đƣợc sử dụng có dạng:

1
n 

1e n

47
2.3 Kiến trúc của mạng Nơron
2.3.1 Phân loại mạng Nơron

Mạng nơron nhân tạo là sự kết hợp của các nơron nhân tạo, sự sắp xếp bố trí của
các nơron và cách thức liên hệ giữa chúng tạo nên kiến trúc mạng nơron.

Theo cách sắp xếp nơron thì có kiến trúc mạng một lớp (single layer) là mạng chỉ
có một lớp ra, và kiến trúc mạng nhiều lớp (multiple layer) là mạng gồm có lớp ra
và các lớp ẩn khác.

Theo cách liên hệ giữa các nơron ta có kiến trúc mạng truyền thẳng (feed-
forward networks), và kiến trúc mạng hồi quy (recurrent networks).

Ngoài ra ta cũng có thể phân các loại mạng nơron thành hai nhóm chính theo
thuật toán học của nó là mạng học có giám sát và không đƣợc giám sát.

2.3.2 Perceptron

Mạng ANN đơn giản nhất chính là Perceptron [4], đƣợc cấu tạo từ một nơron có
đầu vào là vector với m thành phần p p1 , p2 ,..., pm , hàm truyền là hàm ngƣỡng,

các trọng số liên kết w w1 , w 2 ,..., w m .

Hình 2. 4: Perceptron

48
 Đầu ra của perceptron nhận giá trị của hàm ngƣỡng, 0 hoặc 1. Đầu ra nhận giá trị
1, nếu giá trị đầu vào của hàm truyền n 0 ; còn lại giá trị đầu ra là 0.

Dựa vào tính chất của hàm ngƣỡng, một perceptron có thể thực hiện việc phân
loại vector đầu vào ra thành 2 nhóm. Một nhóm là các vector đầu vào perceptron
cho đầu ra nhận giá trị 0 nếu n 0 , nhóm còn lại là các vector đầu vào perceptron
cho đầu ra nhận giá trị 1 nếu n 0 , đây là cơ sở để sử dụng ANN trong việc phân
T
loại mẫu. Ví dụ một perceptron có đầu vào pp1 p2 , trọng số liên kết
W 
w1,1 , hệ số lệch b=1, ta có thể phân loại các vector đầu vào ra làm 2
w1,2 

nhóm nhƣ hình 2.5:

Hình 2. 5: Phân loại các vector đầu vào của perceptron [4]

Hai nhóm vector đƣợc phân chia bởi đƣờng L thỏa mãn W
T
p b0 . Các vector

đầu vào ở phía trên và bên trái đƣờng L cho giá trị n 0 , vì vậy giá trị đầu ra của
nơron là 1; các vector đầu vào ở phía dƣới và bên phải đƣờng L cho giá trị n 0 , vì
vậy giá trị đầu ra của nơron là 0. Đƣờng L có thể đƣợc định hƣớng và di chuyển tùy
ý để phân loại đầu vào bằng cách thay đổi giá trị trọng số liên kết và độ lệch. Nếu
không có độ lệch b thì đƣờng phân chia các nhóm L sẽ luôn đi qua gốc tọa độ; khi
thêm vào độ lệch b cho phép nơron mở rộng vùng nhận dạng đối với các vector ở
lân cận gốc tọa độ.

49
2.3.3 Một số kiểu kiến trúc mạng nơron

a) Mạng nơron truyền thẳng đơn lớp

Mạng truyền thẳng đơn lớp (A Layer of Neurons) [4] là dạng đơn giản nhất của
mạng phân lớp, nó bao gồm một lớp tín hiệu đầu vào và một một lớp nơron ở đầu ra.
Mạng hoàn toàn truyền thẳng, không có các chu trình tín hiệu. Gọi là mạng đơn lớp
vì nó chỉ có một lớp nơron thực hiện tính toán, xử lý thông tin, lớp tín hiệu đầu vào
không đƣợc tính vào cấu trúc mạng vì ở đó không thực hiện xử lý tín hiệu.

Trong kiến trúc mạng, mỗi phần tử của vector đầu vào p đều đƣợc liên kết với
từng nơron với các trọng số liên kết w k , j . Với mạng nơron đơn lớp, đầu vào p có R

phần tử, lớp nơron đầu ra có S nơron tƣơng ứng với S tín hiệu đầu ra, độ lệch b,
hàm truyền , khi đó ma trận trọng số liên kết W, vector đầu ra a:

w1,1 w1,2 ... w1, R 

 
...... ,
T
W ...... ...... a1 ...... aS
a   Wp b
wS ,1 wS ,2 ... wS , R 
 

Hình 2. 6: Mạng nơron truyền thẳng đơn lớp

50
 Ví dụ hình 2.6 là mạng nơron truyền thẳng đơn lớp, lớp đầu vào là vector
T
pp1 p2 p3 , lớp đầu ra bao gồm 3 nơron với các trọng số liên kết w k , j tạo

thành một ma trận trọng số liên kết 3x3:

w1,1 w1,2 w 1,3


W w 2,1 w 2,2 w 2,3
w 3,1 w 3,2 w 3,3


b) Mạng nơron truyền thẳng đa lớp

Mạng nơron truyền thẳng đa lớp (Multiple Layer of Neurons) [4] bao gồm một
hoặc nhiều lớp ẩn, các nơron thuộc các lớp đó đƣợc gọi là các nơron ẩn. Các nơron
ẩn nằm giữa các lớp đầu vào và các lớp đầu ra, cho phép mạng có thể trích xuất số
liệu thống kê ở bậc cao hơn. Thông thƣờng, số lƣợng nơron trong mỗi lớp mạng
bằng với số lƣợng đầu vào với lớp ẩn thứ nhất, hoặc bằng với số lƣợng đầu ra của
các lớp trƣớc nó với các lớp nơron bên trong. Trong kiến trúc mạng có 2 lớp nơron,
lớp ẩn có S 1 nơron, lớp tín hiệu đầu ra có S 2 nơron, tín hiệu đầu vào có R phần tử,
khi đó ma trận trọng số liên kết của lớp ẩn với đầu vào W1 có cỡ S 1 R , ma trận

trọng số liên kết của lớp đầu ra với lớp ẩn W 2 có cỡ S 2 S 1 . Với các mạng có

nhiều lớp nơron cũng tƣơng tự nhƣ mạng 2 lớp.

