Chẩn đoán tình trạng kỹ thuật hộp số cơ khí trên cơ sở mạng nơron RBF

129TẬP 11 SỐ 407 - 2017
KẾT QUẢ NGHIÊN CỨU VÀ ỨNG DỤNG
Nguyễn Minh Tiến1*, Nguyễn Việt Hùng1, Vũ Đức Mạnh2
Tóm tắt: Bài báo trình bày các ưu việt của hệ thống chẩn đoán sử dụng cấu trúc mạng nơron với khả 
năng “học” để nhận dạng các lỗi. Hệ thống chẩn đoán kết hợp với mạng nơron sẽ làm tăng tính khách 
quan của kết luận chẩn đoán và phát hiện lỗi chính xác hơn. Mô hình chẩn đoán phát hiện lỗi trong hệ 
thống truyền lực cơ khí được trình bày làm minh họa cho phương pháp xây dựng hệ thống chẩn đoán 
mạng nơron. Phần cuối của bài báo đề cập đến khả năng ứng dụng của mạng nơron trong hệ thống 
chẩn đoán lỗi hộp số cơ khí, trên cơ sở đó có thể áp dụng để chẩn đoán các hệ thống tương tự trên các 
phương tiện cơ giới. 
Từ khóa: Chẩn đoán kỹ thuật; hộp số cơ khí; mạng nơron RBF; huấn luyện mạng; tình trạng kỹ thuật.
Diagnosing technical status of the mechanical gearbox on the basis of neural network RBF
Abstract: This paper shows the advantages of a diagnostic system using neural network structure with the 
ability to "learning" to identify errors. Diagnostic systems in combination with neural networks will increase 
the objectivity of diagnostic findings and detect errors more accurately. The error detection model in the me-
chanical transmission system is presented as an illustration of the method of constructing a neural network 
diagnostic system. The last part of this paper deals with the applicability of neural networks in the mechani-
cal gearbox diagnostic system, which can be used to diagnose analogue systems in the vehicle.
Keywords: Technical Diagnosis; Mechanical gearbox; RBF neural network; Network training; Technical status.
Nhận ngày 10/5/2017; sửa xong 13/6/2017; chấp nhận đăng 23/6/2017 
Received: May 10, 2017; revised: June 13, 2017; accepted: June 23, 2017
1TS, Học viện Kỹ thuật quân sự.
2KS, Học viện Kỹ thuật quân sự.
*Tác giả chính. E-mail: minhtien91998@yahoo.com.
CHẨN ĐOÁN TÌNH TRẠNG KỸ THUẬT HỘP SỐ CƠ KHÍ 
TRÊN CƠ SỞ MẠNG NƠRON RBF
1. Đặt vấn đề
Trong trang bị kỹ thuật xe bánh xích sử dụng rộng rãi các hệ thống cơ khí. Các hệ thống này làm tăng 
hiệu suất làm việc của các cụm, chi tiết cơ khí. Tuy nhiên, do tính phức tạp của hệ thống nên việc đánh giá 
tình trạng kỹ thuật (TTKT), phát hiện hư hỏng gặp nhiều khó khăn. Để giải quyết vấn đề này, các hệ thống 
chẩn đoán tự động, hệ thống tự chẩn đoán ngày càng được nghiên cứu, sử dụng và hoàn thiện. Các hệ 
thống chẩn đoán này có thể tích hợp trong cùng kết cấu với hệ thống cơ điện tử hoặc là các hệ thống, thiết 
bị riêng rẽ.
Do tính phức tạp của hệ thống truyền lực cơ khí trên xe bánh xích, khả năng thu thập được các thông 
số chẩn đoán hạn chế [7,2]. Tập thông số chẩn đoán không nhiều mà dải biên lớn, chính vì vậy sử dụng các 
phương pháp chẩn đoán kỹ thuật truyền thống như chẩn đoán rung động, logic mờ chưa đưa ra được kết 
quả chẩn đoán có độ tin cậy cao. Mạng nơron RBF có cấu trúc của não người, có khả năng “học” đã giải 
quyết được vấn đề chẩn đoán hệ thống truyền lực dạng cơ khí trên. 
