Please use this identifier to cite or link to this item: https://dspace.ctu.edu.vn/jspui/handle/123456789/104390
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorNguyễn, Chí Ngôn-
dc.contributor.advisorNguyễn, Văn khanh-
dc.contributor.authorNGUYỄN, HOÀNG PHÚ NHÂN-
dc.contributor.authorNGUYỄN, LÊ KHANG-
dc.contributor.authorTRƯƠNG PHAN, GIANG SƠN-
dc.date.accessioned2024-07-02T09:24:31Z-
dc.date.available2024-07-02T09:24:31Z-
dc.date.issued2023-05-
dc.identifier.urihttps://dspace.ctu.edu.vn/jspui/handle/123456789/104390-
dc.description.abstractMục tiêu của đề tài là cải thiện độ chính xác của hệ thống nhận dạng lỗi động cơ ba pha sử dụng mạng học sâu nhỏ (TinyML- Tiny Machine learning) dựa vào tiếng ồn phát ra khi hoạt động (tiếng ồn từ động cơ khác) của luận văn tốt nghiệp HK2 năm học 2021-2022. Mô hình TinyML của luận văn này đã triển khai trực tiếp trên vi điều khiển và đã cho khả năng nhận dạng chính xác 72% các lỗi của động cơ dựa vào tiếng ồn hoạt động. Tuy nhiên, trong luận văn trên, tiếng ồn được thu thập bằng một điện thoại thông minh để tạo dữ liệu huấn luyện mạng, trong khi nhận dạng trên vi điều khiển thì tiếng ồn lại thu bằng một micro. Thêm vào đó, dữ liệu này thu thập trong môi trường không có tiếng ồn khác nên chắc chắn kết quả nhận dạng sẽ giảm độ chính xác hơn nữa khi hoạt động ở môi trường có tiếng ồn từ các nguồn âm thanh khác. Trong luận văn này, sẽ có ba giải pháp đề xuất để cải thiện độ chính xác. Thứ nhất, xây dựng mô hình thu âm thanh trực tiếp trên vi điều khiển để hỗ trợ thu thập dữ liệu cho huấn luyện mạng thay vì sử dụng điện thoại di động để thống nhất các nguồn dữ liệu huấn luyện mô hình và nhận dạng thực tế. Thứ hai, nguồn nhiễu (tiếng ồn phát ra từ máy nén khí) được tạo ra song song với tiếng ồn động cơ, để đánh giá mô hình nhận dạng lỗi trước đó và huấn luyện lại mô hình để đánh giá mức độ cải thiện độ chính xác. Cuối cùng, sử dụng thêm ảnh phổ Spectrogram thông thường để đánh giá cải thiện chất lượng nhận dạng lỗi. Kết quả thực nghiệm cho thấy, kiến trúc mạng TinyML đề xuất trước đó khi được huấn luyện với tập dữ liệu thu trực tiếp từ hệ thống nhúng đã cải thiện 23 %, tăng từ 72 % lên 95 %; khi có nguồn nhiễu khác độ chính xác của mô hình mạng trước đó đã giảm 5 %; khi huấn luyện mô hình với dữ liệu thu bao gồm nhiễu đã có thể nhận dạng chính xác lỗi động cơ đến 98 %. Kết quả cho thấy được khả năng áp dụng mô hình nhận dạng lỗi động cơ ba pha trong môi trường hoạt động thực tế là khá cao. Từ khóa: tinyml, ảnh phổ tần số, mô-đun i2s, chẩn đoán lỗi động cơ ba pha.  vi_VN