Hình 2.7 là một mạng 2 lớp, với 3 đầu vào, lớp ẩn có 3 nơron, lớp nơron đầu ra
có 2 nơron, lớp sau đều liên kết đầy đủ với các nơron lớp trƣớc. Các ma trận trọng
số liên kết của mạng:

w11,1 w1,2
1
w 1,3
1

 
W1  w12,1 w12,2 w 2,3 - ma trận liên kết của lớp nơron ẩn với lớp đầu vào.
1

w13,1 w13,2 w3,3

1 
 

w1,1
2
w1,2
2
w1,3
2

W  2 - ma trận liên kết của lớp nơron đầu ra và lớp neuron ẩn
2

w 2,1 w 2,2 w 2,3

2 2
 


51
 Với mạng nơron truyền thẳng đa lớp, có một số kết quả đã đƣợc chứng minh:

 Tất cả các hàm liên tục đều có thể xấp xỉ bởi một mạng MLP 2 lớp sử dụng
hàm truyền sigmoid cho các nơron lớp ẩn và hàm truyền tuyến tính cho các
nơron lớp đầu ra với sai số nhỏ tùy ý.
 Mọi hàm bất kỳ đều có thể xấp xỉ bởi một mạng MLP 3 lớp sử dụng hàm
sigmoid cho các nơron lớp ẩn và hàm truyền tuyến tính cho các nơron lớp
đầu ra.

Hình 2. 7: Mạng nơron truyền thẳng đa lớp

c) Mạng nơron hồi quy

Một mạng nơron hồi quy (Recurrent Network) [4] có kiến trúc, tƣơng tựu nhƣ
một mạng nơron truyền thẳng đa lớp, tuy nhiên điểm khác biệt đó là mạng nơron
hồi quy có chứa ít nhất một vòng phản hồi. Mạng nơron hồi quy là mạng trong đó
ngoài các kết nối từ các nơron ở các lớp phía trong đến nơron ở lớp đầu ra còn có
kết nối ngƣợc lại, từ các nơron đầu ra đến các nơron ở các lớp bên trong. Các thông
tin của tín hiệu đã xử lý không chỉ đƣợc trích xuất ở đầu ra mà nó còn đƣợc phản

52
hồi lại để điều chỉnh quá trình xử lý tín hiệu đầu vào tiếp theo. Nhƣ vậy, tín hiệu
đầu ra tiếp theo không chỉ phụ thuộc vào tín hiệu đầu vào, mà còn phụ thuộc vào
các tín hiệu đầu ra trƣớc đó của mạng.

Các mạng nơron truyền thẳng có cấu tạo và quá trình tính toán đơn giản hơn so
với mạng nơron hồi quy (hình 2.8). Tuy nhiên, trong một hệ động, các thông số
trạng thái biến động thì việc có đƣợc các thông tin phản hồi là rất quan trọng nhằm
miêu tả đúng tín hiệu đầu ra.

Hình 2. 8: Mạng nơron hồi quy

2.4 Huấn luyện mạng nơron

2.4.1 Các phƣơng pháp học của mạng nơron

Các phƣơng pháp học, hay còn gọi là các phƣơng pháp huấn luyện (training) [4]
của mạng là quá trình điều chỉnh trọng số liên kết và độ lệch của mạng để huấn
luyện mạng thực hiện một số nhiệm vụ đặc biệt. Một mạng nơron đƣợc huấn luyện
sao cho với một tập các vector đầu vào p, mạng có khả năng tạo ra các vector đầu ra

53
 T
a theo mong muốn. Tập p p1 p2 .... đƣợc sử dụng cho huấn luyện mạng
pR 

đƣợc gọi là tập mẫu huấn luyện, các phần tử pi p đƣợc gọi là các mẫu huấn luyện.

Có ba phƣơng pháp học, huấn luyện phổ biến là: học có giám sát, học không
giám sát và học củng cố.

 Học có giám sát: là quá trình học trong đó có cho sẵn giá trị đầu ra t là hàm
mục tiêu cần đạt đƣợc. Với đầu vào p, qua quá trình xử lý của mạng ta thu
đƣợc các giá trị đầu ra a, các giá trị đầu ra này đƣợc so sánh với hàm mục
tiêu, luật học đƣợc sử dụng để điều chỉnh trọng số liên kết w k , j và độ lệch b
để đầu ra của mạng có sai khác với mục tiêu là bé nhất. Luật học của
perceptron là luật học này và đƣợc áp dụng trong luận văn.
 Học không giám sát: là luật học không có sự giám sát nào, ở đây không có
sẵn hàm mục tiêu nào, các trọng số liên kết và độ lệch đƣợc điều chỉnh để
đáp ứng với đầu vào của mạng. Luật học phân chia tập dữ liệu thành các
nhóm con, mỗi nhóm chứa các vector đầu vào có đặc trƣng giống nhau.
 Học củng cố: hay còn gọi là học thƣởng- phạt, là sự tổ hợp của cả hai luật
học trên. Với vector đầu vào, quan sát vector đầu ra do mạng xử lý đƣợc, nếu
kết quả đƣợc xem là tốt thì các trọng số liên kết sẽ đƣợc điều chỉnh tăng,
ngƣợc lại sẽ đƣợc điều chỉnh giảm.

Các bƣớc học có giám sát:

 Bƣớc 1: Xây dựng cấu trúc thích hợp cho mạng nơron, các trọng số liên kết
của mạng.
 Bƣớc 2: Đƣa mẫu huấn luyện vào mạng, lấy kết quả đầu ra của mạng.
 Bƣớc 3: So sánh đầu ra của mạng với đầu ra mong muốn.
 Bƣớc 4: Hiệu chỉnh các trọng số liên kết sao cho khi đƣa mẫu vào mạng, ta
sẽ thu đƣợc đầu ra gần với đầu ra mong muốn hơn.
 Bƣớc 5: Lặp lại các bƣớc trƣớc cho tới khi mạng đạt tới trạng thái hội tụ.

