Đồ án tốt nghiệp - Nhận biết hỏng hóc động cơ đốt trong thông qua rung động

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH
KHOA CƠ KHÍ ĐỘNG LỰC

ĐỒ ÁN TỐT NGHIỆP

NHẬN BIẾT HỎNG HÓC ĐỘNG CƠ ĐỐT TRONG
THÔNG QUA RUNG ĐỘNG

GVHD: TS. NGUYỄN VĂN TRẠNG
SVTH : PHAN NGỌC TRƯƠNG
MSSV: 20145644
SVTH : ĐÀO QUỐC VINH
MSSV: 20145087

Tp. Hồ Chí Minh, tháng 12 năm 2024

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH
KHOA CƠ KHÍ ĐỘNG LỰC

ĐỒ ÁN TỐT NGHIỆP
Ngành: Công nghệ Kỹ thuật ô tô

Tên đề tài

NHẬN BIẾT HỎNG HÓC ĐỘNG CƠ ĐỐT TRONG
THÔNG QUA RUNG ĐỘNG

GVHD: TS. NGUYỄN VĂN TRẠNG
SVTH : PHAN NGỌC TRƯƠNG
MSSV: 20145644
SVTH : ĐÀO QUỐC VINH
MSSV: 20145087

Tp. Hồ Chí Minh, tháng 12 năm 2024

iii

iv

v

vi

vii

viii

ix

LỜI NÓI ĐẦU
Theo xu hướng phát triển tính hiệu số chóng mặt hiện nay, với sự phát triển vượt bậc
của nhiều công nghệ AI thông minh, mở ra nhiều cánh cửa về Bigdata, tín hiệu số và xử lí
tính hiệu. Trong ngành công nghệ ô tô trên thị trường cũng đang ráo riết ứng dụng đáp ứng
công nghệ trợ lí ảo trên xe và các tính năng Iot bậc nhất cho từng dòng xe hiện đại hiện
nay. Nhưng để phương tiện hoạt động hiệu quả qua việc giám sát chẩn đoán động cơ thì
việc vận dụng các công cụ Iot này vẫn chưa được triệt để. Một trong những thách thức là
phân tích rung động, phổ xung và tần số của từng dòng xe để làm tiểu chuẩn phân tích rung
động trên động cơ đốt trong.
Một trong những ứng dụng nổi bật trong lĩnh vực chẩn đoán động cơ hiện nay là việc
sử dụng công nghệ học sâu (Deep Learning). Các phương pháp như mạng nơ-ron tích chập
(Convolutional Neural Network – CNN) đã chứng minh khả năng mạnh mẽ trong việc xử
lý và phân loại tín hiệu, đặc biệt là tín hiệu rung động từ động cơ [8], [9]. Việc kết hợp
phân tích tín hiệu và học sâu không chỉ giúp nâng cao độ chính xác của quá trình chẩn đoán
mà còn mở ra những hướng đi mới trong việc giám sát và đánh giá tình trạng thiết bị [10].
Đề tài “Chẩn đoán động cơ đốt trong bằng phương pháp phân tích rung động” được
thực hiện nhằm làm rõ tầm quan trọng của việc giám sát tín hiệu rung động, đồng thời ứng
dụng các công nghệ hiện đại như học sâu để cải thiện hiệu quả chẩn đoán. Qua bài luận
văn để làm tiền đề cho các đọc giả làm căn cứ cho sự phát triển mạng học sâu ứng dụng
trong rung động động cơ ô tô. Ngoài việc giám sát tình trạng động cơ ngoài ra còn tăng độ
chính xác đưa ra xác xuất chẩn đoán cho động cơ để tăng tuổi thọ và duy trì hiệu suất tốt
nhất cho người dụng, tăng độ uy tin, tin cậy cho các hang xe lớn hiện nay.

x

LỜI CẢM ƠN
Nhóm chúng em xin dàn
...

...
tmax)
classificationLayer(Name,classoutput)]
Lập trình huấn luyện mạng nơ-ron
plot(layerGraph(layers))
% Tạo imageDatastore cho dữ liệu huấn luyện
trainFolder = Detection % Đường dẫn đến folder Detection
imds = imageDatastore(trainFolder, ...
IncludeSubfolders, true, ...
LabelSource, foldernames)

% Phân chia dữ liệu train/validation (80% train, 20% validation)
[imdsTrain, imdsValidation] = splitEachLabel(imds, 0.8, randomized)

68

% Kích thước ảnh cần resize (phụ thuộc vào mạng bạn sử dụng, ví dụ: 224x224)
inputSize = [224 224]

% Resize ảnh cho dữ liệu train và validation
augImdsTrain = augmentedImageDatastore(inputSize, imdsTrain) % Resize ảnh train
augImdsValidation = augmentedImageDatastore(inputSize, imdsValidation) % Resize
ảnh validation

% Lấy thông tin lớp (số class)
classes = categories(imdsTrain.Labels)

% Tùy chỉnh các tham số huấn luyện
options = trainingOptions(adam, ...
MiniBatchSize, 16, ...
MaxEpochs, 10, ...
InitialLearnRate, 1e-4, ...
ValidationData, augImdsValidation, ...
ValidationFrequency, 30, ...
Verbose, true, ...
Plots, training-progress)
69

% Huấn luyện mạng
trainedNet = trainNetwork(augImdsTrain,layers , options)
Lập trình toàn bộ quá thử nghiệm
% Tạo imageDatastore cho dữ liệu Test
testFolder = Test % Đường dẫn đến folder Test
imdsTest = imageDatastore(testFolder)
% Kích thước cần resize (phải khớp với kích thước đầu vào của mạng)
inputSize = [224 224]
% Resize ảnh trong dữ liệu Test
augImdsTest = augmentedImageDatastore(inputSize, imdsTest)
% Dự đoán kết quả
[predictedLabels, scores] = classify(trainedNet, augImdsTest)
% Hiển thị kết quả dự đoán cho tất cả dữ liệu test
classes = categories(predictedLabels) % Lấy danh sách các lớp từ nhãn
% Giả sử scores là các logits % (Nếu sử dụng hàm classify% scores là các logits, tính
softmax
softmaxScores = exp(scores) ./ sum(exp(scores), 2)
% Kiểm tra xác suất
disp(softmaxScores) % Mảng 2D (số ảnh, số lớp)
70

% Hiển thị xác suất cho từng lớp của mỗi ảnh test
for i = 1:numel(imdsTest.Files)
fprintf(Image: %s\\n, imdsTest.Files{i}) % Hiển thị tên ảnh gốc
[maxScore, maxClassIndex] = max(softmaxScores(i, :)) % Xác suất cao nhất và lớp
dự đoán
fprintf(Predicted Class: %s (%.2f%%)\\n, string(classes{maxClassIndex}),
maxScore * 100)
for j = 1:numel(classes) % Lặp qua tất cả các lớp và hiển thị xác suất
fprintf( Class %s: %.2f%%\\n, string(classes{j}), softmaxScores(i, j) * 100)
end
fprintf(\\n)
end

71