ỨNG DỤNG MÔ HÌNH KRIGING ĐỂ CHẨN ĐOÁN SỰ CỐTRONG HỆ THỐNG CHILLER

Nghiên cứu này đề xuất một phƣơng pháp mới để chẩn đoán hƣ hỏng ổ lăn trong đó chúng tôi sử dụng phương pháp phân rã mô hình thực nghiệm hoàn toàn (EEMD) kết hợp với phƣơng pháp phân tích giá trị riêng (SVD) và máy véc tơ hỗ trợ (SVM). Thêm vào đó, các tham số của SVM được lựa chọn thông qua thuật toán tối ưu hóa tìm kiếm ngƣợc (BSOA) để tạo thành bộ phân lớp BSOA-SVM. Trước tiên, tín hiệu dao động gia tốc của ổ lăn được phân rã thành những IMF (Intrinsic Mode Function) bằng phương pháp EEMD. Những IMF này được phân tích giá trị riêng để tạo thành những véc tơ đầu vào cho bộ phân lớp SVM. Cuối dùng, những bộ phân lớp BSOA-SVM được dùng để phân loại các mẫu ổ lăn lỗi. Kết quả thực nghiệm cho thấy phương pháp đề xuất có thể phân loại tình trạng hoạt động của ổ lăn với độ chính xác cao và thời gian thấp khi so sánh với các phương pháp khác.

Nghiên cứu này đề xuất một phương pháp mới để chẩn đoán hư hỏng ổ lăn trong đó chúng tôi sử dụng hàm tích (PF) của phương pháp phân rã trung bình cục bộ (LMD) kết hợp với mô hình tự hồi quy (AR) và máy véc tơ hỗ trợ (SVM). Thêm vào đó, các tham số của SVM được lựa chọn thông qua thuật toán tiến hóa vi phân (DE), ký hiệu DE-SVM. Trước tiên, tín hiệu dao động gia tốc của ổ lăn được phân rã thành những PF bằng phương pháp LMD. Từ những PF đó, chúng tôi thiết lập mô hình AR và trích chọn những hệ số của mô hình thành những véc tơ đầu vào cho bộ phân lớp SVM. Cuối dùng, những bộ phân lớp DE-SVM được dùng để phân loại các mẫu ổ lăn lỗi. Kết quả thực nghiệm cho thấy phương pháp đề xuất có thể phân loại tình trạng hoạt động của ổ lăn với độ chính xác cao và thời gian thấp khi so sánh với các phương pháp khác.