54
 Học có giám sát trong các mạng nơron khác nhau có những đặc điểm điều chỉnh
khác nhau. Sự khác nhau ở cách các trọng số liên kết đƣợc thay đổi trong suốt thời
gian học, trong đó tiêu biểu nhất là thuật toán lan truyền ngƣợc (Backpropagation-
BP) [4].

2.4.2 Thuật toán lan truyền ngƣợc

Thuật toán lan truyền ngƣợc đƣợc hình thành bằng cách khái quát các nguyên tắc
học của mạng nơron nhiều lớp và hàm truyền vi phân phi tuyến. Nguyên lý của
thuật toán học này là việc lan truyền ngƣợc sai số từ lớp đầu ra trở lại các lớp ẩn và
đến các đầu vào mạng, từ đó hiệu chỉnh các trọng số liên kết và các giá trị độ lệch
để làm cho sai số là nhỏ nhất. Việc huấn luyện mạng gồm hai pha ngƣợc chiều
nhau: quá trình truyền thẳng (lan truyền xuôi) từ các đầu vào đến đầu ra, và quá
trình lan truyền ngƣợc từ các đầu ra về các đầu vào. Qua thuật toán, các vector đầu
vào và các vector mục tiêu tƣơng ứng đƣợc sử dụng để huấn luyện mạng cho đến
khi mạng đạt đƣợc đầu ra xấp xỉ với đầu ra mong muốn hoặc phân loại các đầu vào
theo các nhóm đã định.

Thuật toán lan truyền ngƣợc gồm các bƣớc sau:

Chuẩn bị tập mẫu đầu vào dƣới dạng pi , t i , trong đó pi , ti là đầu vào của mạng
và mục tiêu tƣơng ứng. Các bƣớc thực hiện:

 Bƣớc 1: Khởi tạo các giá trị, đƣa giá trị dữ liệu đầu vào vào mạng, tính các
giá trị đầu ra ai .
 Bƣớc 2: Tính sai số lớp ra, kiểm tra sai số đó có nhỏ hơn giá trị cho phép
không, đồng thời kiểm tra ai có trùng với giá trị mục tiêu t i hay không, đúng
thực hiện bƣớc 6, tăng số mẫu nhận dạng đúng thêm 1, sai thực hiện bƣớc 3.
 Bƣớc 3: Tính toán sai số cho các lớp ẩn, bằng cách lan truyền ngƣợc sai số
từ lớp đầu ra cho đến các lớp đầu tiên.
 Bƣớc 4: Tính toán lại các trọng số liên kết từ lớp đầu vào đến lớp đầu ra.

55
  Bƣớc 5: Cộng thêm giá trị sai số của mẫu pi vào giá trị tổng sai số, tăng số

mẫu chƣa nhận dạng đúng thêm 1.

 Bƣớc 6: Kiểm tra đã học hết mẫu chƣa, nếu sai về lại bƣớc 1.
 Bƣớc 7: Kiểm tra số mẫu nhận dạng đúng có bằng số mẫu không, nếu sai về
lại bƣớc 1 bắt đầu học lần tiếp theo.

Ngoài ra, thuật toán dừng khi đã hết số lần học hoặc tỉ lệ sai số của các mẫu chƣa
nhận dạng đúng nhỏ hơn một ngƣỡng cho phép. Trong quá trình truyền thẳng, các
tham số của mạng (trọng số liên kết, độ lệch) là cố định, ngƣợc lại trong quá trình
lan truyền ngƣợc các tham số này đƣợc hiệu chỉnh và cập nhật để mạng có thể nhận
dạng các mẫu đã đƣợc học một cách chính xác.

2.5 Wavelet Neural Networks

Mạng Wavelet Neural Networks (WNN) là mạng nhân tạo kết hợp các lý thuyết
của phân tích Wavelet và lý thuyết về mạng nơron. Một mạng WNN bao gồm các
lớp nơron với đầu vào là tín hiệu sau khi đƣợc xử lý phân tích Wavelet Packet. Một
ứng dụng của mạng WNN là khả năng ƣớc lƣợng, đánh giá. Đƣa vào một loạt các
giá trị quan sát, thu nhận đƣợc của một chức năng, mạng có thể đƣợc huấn luyện để
tìm hiểu các thành phần của chức năng đó, sau đó tính toán để đƣa ra giá trị giá trị
kỳ vọng cho các giá trị đầu vào.

Cấu trúc của một mạng WNN tƣơng tự nhƣ một mạng nơron truyền thẳng (hình
2.9) dùng một hoặc nhiều đầu vào, các lớp ẩn và lớp đầu ra bao gồm một hoặc
nhiều tổ hợp tuyến tính hoặc các hàm tổng. Lớp ẩn bao gồm các nơron mà đầu vào
của nó đƣợc rút ra từ một hàm wavelet cơ sở. Các tế bào của mạng WNN đƣợc gọi
là các Wavelons.

Có hai kiểu chính để tạo mạng WNN:

 Kiểu thứ nhất là quá trình phân tích Wavelet và xử lý của mạng nơron đƣợc
tiến hành một cách riêng rẽ, độc lập. Các tín hiệu đầu vào ban đầu đƣợc tiến

56
 hành phân tích wavelet với một hàm wavelet cơ sở. Kết quả thu đƣợc là các
hệ số wavelet hoặc các đại lƣợng chứa hệ số wavelet đƣợc đƣa vào mạng
nơron, ở đây diễn ra quá trình xử lý của mạng nơron qua việc điều chỉnh
trọng số liên kết cho với các luật học thích hợp.
 Kiểu thứ hai là sự kết hợp cả hai lý thuyết. Ở đây có sự điều chỉnh cả ở các
hàm wavelet cơ sở và các trọng số liên kết của mạng nơron cho phù hợp với
luật học.