2. Cơ sở lý thuyết
2.1 Khái niệm mạng nơron
Mạng nơron nhân tạo là mô hình tính được cấu tạo bởi một số lượng lớn các nút (thường được gọi 
là nơron) và liên kết giữa chúng. Mỗi nút được đặc trưng một hàm đầu ra (hàm tích cực hóa) [1,6,5]. Mỗi kết 
nối giữa các nút đặc trưng bởi trọng số của liên kết được thể hiện trên Hình 1.
130 TẬP 11 SỐ 407 - 2017
KẾT QUẢ NGHIÊN CỨU VÀ ỨNG DỤNG
trong đó: xi với i =1,2,, n là các tín hiệu đầu vào; 
wij với i =1,2,, n là các trọng số tương ứng với 
đầu vào; θj là ngưỡng kích hoạt của nơron j; netj là 
tín hiệu tổng hợp đầu vào của nơron j; f(netj) là hàm 
kích hoạt; yj là tín hiệu ra của nơron j.
Đầu vào của nơron nhân tạo gồm n tín hiệu 
xi với i=1,2,n. Mỗi tín hiệu đầu vào tương ứng với 
một trọng số wij, nó thể hiện mức độ ảnh hưởng của 
tín hiệu xi đến nơron j. Tín hiệu đầu vào của một 
nơron có thể là dữ liệu từ bên ngoài mạng, hoặc đầu 
ra của một nơron khác, hoặc là đầu ra của chính nó. Nhằm tăng khả năng thích nghi của mạng nơron trong 
quá trình học, người ta sử dụng thêm một tham số (Bias) gán cho mỗi nơron. Tham số đó còn gọi là trọng 
số của nơron, ta kí hiệu trọng số của nơron thứ j là θj. 
Các tín hiệu đầu vào của mỗi nơron được tổng hợp bằng một bộ cộng, kết quả cho ta một giá trị gọi 
là netj của nơron thứ j. Ta giả định netj là hàm của các tín hiệu xi và các trọng số wij. Có nhiều cách để tính 
tổng tín hiệu vào của nơron, có thể là [6,3,5]:
 (1)
hoặc netj = max[min(xi, wij)], i = 1,2,..., n. (2)
Nếu wij > 0 thì nơron được coi là đang ở trạng thái kích thích. Ngược lại, nếu wij < 0 thì nơron ở trạng 
thái kiềm chế. Sau khi tổng hợp được tín hiệu đầu vào netj, sử dụng hàm kích hoạt f biến đổi netj để thu 
được tín hiệu đầu ra outj.
yj = outj = f(netj) (3)
Một nơron bao gồm các liên kết nhận tín hiệu vào bao gồm các số thực xi cùng các trọng số kết nối 
wi tương ứng với nó, hàm F gọi là hàm kích hoạt để tạo tín hiệu ra dựa trên giá trị hàm tổng có trọng số của 
các giá trị đầu vào, Y là giá trị đầu ra của nơron. Ta có thể biểu diễn một nơron nhân tạo theo công thức 
toán học như sau:
 (4)
Mạng RBF được Moody và Darker đề xuất 
năm 1989 dựa trên sự tương đồng giữa khai triển 
RBF với mạng nơron một lớp ẩn. Khả năng xấp xỉ 
của các hàm phi tuyến của mạng có thể thừa nhận 
từ hai lý do. Một là, nó là một kiểu khai triển RBF. 
Hai là, nó tương đương với hệ thống mờ và là một 
công cụ xấp xỉ vạn năng. Đặc biệt mạng RBF Gauss 
sẽ là một kiểu mạng “có một số người thắng”, nên 
có thể áp dụng luật học không giám sát của Ko-
honen mở rộng. Điều này có thể giải thích từ cách 
suy diễn kiểu NẾU-THÌ của hệ thống mờ tương 
đương. Mạng nơron RBF thường sử dụng cấu trúc 3 lớp. Do các đầu ra độc lập với nhau nên có thể coi 
RBF là cấu trúc MISO với nhiều đầu vào và một đầu ra. Mô hình RBF thuộc nhóm mạng nơron học có 
mẫu: Đáp ứng đầu ra của mạng sẽ cố gắng “học” đáp ứng cho sẵn [3,6,5]. Cấu trúc của mạng RBF được 
thể hiện trên Hình 2.