dc.description.tableofcontentsLời cảm tạ i Tóm tắt…. ii Abstract… iii Lời cam đoan iv Danh mục hình viii Danh mục bảng xi Danh mục từ viết tắt xii Chương 1: Tổng quan đề tài………………………………………………..1 1.1 Đặt vấn đề 1 1.2 Các nghiên cứu có liên quan 2 1.3 Mục tiêu đề tài 3 1.4 Cấu trúc bài báo cáo 3 Chương 2: Cơ sở lý thuyết 4 2.1 Ảnh phổ 4 2.1.1 Biến đổi Fourier của tín hiệu 4 2.1.2 Ảnh phổ tần số Spectrogram 5 2.2 Học sâu 6 2.2.1 Tổng quan về mạng học sâu 6 2.2.2 Cấu trúc mạng tích chập (Convolution Neural Network) 7 2.2.3 Công cụ Tensorflow/Tensorflow lite 8 2.3 Các tiêu chí đánh giá kết quả 9 Chương 3: Nội dung thực hiện 12 3.1 Tổng quan hệ thống nhận dạng lỗi động cơ của luận văn HK2 2021-2022 12 3.1.1 Phần cứng 12 3.1.2 Phần mềm hệ thống 13 3.2 Tổng quan hệ thống cải tiến 16 3.2.1 Cải tiến phần cứng 16 3.2.2 Điều chỉnh lại phần mềm 16 3.2.3 Nguyên lý hoạt động toàn hệ thống sau cải tiến 17 3.3 Thu thập dữ liệu âm thanh 18 3.3.1 Thiết kế mô hình thu 18 3.3.2 Bố trí thu thập dữ liệu âm thanh 22 3.4 Thuật toán vẽ ảnh từ dữ liệu âm thanh thu thập 25 3.4.1 Ảnh phổ Mel-Spectrogram (Loại 1) 26 3.4.2 Ảnh phổ Spectrogram thông thường (Loại 2) 27 3.5 Huấn luyện mạng học sâu 28 3.5.1 Các trường hợp dữ liệu đưa đi huấn luyện 28 3.5.2 Phân chia dữ liệu huấn luyện 29 3.5.3 Cấu trúc mạng Convolution Neural Network cho mô hình 30 3.5.4 Huấn luyện mô hình 31 3.6 Mô hình nhận dạng lỗi động cơ 32 3.6.1 Thiết kế phần mềm 32 3.6.2 Thiết kế phần cứng 33 Chương 4: Kết quả và thảo luận 36 4.1 Đánh giá dữ liệu và ảnh hưởng của nhiễu 36 4.1.1 Đánh giá chất lượng âm thanh (trường hợp bố trí 1) 36 4.1.2 Đánh giá ảnh hưởng của nhiễu (trường hợp 2) 38 4.2 Kết quả thu thập dữ liệu 41 4.2.1 Dữ liệu âm thanh thu bằng vi điều khiển 41 4.2.2 Kết quả chuyển đổi ảnh phổ 43 4.3 Kết quả huấn luyện trên colab 44 4.4 Kết quả thực nghiệm trên vi điều khiển 49 4.4.1 Bố trí thực nghiệm kiểm tra trên vi điều khiển 49 4.4.2 Nhận dạng sử dụng ảnh Mel-Spectrogram 49 4.4.3 Nhận dạng sử dụng ảnh Spectrogram thông thường 52 4.5 So sánh đánh giá 54 4.5.1 Kết quả giữa hai loại ảnh phổ 54 4.5.2 Mô hình đã cải tiến với mô hình luận văn trước đó 54 4.6 Thảo luận xung quanh đề tài 55 4.6.1 Kết quả đạt được 55 4.6.2 Khó khăn, hạn chế 56 CHƯƠNG 5: Kết luận và kiến nghị 57 5.1 Kết luận 57 5.2 Kiến nghị 57 Tài liệu tham khảo 58 Phụ lục……………………………………………………………………….60vi_VN
dc.language.isovivi_VN
dc.publisherTrường Đại Học Cần Thơvi_VN
dc.subjectKT Điều khiển & Tự Động Hóavi_VN
dc.titleCẢI TIẾN HỆ THỐNG NHẬN DẠNG LỖI ĐỘNG CƠ BA PHA DỰA TRÊN TINYMLvi_VN
dc.typeThesisvi_VN
Appears in Collections:Trường Bách khoa

Files in This Item:
File Description SizeFormat 
_file_
  Restricted Access
34.36 kBMicrosoft Word XML
Your IP: 3.145.69.65


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.