Hình 2. 9: Cấu trúc của một mạng Wavelet Neural Network

Hình 2. 10: Wavelon

57
 Trong giới hạn của luận văn sử dụng kiểu mạng thứ nhất để xây dựng mạng
WNN. Một số cấu trúc cơ bản của WNN:

Cấu trúc một chiều: là cấu trúc trong đó có duy nhất vector đầu vào và đầu ra 1
chiều. Cũng giống mạng neural, perceptron là mạng đơn giản nhất, mô hình đơn
giản nhất của WNN chính là wavelon nhƣ hình 2.10 với một đầu vào và một đầu ra.
Hình 2.11 là cấu trúc của mạng một chiều với một đầu vào và một đầu ra, lớp ẩn
bao gồm M wavelons. Đầu ra của mạng đƣợc xác định:

M 
a  w i i p b 
i 1 

Hình 2. 11: Mạng WNN một chiều

Cấu trúc đa chiều: là cấu trúc trong đó các vector đầu vào là vector đa chiều và
mạng có nhiều đầu ra nhƣ hình 2.9. Đầu ra của mạng đƣợc xác định:

M 
a j w ij i p1 ,...., pN 
bj  j=1,2,…,K
i 1 

Các thuật toán học của WNN cũng tƣơng tự nhƣ các thuật toán học của mạng
nơron bình thƣờng.

58
 KẾT LUẬN CHƢƠNG 2

Chƣơng 2 đã trình bày những nội dung cơ sở về mạng nơron, cấu tạo, cấu trúc
mạng nơron, các phƣơng pháp học của mạng nơron. Mạng nơron đƣợc sử dụng phổ
biến là mạng nơron truyền thẳng đa lớp MLP, với thuật toán học là thuật toán lan
truyền ngƣợc. Bên cạnh đó trong chƣơng cũng trình bày mạng Wavelet Neural
Networks, mạng này là sự kết hợp giữa mạng nơron truyền thẳng MLP với đầu vào
là giá trị của quá trình phân tích tín hiệu bằng Wavelet packet, mạng đƣợc ứng dụng
trong chẩn đoán vết nứt, hƣ hỏng bánh răng.

59
 CHƢƠNG 3

PHÁT HIỆN VẾT NỨT BÁNH RĂNG NHỜ WAVELET

NEURAL NETWORKS

Trong chƣơng này sẽ trình bày thí dụ cụ thể về nhận dạng, chẩn đoán tình trạng
của hộp số bánh răng qua phân tích tín hiệu dao động thu đƣợc. Tín hiệu dao động
thu đƣợc sẽ đƣợc phân tích bằng phép biến đổi Wavelet rời rạc, cùng với phân loại
nhờ Neural Network cho ta những đánh giá về tình trạng làm việc của hộp số, có thể
phát hiện đƣợc vết nứt bánh răng.

3.1 Các dạng hƣ hỏng chủ yếu của bánh răng [1]

Hình 3. 1: Một số dạng hư hỏng của bộ truyền bánh răng

3.1.1 Mòn

Cơ chế chủ yếu gây ra mòn là sự thiếu hụt độ dầy cho phép của lớp dầu bôi trơn
giữa các bề mặt tiếp xúc của các răng. Ngoài ra, các nhân tố khác có thể gây ra mòn

60
hoặc làm mòn trầm trọng hơn là các hạt mài mòn lẫn trong dầu bôi trơn, sự không
đồng đều của bề mặt răng làm dầu ngấm vào.

Trên thực tế, các răng thể hiện độ mòn lớn nhất tại chân và không có mòn tại
vòng chia. Mòn vừa phải thƣờng không đƣợc coi là lỗi tuy nhiên nó là bƣớc khởi
đầu cho mòn nghiêm trọng và cuối cùng là hỏng răng hoàn toàn. Nếu không đƣợc
khắc phục kịp thời, mòn vừa phải sẽ phát triển thành mòn nghiêm trọng. Khi đó,
biên dạng khởi thủy của răng bị hủy hoại và cuối cùng là lỗi gẫy răng do các nguyên
nhân sau:

 Răng bị mòn mỏng tới mức giới hạn bền uốn của răng bị vƣợt quá.
 Các vết nứt phát triển từ chỗ hỏng bề mặt răng.
 Tải trọng lớn phá hỏng biên dạng răng.

3.1.2 Dính, rỗ, tróc răng

Dính, rỗ và tróc đƣợc gây ra bởi sự gắn kết tức thời và phá hỏng gắn kết của
những chỗ nhấp nhô trên bề mặt răng trong quá trình ăn khớp. Điều này xảy ra bởi
sự kết hợp của tải trọng, vận tốc trƣợt và nhiệt độ dầu bôi trơn đạt đến một giá trị
giới hạn làm phá hỏng lớp dầu ngăn cách các bề mặt răng dẫn tới kim loại tiếp xúc
trực tiếp kim loại, nếu ứng suất bề mặt và vận tốc trƣợt đủ lớn thì sự kết dính sẽ xả y
ra. Sự khác nhau giữa dính và rỗ là ở phạm vi của sự gắn kết và hậu quả của việc
phá hủy gắn kết. Rỗ thƣờng đƣợc thấy trong các hộp số cao tốc, chịu tải lớn vận
hành với dầu tổng hợp có độ nhớt thấp.

3.1.3 Nứt, gãy chân răng và mẻ đỉnh răng

Hiện tƣợng gẫy nứt chân răng là hƣ hỏng nặng nhất của bánh răng. Không nhƣ
các dạng hỏng đã đƣợc đề cập ở trên (thƣờng phải phát triển một thời gian dài từ lúc
sơ khai đến khi gây ra lỗi nghiêm trọng), gẫy răng hay mẻ đỉnh răng có thể ngay lập
tức làm mất khả năng phục vụ hay giảm lớn năng lực truyền động. Điều này có thể
gây ra tổn thất nghiêm trọng về ngƣời và của nhất là trong các trang thiết bị nhƣ
máy bay, cần trục, tời.

61
3.1.4 Tróc mỏi bề mặt

Tróc mỏi bề mặt sinh ra bởi tác dụng lặp đi lặp lại và sự di chuyển của tải trọng
trên bề mặt răng mà có thể dẫn tới lỗi khi sức bền mỏi của vật liệu bị vƣợt quá. Các
lỗi khác kết hợp với tróc mỏi bề mặt là rỗ và nứt. Khả năng chịu mỏi của bánh răng
phụ thuộc vào tải trọng và số chu kỳ chịu tải của vật liệu.

