Hệ thống giám sát và chẩn Đoán lỗi vòng bi bearing fault detection and monitoring system

Giới thiệu đề tài1 Mục tiêu của đề tài 1 Thu thập dữ liệu độ rung của vòng bi 2 Triển khai mô hình học máy để chẩn đoán lỗi vòng bi 3 Xây dựng hệ thống giám sát dữ liệu với nền tảng Thin

Trang 1

ĐỒ ÁN TỐT NGHIỆP

GVHD: PHẠM VIỆT CƯỜNG SVTH: Mai Nhật Thông

TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM

KHOA ĐIỆN - ĐIỆN TỬ

BỘ MÔN KỸ THUẬT ĐIỀU KHIỂN & TỰ ĐỘNG HÓA

HỆ THỐNG GIÁM SÁT VÀ CHẨN ĐOÁN LỖI VÒNG BI BEARING FAULT DETECTION AND MONITORING SYSTEM

Trang 2

1 Giới thiệu đề tài

Trang 3

Giới thiệu đề tài

1

Vai trò quan trọng của việc chẩn đoán lỗi vòng bi

Trang 4

Giới thiệu đề tài

1

Mục tiêu của đề tài

1 Thu thập dữ liệu độ rung của vòng bi

2 Triển khai mô hình học máy để chẩn đoán lỗi vòng bi

3 Xây dựng hệ thống giám sát dữ liệu với nền tảng Thingsboard

Trang 5

Tổng quan hệ thống

2

Tổng quan hệ thống

Machine Learning

Trang 6

Tổng quan hệ thống

2

Cấu tạo và các lỗi vòng bi

Trang 7

Thiết kế và triển khai thực hiện

3

Bộ dữ liệu (Dataset)

Bộ dữ liệu IMS Bearing Dataset do phòng thí nghiệm IMS, đại học Cincinati – do NASA công bố Bộ dữ liệu ghi lại tín hiệu rung của 4 vòng bi hoạt động liên tục cho đến khi hỏng.

Trang 8

3

Phân tích đồ thị độ rung của vòng bi

Trang 9

3

Các đặc trưng được sử dụng để chẩn đoán lỗi vòng bi

Max và Min: Giá trị cực đại và cực tiểu, phát hiện các xung động làm biên độ tăngbất

thường

Trang 10

3

Thuật toán Random Forest

1 Mỗi cây trong rừng được huấn luyện với một tập con

dữ liệu ngẫu nhiên (lấy mẫu lại từ dữ liệu gốc)

2 Tại mỗi nút chia trong cây, chỉ một nhóm nhỏ đặc trưng

ngẫu nhiên được chọn để xem xét

3 Khi cần dự đoán, mỗi cây sẽ “bỏ phiếu” cho một lớp (ví

dụ: “inner fault” hay “normal”)

4 Kết quả cuối cùng là lớp có số phiếu cao nhất

Kết hợp nhiều mô hình yếu (các cây quyết định

decision tree) để tạo nên một mô hình mạnh mẽ hơn

Trang 11

3

Xây dựng mô hình machine learning

Trang 12

3

Xử lý dữ liệu

Tiến hành duyệt qua bộ dữ liệu IMS Bearing gồm 3 thư mục gồm 7588 tệp dữ liệu, mỗi tệp gồm 20480 điểm dữ liệu của 4 vòng bi

Trang 13

3

Kỹ thuật đặc trưng

Trang 14

3

Lựa chọn và huấn luyện mô hình

n_estimators=200

max_depth=20

min_samples_split=10

min_samples_leaf=5

max_features='sqrt'

class_weight='balanced

Hyperparameter Result

Trang 15

3

Kết quả hiệu suất mô hình

dạng nhất trong các loại lỗi

lượng mẫu lớn

tự như với dao động bình thường dẫn đến chồng chéo đặc trưng

tương đối rõ ràng

Trang 16

3

Thu thập dữ liệu độ rung và gửi lên server

Trang 17

3

FastAPI Server – API endpoints

POST /vibration_data

Mục đích: Nhận dữ liệu độ rung từ ESP32

Input: JSON (1000 samples)

Mục đích: Truy vấn dữ liệu mới nhất

Input: device_id (trong URL)

Xử lý: Query MongoDB

Trang 18

3

FastAPI Server – MongoDB – Thingsboard

Trang 19

3

Kêt nối và gửi dữ liệu đến MongoDB

Kết nối

Lưu dữ liệu

Trang 20

Trang 21

Kết quả thực hiện

4

Mô hình thực tế

Trang 22

4

Dữ liệu thu thập và truyền đi bởi ESP32

Trang 23

4

Dữ liệu được gửi từ ESP32 lên FastAPI Server

Trang 24

4

Dữ liệu được lưu trên MongoDB

Trang 25

4

Dữ liệu Telemetry trên Thingsboard

Trang 26

4

Các Dashboard giám sát trong Thingsboard

Dashboard trang chủ: gồm các nút nhấn để đi đến các dashboard khác.

Trang 27

4

Dashboard Alarm: gồm các widget hiển thị thông báo, Alarm báo lỗi và

các nút nhấn để đi đến các dashboard khác

Trang 28

4

Dashboard Data table: gồm widget hiển thị dữ liệu dạng bảng và các nút

nhấn để đi đến các dashboard khác

Trang 29

4

Dashboard Data chart: gồm widget hiển thị đồ thị dữ liệu và các nút

nhấn để đi đến các dashboard khác

Trang 30

4

Dashboard dữ liệu tổng quan của một vòng bi: gồm các card hiển thị

tình trạng và dữ liệu của vòng bi

Trang 31

4

Kết quả thực nghiệm với vòng bi lỗi Roller Element

Trang 32

Kết luận

5

Đánh giá kết quả

M c tiêu đ t đ ụ ạ ượ c:

M c tiêu ch a đ t đ ụ ư ạ ượ c:

Trang 33

Kết luận

5

Đề xuất các hướng phát triển hệ thống trong tương lai:

nhau.

Trang 35

Chú thích

6

Dán nhãn lỗi

Trang 36

Chú thích

6

Ki n trúc microservices k t h p message queue ế ế ợ

1 Tạo Topics

Topic 1: vibration-raw (dữ liệu thô từ ESP32)

Topic 2: vibration-features (đặc trưng đã trích xuất)

Topic 3: vibration-predictions (kết quả dự đoán)

2 Tách các Service

Service 1: Data Ingestion Service: Nhận dữ liệu từ ESP32 qua HTTP

Feature Extraction Service: Trích xuất 9 đặc trưng từ 1000 samples

Tiêu đề	Hệ thống giám sát và chẩn đoán lỗi vòng bi bearing fault detection and monitoring system
Tác giả	Mai Nhật Thông
Người hướng dẫn	GVHD: Phạm Việt Cường
Trường học	Trường Đại Học Bách Khoa TP.HCM
Chuyên ngành	Khoa Điện - Điện Tử
Thể loại	Đồ án tốt nghiệp
Năm xuất bản	2025
Thành phố	Tp.HCM

Định dạng
Số trang	37
Dung lượng	3,27 MB