Chẩn đoán lỗi ổ bi sử dụng mô hình máy học và học sâu: một nghiên cứu so sánh ứng dụng cho bộ dữ liệu HUST bearing

Tóm tắt

Chẩn đoán lỗi ổ bi đóng vai trò quan trọng trong việc đảm bảo độ tin cậy và an toàn vận hành của các hệ thống cơ khí và điện tử. Nghiên cứu này thực hiện phân tích so sánh giữa các mô hình máy học trong nhận dạng lỗi ổ bi, bao gồm Máy vector hỗ trợ (SVM), Mạng Long Short-Term Memory (LSTM), Mạng nơ-ron tích chập một chiều (1D-CNN), Mạng nơ-ron tích chập hai chiều (2D-CNN) và Mô hình Transformer. Các mô hình này được áp dụng trên tập dữ liệu HUST bearing và đánh giá dựa trên khả năng phân loại chính xác lỗi từ tín hiệu rung động. Kết quả cho thấy 1D-CNN, 2D-CNN và Transformer có hiệu suất vượt trội trong chẩn đoán lỗi ổ bi. Cụ thể, 1D-CNN đạt độ chính xác 99.8% trên tập huấn luyện và 99.83% trên tập kiểm tra, tiếp theo là 2D-CNN với 99.1% và 99.3%. Mô hình Transformer cũng đạt kết quả tốt với độ chính xác 99.7% sau 1 giờ huấn luyện, tương đương với 1D-CNN (1 giờ) và 2D-CNN (0.8 giờ). Ngược lại, LSTM và SVM có độ chính xác thấp hơn và thời gian huấn luyện dài hơn đáng kể, trong đó, LSTM mất 11.5 giờ và SVM mất 8 giờ. Những kết quả này cho thấy 1D-CNN, 2D-CNN và Transformer là các phương pháp hiệu quả cao trong chẩn đoán lỗi ổ bi, với mô hình Transformer đạt hiệu suất và tốc độ huấn luyện tương đương các mô hình CNN.