3.1.5 Lỗi chế tạo

Là các lỗi trong quá trình chế tạo và lắp đặt, chủ yếu hay xảy ra các dạng sau:

 Sai lệch về các thông số hình học cơ bản của bánh răng.
 Sự không đồng đều về vật liệu chế tạo bánh răng.

Các lỗi trên làm thay đổi các thông số động lực học của bánh răng, làm mất đi sự
cân bằng về hình học, động học. Do đó, trong quá trình làm việc, sự mất cân bằng
đó sẽ gây ra các chấn động phụ có thể phá hỏng bánh răng, trục và ổ đỡ.

3.2 Mô hình thí nghiệm

Hình 3. 2: Mô hình thí đo tín hiệu dao động của hộp số bánh răng

62
 Dữ liệu dao động hộp số đƣợc sử dụng trong luận văn là dữ liệu của nhóm tác giả
tài liệu tham khảo [9], [10] đã thí nghiệm. Mô hình trên, bánh răng đã đƣợc cố tình
làm sai hỏng ở các dạng hỏng và mức độ hỏng khác nhau nhằm nghiên cứu, chẩn
đoán sai hỏng của hộp số. Mô hình bao gồm:

 Bộ hộp số bánh răng đƣợc truyền động bởi động cơ điện điều tốc.
 Cơ cấu tạo tải bằng bánh ma sát.
 Hệ đo gồm một đầu đo pha quang học đo tín hiệu pha tham chiếu, một đầu
đo gia tốc kế ba chiều đo gia tốc dao động theo ba phƣơng X, Y, Z tại cùng
một vị trí trên vỏ hộp.
 Đế giảm chấn nhằm giảm đi phần nào ảnh hƣởng của rung động ngoài môi
trƣờng.

Toàn bộ hệ thống đƣợc kết nối và điều khiển bởi máy tính đo với phần mềm xử
lý chuyên dụng.

Tín hiệu đƣợc lấy mẫu ở tần số lấy mẫu f s 16384(Hz ) , bánh răng làm thí
nghiệm có số răng Z1 30 , tốc độ trục n1 1420 (vòng/ phút), tần số trục:

f n1 23, 67( Hz ) , tần số ăn khớp của bánh răng: f z2  f z1 Z1. f n1 ) . Các sai

hỏng có chủ đích đƣợc tạo ra là mòn và gãy răng.

3.3 Phát hiện vết nứt bánh răng bằng phân tích tín hiệu trong miền thời
gian, tần số
3.3.1 Phân tích tín hiệu trong miền thời gian

Phân tích tín hiệu trong miền thời gian là bƣớc ban đầu trong quy trình phân tích
tín hiệu số, cung cấp cho ta những thông tin ban đầu đánh giá về tín hiệu dao động
của hộp số.

Từ hình 3.3 cho ta thấy tín hiệu dao động trong miền thời gian tƣơng ứng với
từng tình trạng của bánh răng. Qua đó ta có thể đƣa ra một vài nhận định ban đầu:

63
a)

b)

c)

d)

Hình 3. 3: Tín hiệu dao động trong miền thời gian: a)- bánh răng bình thường, b)-
mòn nhẹ, c)- mòn trung bình, d)- gãy răng

64
  Vùng có các tín hiệu dày đặc (dải đen) cho ta thấy mức độ ảnh hƣởng của
rung động đến hộp số, hộp số chịu rung động nhiều thì dải tín hiệu do rung
gây ra càng dày, ảnh hƣởng đến sự ăn khớp của bánh răng.
 Các dao động có biên độ lớn xảy ra trong thời gian ngắn là kết quả của quá
trình ăn khớp giữa các răng với nhau.

Tuy nhiên, trong thực tế hoạt động của chẩn đoán kỹ thuật, ta cần biết đƣợc tại
thời điểm nào xảy ra sai hỏng, từ đồ thị tín hiệu theo thời gian- biên độ dao động ta
chƣa thể kết luận đƣợc liệu rằng bánh răng đã hỏng hay chƣa. Vì ngoài những yếu
tố ảnh hƣởng do sai hỏng của bánh răng, những yếu tố tác động chính, bánh răng-
hộp số còn chịu ảnh hƣởng bởi dao động ở các bộ phận khác của thiết bị đang hoạt
động, nhiễu bên ngoài. Các tín hiệu này chồng chất với nhau tạo nên tín hiệu mới có
cấu trúc chồng chất (trong đó yếu tố sai hỏng là một thành phần) có thể làm cho
biên độ dao động tăng lên rất nhiều.

3.3.2 Phân tích tín hiệu trong miền tần số

Phân tích phổ tần số tín hiệu đo đƣợc trên hộp số dựa trên phép biến đổi Fourier
(FFT) với tần số lấy mẫu 16384 (Hz). Thông qua phổ tần số (Hình 3.4), ta có thể
thấy đƣợc những tần số mà ở đó biên độ dao động lớn, các tần số này tƣơng ứng với
tần số ăn khớp và những điều hòa bậc cao của nó. Không chỉ vậy, quá trình tiến
triển của các yếu tố ảnh hƣởng đến bánh răng (ở đây là mòn) còn đƣợc thể hiện ở
những dải phụ xung quanh những điểm tần số trên.

Bằng việc so sánh với chuẩn tƣơng đối (so sánh kết quả sau với kết quả trƣớc)
nhìn chung có thể thấy rằng: khi mòn xuất hiện, các tần số dải biên xung quanh tần
số ăn khớp chính ( )cũng xuất hiện, tăng dần theo mức độ hƣ hỏng. Khi
f z1 2 f z1
răng bị mòn sẽ dẫn đến ăn khớp với nhau không đều, gây ra những va chạm với
những tần số khác nhau, càng mòn va chạm càng tăng. Với bánh răng hƣ hỏng nặng,
phổ tần số không thể hiện rõ ràng tần số ăn khớp, tín hiệu do va chạm ăn khớp của
các cặp răng tăng lên rất lớn, ta khó phân biệt đƣợc gãy răng hay mòn nặng.