Mạng RBF là một loại mạng nơron nhân tạo truyền thẳng gồm có ba lớp. Nó bao gồm n nút của lớp 
đầu vào cho vector đầu vào x€R, N nơron ẩn (giá trị của nơron ẩn thứ k chính là giá trị trả về của hàm cơ 
sở bán kính φk) và m nơron đầu ra. Đặc điểm cơ bản của mạng RBF là sử dụng hàm bán kính: Hàm bán 
kính là hàm chỉ phụ thuộc vào khoảng cách Euclide từ đối số x đến một điểm c (gọi là tâm) cho trước [3]:
 (5)
Hình 2. Cấu trúc mạng nơron RBF
Hình 1. Cấu tạo 1 nơron nhân tạo
131TẬP 11 SỐ 407 - 2017
KẾT QUẢ NGHIÊN CỨU VÀ ỨNG DỤNG
với 
Một số hàm bán kính:
- Hàm Gaussian: ϕ(r)=exp(-βr2) 
- Hàm đa thức: ϕ(r) = r2klnr
- Khoảng cách: φ(r) = 
trong đó: ϕ là hàm cơ sở hoặc hàm kích hoạt của mạng; vk là tâm của mỗi hàm cơ sở bán kính φk;
- Lớp ẩn được kích hoạt tương ứng với véc tơ trọng số w = (w1, w2q, w3,..., wn).
- Lớp ra lấy tổng của các véc tơ giá trị đầu ra zq và véc tơ trọng số wq.
(6)
Ưu điểm của mạng RBF là thời gian huấn luyện ngắn, việc thiết lập rất nhanh và đơn giản. Mạng 
RBF có thể được huấn luyện theo phương pháp bình phương tối thiểu hoặc phương pháp lan truyền ngược.
2.2 Huấn luyện mạng RBF
Với tập mẫu học ta phải tìm các tham số của mạng bao gồm: trọng số W=(w1...wD)
T, tâm 
của các hàm bán kính C={c1,...cD}, tham số của các hàm bán kính B={β1,...βD} [6,3,5].
Trong thực tế, việc lựa chọn tâm và bán kính tối ưu là công việc khá phức tạp. Do vậy, người ta 
thường chọn tâm dạng cách đều hoặc trùng với mẫu học và các bán kính có kích thước đồng đều. Sau đó, 
thử với các giá trị bán kính khác nhau đạt đến yêu cầu thử.
3. Ứng dụng mạng nơron RBF trong phương pháp chẩn đoán tình trạng kỹ thuật hộp số cơ khí 
3.1 Các giai đoạn chẩn đoán tình trạng kỹ thuật hộp số xe tăng T-55 bằng mạng RBF
Các thông số đầu vào sẽ được đưa tới các nút vào của mạng RBF, mạng RBF cố gắng mô phỏng 
các hàm đơn trị bất kỳ bằng tổng của các hàm cơ sở đầu ra. Độ chính xác của phép mô phỏng phụ thuộc 
vào sự phân biệt đầu vào. Do vậy, hoàn toàn có thể đạt đến độ chính xác bất kỳ bằng cách cung cấp số 
lượng mẫu học đủ lớn. Mô hình này sẽ được ứng dụng trong các phần tiếp theo để phân tích các mô hình 
cấu trúc đã xây dựng [3,5,6]. Sơ đồ hệ thống chẩn đoán với khâu ước lượng sử dụng mạng RBF được mô 
tả trên Hình 3.
