Bài viết này đưa đến một cách tiếp cận mới và hiện đại trên cơ sở phép biến đổi nén đồng bộ Wavelet (Synchrosqueezed Wavelet Transform - SWT) và máy học vector hỗ trợ (Support Vector Machine - SVM) nhằm mục đích phát hiện và phân loại hư hỏng có trong bộ truyền bánh răng. Tín hiệu dao động đo được tại vỏ sẽ được phân tích thành các hàm dạng cơ sở (Intrinsic Mode Functions - IMF) bằng SWT. | Sử dụng phép biến đổi nén đồng bộ wavelet kết hợp máy học vector hỗ trợ để phân loại hư hỏng bộ truyền bánh răng Cơ học – Cơ khí động lực SỬ DỤNG PHÉP BIẾN ĐỔI NÉN ĐỒNG BỘ WAVELET KẾT HỢP MÁY HỌC VECTOR HỖ TRỢ ĐỂ PHÂN LOẠI HƯ HỎNG BỘ TRUYỀN BÁNH RĂNG Nguyễn Trọng Du1*, Nguyễn Thanh Hải2, Phùng Minh Ngọc3 Tóm tắt: Bộ truyền bánh răng đóng vai trò quan trọng trong việc bảo đảm hoạt động liên tục, an toàn của máy móc và thiết bị. Bất kỳ một hư hỏng nào của bánh răng cũng ảnh hưởng tới hoạt động bình thường của máy, đặc biệt là những bộ truyền bánh răng cỡ lớn. Bài báo này đưa đến một cách tiếp cận mới và hiện đại trên cơ sở phép biến đổi nén đồng bộ Wavelet (Synchrosqueezed Wavelet Transform - SWT) và máy học vector hỗ trợ (Support Vector Machine - SVM) nhằm mục đích phát hiện và phân loại hư hỏng có trong bộ truyền bánh răng. Tín hiệu dao động đo được tại vỏ sẽ được phân tích thành các hàm dạng cơ sở (Intrinsic Mode Functions - IMF) bằng SWT. Tiến hành lấy giá trị đặc trưng của các hàm dạng cơ sở để làm đầu vào huấn luyện các vector hỗ trợ, từ đó phân loại được hư hỏng của bánh răng. Từ khóa: Chẩn đoán kỹ thuật; Bánh răng; Phép biến đổi nén đồng bộ; Máy vector hỗ trợ. 1. ĐẶT VẤN ĐỀ Trí tuệ nhân tạo được áp dụng rộng rãi trong rất nhiều lĩnh vực của đời sống và được xem là một trong các thành phần thiết yếu của một nền công nghiệp . Từ năm 2007, một loạt nghiên cứu do Rafiee [1] đứng đầu đã nghiên cứu về ứng dụng mạng nơ ron trong chẩn đoán hư hỏng hộp số bánh răng kéo dài tới những năm 2010 [2]. Ở Việt Nam, năm 2014 tại Đại học Bách Khoa Hà Nội đã thực hiện những nghiên cứu về việc ứng dụng trí tuệ nhân tạo, cụ thể là mạng nơron, trong giám sát và chẩn đoán hư hỏng bánh răng [3]. Tuy nhiên, có nhiều mô hình trí tuệ nhân tạo khác nhau với rất nhiều tiềm năng ứng dụng trong giám sát và chẩn đoán kỹ thuật. Một trong số đó là máy học vector hỗ trợ. Bài báo đề xuất một quy trình phân loại hư hỏng tự động dựa trên