65
 a) 4 fz1

2 f z1
f z1

b)

c)

d)

Hình 3. 4: Phổ tín hiệu trong miền tần số: a)- bánh răng bình thường, b)- mòn nhẹ,
c)- mòn trung bình, d)- gãy răng

66
 Từ quá trình theo dõi phổ tín hiệu bằng phân tích FFT, so sánh với chuẩn tƣơng
đối ta nhận diện đƣợc sơ bộ sai hỏng trong bánh răng, nhƣng ta không thấy rõ đƣợc
sự tiến triển của nó ra sao. Để thấy đƣợc sự tiến triển của hƣ hỏng bánh răng ta tiến
hành phân tích phổ đƣờng bao của tín hiệu. Các bƣớc phân tích phổ đƣờng bao:

Ở phổ tần số tín hiệu, dùng chuẩn tƣơng đối, ta có thể dự đoán ban đầu sai hỏng
của bánh răng nằm ở vùng tần số từ 1500 ÷ 7000 (Hz). Căn cứ vào đó, ta sẽ lọc tín
hiệu trong khoảng tần số 1500 ÷ 7000 (Hz), sau đó với phép biến đổi Hilbert ta tách
đƣợc đƣờng bao của tín hiệu nằm trong khoảng tần số đó. Phân tích phổ đƣờng bao
của tín hiệu dao động, ta có thể thấy sự phát triển dần của hƣ hỏng bánh răng. Ban
đầu khi răng hoạt động bình thƣờng, dải tín hiệu do va chạm bề mặt răng khi ăn
khớp nhỏ (dải đen). Trong quá trình hoạt động, răng bị hƣ hỏng dần, dải tín hiệu đó
cũng lớn dần và có xuất hiện những điểm có biên độ lớn hẳn do va chạm ăn khớp.

67
 Hình 3. 5: Phổ đường bao của các trạng thái hư hỏng bánh răng

a):Bình thường, b): mòn nhẹ, c): mòn trung bình, d): mòn nặng/ gãy răng.

68
3.4 Nhận dạng vết nứt bánh răng nhờ Wavelet Neural Networks
3.4.1 Đồng bộ hóa tín hiệu

Khi tiến hành phân tích tín hiệu dao động hộp số bánh răng, các mẫu tín hiệu cần
thỏa mãn điều kiện đƣợc đo trong cùng một khoảng thời gian, số điểm lấy mẫu bằng
nhau. Trong trƣờng hợp vận tốc góc của trục quay không thay đổi, hoặc thay đổi rất
nhỏ (có thể coi là hằng số) thì số điểm lấy mẫu tín hiệu trong cùng một khoảng thời
gian ở mỗi dạng hỏng có thể coi là bằng nhau. Tuy nhiên, với trƣờng hợp vận tốc
góc của trục quay thay đổi, để đảm bảo số điểm lấy mẫu ở mỗi dạng hỏng nhƣ nhau,
ta cần đồng bộ hóa tín hiệu với số vòng quay của trục vào.

Hình 3. 6: Tín hiệu chưa được đồng bộ hóa ứng với 1 vòng quay của trục

Ta có thể tiến hành đồng bộ với sự trợ giúp của tín hiệu pha [1], vì tín hiệu pha
đảm bảo chính xác, không bị ảnh hƣởng bởi yếu tố vận tốc quay của trục. Để số

69
điểm lấy mẫu trong mỗi vòng quay bằng nhau, ta tiến hành lấy mẫu lại bằng các
phép nội suy có sẵn, ví dụ nhƣ hàm interp1, pchip trong phần mềm Matlab. Với mỗi
loại tình trạng của bánh răng, ta chia tín hiệu thành 75 phần bằng nhau, tƣơng ứng
với 75 vòng quay của trục vào, mỗi vòng quay chứa 800 điểm lấy mẫu.

Hình 3. 7: Phân chia tín hiệu thành các khối để đồng bộ hóa nhờ tín hiệu pha [1]

Hình 3. 8: Tín hiệu sau đồng bộ hóa ứng với 1 vòng quay của trục

70
3.4.2 Phân tích Wavelet Packet

Tín hiệu sau khi đƣợc đồng bộ hóa, phân chia thành 75 phần bằng nhau đƣợc đƣa
vào phân tích Wavelet Packet (hoặc Harmonic Wavelet Packet- HWPT) bậc 4. Hàm
wavelet cơ sở đƣợc sử dụng là hàm Daubechies 4. Cây phân tích WPT:

Hình 3. 9: Cây phân tích WPT bậc 4

Hình 3. 10: Hệ số Wavelet Packet của mẫu tín hiệu bánh răng gãy bậc 0 đến 3

71
 Hình 3. 11: Hệ số WPT của mẫu tín hiệu bánh răng gãy bậc 4

Tín hiệu sau khi đồng bộ hóa, chia làm 75 phần bằng nhau ta thu đƣợc ma trận
800x 75 phần tử. Lấy giá trị độ lệch chuẩn của các hệ số sau phân tích WPT (hoặc
HWPT) bậc 4, mỗi dạng hỏng ta thu đƣợc ma trận 75x 16 phần tử làm đầu vào cho
mạng Nơron.

3.4.3 Mô hình mạng Nơron trong nhận dạng vết nứt bánh răng

Mô hình mạng nơron đƣợc chọn sử dụng là mạng nơron truyền thẳng đa lớp
MLP. Các vector đầu vào của mạng là 16 vector có thành phần giá trị tƣơng ứng với
giá trị độ lệch chuẩn của hệ số WPT, số đầu ra là 4 tƣơng ứng với 4 trạng thái hƣ
hỏng của bánh răng. Số lớp và số lƣợng nơron trong mỗi lớp có thể đƣợc tùy chọn,
thƣờng mỗi mạng có từ 2-3 lớp nơron, tức là có 1-2 lớp nơron ẩn.

Ứng dụng một mô hình nơron cụ thể thƣờng đƣợc chia ra làm hai giai đoạn:
Huấn luyện và kiểm tra mẫu. Tỷ lệ phân loại đúng tình trạng bánh răng của mạng

72
phụ thuộc nhiều vào tập mẫu. Một tập mẫu tốt là một tập mẫu đủ lớn, chứa thông tin
chính xác, đặc trƣng của dạng hỏng bánh răng. Với mỗi dạng hỏng trong thí nghiệm,
tín hiệu đƣợc chia làm 75 phần bằng nhau, mỗi phần đặc trƣng bởi 16 độ lệch chuẩn.
Ta sẽ chia chúng thành hai nhóm: một nhóm dữ liệu đủ lớn dùng để huấn luyện
mạng, và một nhóm dữ liệu dùng để kiểm tra mạng.

Hình 3. 12: Độ lệch chuẩn của mẫu tín hiệu bánh răng gãy phân tích WPT bậc 4

Đối với việc phân loại, nhận dạng hƣ hỏng bằng mạng nơron, khâu mất thời gian
lâu nhất là huấn luyện mạng ban đầu, thời gian đáp ứng cho việc kiểm tra mẫu là
khá nhanh chóng. Với mạng nơron đƣợc khởi tạo ban đầu, sau quá trình huấn luyện
thu đƣợc một mạng nơron với các trọng số liên kết và các độ lệch đã đƣợc hiệu
chỉnh tƣơng ứng với hàm mục tiêu đề ra, ta sử dụng mạng để nhận dạng một mẫu
bất kỳ. Thuật toán đƣợc sử dụng để huấn luyện mạng là thuật toán lan truyền ngƣợc.

73
Hàm mục tiêu của mạng đƣợc xây dựng:

 Bánh răng bình thƣờng: 1 1 1

 1

 Bánh răng mòn nhẹ: 1 1 1
 1

 Bánh răng mòn trung bình: 1 1 1

 1

 Bánh răng gãy: 1 1 1
 1

Hình 3. 13: Mô hình mạng nơron truyền thẳng đa lớp MLP

Các bƣớc phân loại, nhận dạng hƣ hỏng bánh răng với mô hình mạng nơron:

 Thiết kế mạng nơron dựa trên dữ liệu đã phân tích.

 Huấn luyện mạng nơron.
 Kiểm tra việc huấn luyện trên mẫu mới.

Mạng Nơron với

Mạng Nơron thông số đã hiệu
Dữ liệu huấn khởi tạo ban đầu Dữ liệu
luyện chỉnh, có khả năng kiểm tra
khái quát hóa

Huấn luyện Kiểm tra

mạng Kết quả kiểm mạng
tra

74
3.4.4 Nhận dạng vết nứt bánh răng nhờ Wavelet Neural Networks

Từ các bƣớc thu thập dữ liệu, xử lý dữ liệu và thiết lập mạng nơron, ta có thể đƣa
ra mô hình chẩn đoán thông minh vết nứt, hƣ hỏng bánh răng nhờ Wavelet Neural
Networks:

Hình 3.14: Mô hình chẩn đoán thông minh nhờ WNN

Để huấn luyện mạng nơron với bộ dữ liệu trên, ta xây dựng một chƣơng trình
thực hiện trên phần mềm Matlab, chƣơng trình có sử dụng một số hàm về phân tích
WPT và mạng nơron trong Toolbox. Để thuận tiện và trực quan hơn trong quá trình
nhận dạng, phát hiện hƣ hỏng bánh răng ta tạo một giao diện GUI. Chƣơng trình
này cho phép ngƣời dùng có thể thử nghiệm với nhiều mô hình mạng nơron khác
nhau, cho phép ngƣời dùng có thể lựa chọn phép phân tích dữ liệu, số lớp nơron,
nhập vào số lƣợng nơron trong một lớp, hàm huấn luyện. Bên cạnh đó chƣơng trình

75
còn có chức năng huấn luyện, kiểm tra mạng, nhận dạng hƣ hỏng với bộ dữ liệu bất
kỳ và đƣa ra các kết quả trực quan.

Hình 3. 15: Giao diện chính của chương trình

Tín hiệu dao động của hộp số sau khi đƣợc tiền xử lý đồng bộ hóa và phân tích
Wavelet Packet, ta thu đƣợc 75 phần bằng nhau, mỗi phần đƣợc đặc trƣng bởi 16
giá trị độ lệch chuẩn. Với mỗi dạng hỏng, ta lấy 55 phần tín hiệu dùng để huấn
luyện mạng, 10 phần tín hiệu dùng để kiểm tra lại mạng sau khi đã huấn luyện, số
lƣợng đầu vào của mạng là 16, đầu ra là 4 ứng với 4 dạng hỏng. Mạng đƣợc chọn là
mạng có 3 lớp nơron, số lƣợng nơron mỗi lớp là 10, 6, 4. Kết quả huấn luyện và
kiểm tra mạng là đúng khi đáp ứng- đầu ra của mạng trùng với hàm mục tiêu của
từng dạng hỏng.

76
Hình 3. 16: Tạo mạng nơron với 3 lớp mạng, các thông số của mạng

Hình 3. 17: Kết quả huấn luyện mạng đạt 100%

77
 Hình 3.17, khi đƣa tín hiệu vào chƣơng trình, ta có 220 mẫu huấn luyện (55 mẫu
ở mỗi dạng hƣ hỏng của bánh răng), kết quả huấn luyện mạng đạt 100% chính xác,
qua đó ta thấy lựa chọn độ lệch chuẩn của các hệ số wavelet là lựa chọn đúng đắn.

Hình 3. 18: Kết quả kiểm tra mạng đạt 100%

Hình 3. 19: Kết quả nhận dạng hư hỏng với dữ liệu bất kỳ

78
 Bộ dữ liệu chƣa dùng để huấn luyện mạng đƣợc dùng để kiểm tra chất lƣợng
mạng sau khi huấn luyện. Hình 3.18 là kết quả sau khi huấn luyện, kết quả kiểm tra
cho ta nhận dạng 4 dạng hƣ hỏng khác nhau của bánh răng đạt 100% chính xác.
Qua đó ta thấy đƣợc chất lƣợng đáng tin cậy của mạng trong nhận dạng hƣ hỏng
bánh răng.

Ngoài ra, với mạng nơron đã có, ta có thể tiến hành nhận dạng tình trạng của
bánh răng với một bộ tín hiệu bất kỳ. Với tín hiệu dao động bất kỳ của hộp số bánh
răng, ta tiến hành các bƣớc phân tích nhƣ hình 3.14, với cơ sở đã có của mạng, sẽ
giúp ta đƣa ra kết quả về tình trạng bánh răng đó.

79
 KẾT LUẬN CHƢƠNG 3

Chƣơng 3 đã trình bày các dạng hƣ hỏng chủ yếu của bánh răng, mô hình thí
nghiệm đo tín hiệu dao động của hộp số bánh răng với các dạng hỏng đƣợc định
trƣớc. Chƣơng này cũng trình bày kết quả phân tích tín hiệu trong miền thời gian,
miền tần số, cho thấy đƣợc những hạn chế của các phép phân tích tín hiệu trên trong
nhận dạng hƣ hỏng bánh răng, từ đó đƣa ra chẩn đoán tình trạng bánh răng bằng
Wavelet Neural Networks. Với việc trình bày trình tự các bƣớc xử lý, phân tích tín
hiệu, nhận dạng bằng Wavelet Neural Networks, kết quả thu đƣợc là tin cậy, đúng
với các sai hỏng định trƣớc có thể thấy đƣợc ƣu điểm và khả năng ứng dụng của
chẩn đoán thông minh trong thực tiễn sản xuất.

80
 KẾT LUẬN

Luận văn trình bày về khả năng phát hiện hƣ hỏng của hộp số bánh răng nhờ mô
hình tín hiệu dao động, phân tích tín hiệu dao động bằng phép biến đổi wavelet rời
rạc kết hợp với khả năng phân loại của mạng nơron. Tín hiệu dao động đƣợc xử lý
bằng phép biến đổi gói Wavelet (Wavelet Packet Transform- WPT) với wavelet cơ
sở là hàm Daubechies 4, song song đó tín hiệu cũng đƣợc xử lý bằng phép biến đổi
wavelet điều hòa (Harmonic Wavelet Packet Transform- HWPT). Mạng Nơron
đƣợc sử dụng là mạng nơron truyền thẳng đa lớp MLP với các vector đầu vào chứa
16 giá trị là 16 giá trị độ lệch chuẩn của các hệ số wavelet sau khi đã tiến hành phân
tích wavelet bậc 4. Số lƣợng đầu ra của mạng là 4 tƣơng ứng với 4 trạng thái hƣ
hỏng của bánh răng- bình thƣờng, mòn nhẹ, mòn trung bình và gãy răng. Qua phân
tích tín hiệu, nhận dạng bằng mạng nơron kết quả thu đƣợc cho ta đánh giá đúng về
tình trạng hƣ hỏng của bánh răng và đúng với những sai hỏng đƣợc cố tình tạo ra
trong thí nghiệm.

Có thể thấy rằng việc chẩn đoán, giám sát tình trạng hộp số, các thiết bị quay
thông qua tín hiệu dao động là khả thi, giúp cho kỹ thuật viên có thể theo dõi đƣợc
tình trạng thiết bị, sự phát triển của sai hỏng nếu có, từ đó đƣa ra các phƣơng án
khắc phục sửa chữa.

Từ luận văn có thể thấy rằng phƣơng pháp phân tích Wavelet rời rạc nói chung
và phân tích gói Wavelet (WPT và HWPT) nói riêng trong chẩn đoán tình trạng
máy móc còn khá mới mẻ nhƣng lại rất hữu ích. Bên cạnh đó việc ứng dụng mạng
nơron vào chẩn đoán tình trạng máy mở ra bƣớc tiến mới trong lĩnh vực chẩn đoán
đó là chẩn đoán thông minh, chẩn đoán tự động, online… Qua đó cũng mở ra một
số hƣớng nghiên cứu trong thời gian tới trên nền ứng dụng mạng nơron:

 Support vector machines.

 Neuro- Fuzzy System.

81
 TÀI LIỆU THAM KHẢO

Tiếng Việt

[1] Nguyễn Phong Điền (2012), Kỹ thuật đo đạc và phân tích tín hiệu dao động
trong cơ học, Trƣờng Đại học Bách Khoa Hà Nội, Hà Nội.

[2] Nguyễn Phong Điền, Nguyễn Trọng Du (2012), Phát hiện vết nứt răng của
bộ truyền bánh răng bằng phương pháp trung bình hóa tín hiệu dao động và
phép biến đổi Wavelet liên tục, Hội nghị Cơ học toàn quốc lần thứ IX, Hà
Nội.

Tiếng Anh

[3] H. Bendjama, S. Bouhouche, M. S. Boucherit (2012): “Application of

Wavelet Transform for Fault Diagnosis in Rotating Machinery”,
International Journal of Machine Learning and Computing, 2(1), pp. 82- 87.

[4] Howard Demuth, Mark Beale (2002), Neural Network Toolbox User’s Guide,
The Math Works.

[5] Ruqiang Yan, Robert X. Gao (2005), “An efficient approach to machine
health diagnosis based on harmonic wavelet packet transform”, Elsevier,
Robotics and Computer- Integrated Manufacturing, 21, pp. 291- 301.

[6] Robert X. Gao, Ruqiang Yan (2011), Wavelets- Theory and Applications for
Manufacturing, Springer, London.

[7] Meltzer G., Nguyen Phong Dien (2004), “Fault diagnosis in gears operating
under non-stationary rotational speed using polar wavelet amplitude maps”,
Elsevier, Mechanical Systems and Signal Processing, 18, pp. 985–992.

82
[8] Juuso Olkkonen (2011), Discrete Wavelet Transforms- Theory and
Applications, InTech, Croatia.

[9] J. Rafiee, F. Arvani, A. Harifi, M.H. Sadeghi (2007), “ Intelligent condition

monitoring of a gearbox using artificial neural network”, Elsevier,
Mechanical Systems and Signal Processing, 21, pp. 1746- 1754.

[10] J. Rafiee, F. Arvani, A. Harifi, M.H. Sadeghi (2009), “A novel technique for
selecting mother wavelet function using an intelligent fault diagnosis
system”, Elsevier, Expert Systems with Applications, 36(3), pp. 4862- 4875.

83