Hình 3. Sơ đồ hệ thống chẩn đoán với khâu ước lượng sử dụng mạng RBF
Trên cơ sở phân tích cấu trúc mạng nơron và phương pháp chẩn đoán dựa trên ước lượng thông số, 
bài báo tập trung đề xuất cấu trúc sử dụng mạng nơron RBF theo phương pháp ước lượng thông số. Trong 
đó khâu đối chứng được xây dựng trên cơ sở ước lượng thông số bằng mạng RBF [3,6]:
Bài toán được thực hiện qua 2 giai đoạn:
Giai đoạn 1: Thu thập số liệu và luyện mạng: Số liệu đầu vào và đầu ra của đối tượng được thu thập 
và tổng hợp làm mẫu học cho mạng. Các trọng số Wk được xác lập.
Giai đoạn 2: Chẩn đoán: Mạng nội suy giá trị ra theo số liệu vào từ hệ thống thực. Kết quả nội suy 
được so sánh để đánh giá tình trạng của hộp số.
Như vậy, ta có thể xác định được tập các thông số đầu vào tối ưu cho bài toán này là: Độ ồn, nhiệt 
độ, góc quay trơn trục bị động, lượng mạt kim loại, thông số đầu ra là tình trạng kỹ thuật của hộp số. Chẩn 
132 TẬP 11 SỐ 407 - 2017
KẾT QUẢ NGHIÊN CỨU VÀ ỨNG DỤNG
đoán là quá trình dựa vào các biểu hiện có thể nhận biết được bằng kinh nghiệm hay máy móc để phán 
đoán được “hỏng hóc” của đối tượng. Triệu chứng chính là những biểu hiện gián tiếp bên ngoài của các hư 
hỏng bên trong.
Để chẩn đoán được tình trạng kỹ thuật hộp số cơ khí trước hết phải phát hiện được các thay đổi diễn 
ra trong quá trình sử dụng và sau đó xác định được ảnh hưởng của từng thay đổi đó đến khả năng làm việc 
của hộp số. Hộp số cơ khí có kết cấu gồm các cụm bánh răng thường xuyên ăn khớp và được quay trên các 
ổ trượt, ổ đỡ nhằm thay đổi lực kéo của xe [2,7,4]. Do đó những thông số xác định tình trạng kỹ thuật của 
chúng có mỗi liên hệ đan xen, bao hàm lẫn nhau. Để chọn được các thông số đại diện ta phải tìm ra được 
các thông số chủ yếu có chứa đựng nhiều thông tin về các thông số còn lại ở trong nó, hay nói cách khác là 
phải đánh giá được mức độ ảnh hưởng của các thông số.
Trong quá trình khai thác, sử dụng ở các đơn vị, nhà máy, hộp số cơ khí thường xuất hiện những hư 
hỏng cơ bản: Mòn bánh răng, ổ đỡ, ổ trượt từ đó dẫn đến những triệu chứng thường xảy ra trong quá trình 
sử dụng đó là: sự thay đổi nhiệt độ của dầu bôi trơn, có tiếng ồn trong quá trình làm việc, góc quay trơn của 
trục bị động thay đổi, ngoài ra có hiện tượng xuất hiện nhiều mạt kim loại trong dầu bôi trơn tăng lên [2]. Các 
thông số vào/ra của hệ thống được thể hiện trong Bảng 1.
Bảng 1. Thông số chẩn đoán hộp số cơ khí
TT Thông số vào Ký hiệu Thông số ra Ký hiệu
1 Góc quay trơn của trục bị động (độ) Anpha
Tình trạng kỹ thuật
hộp số (%)
TTKT
2 Nhiệt độ dầu (oC) Nhiệt độ
3 Độ ồn (db) Độ ồn
4 Lượng mạt kim loại (g) LMKL
3.2 Xây dựng mô hình chẩn đoán hộp số 
kiểu cơ khí
Cấu trúc mạng RBF lựa chọn cho bài toán 
ước lượng thông số có dạng như Hình 4.
3.3 Chương trình chẩn đoán tình trạng kỹ 
thuật hộp số xe tăng T-55
Qua khảo sát tại nhà máy cũng như ở đơn vị 
sửa chữa, ta thấy tham số nhiệt độ bắt đầu thấp nhất 
là 40oC tương ứng với nhiệt độ khi bắt đầu sử dụng. 
Nhiệt độ cao nhất là 120oC cũng là nhiệt độ cao nhất 
khi sử dụng. Như vậy từ nhiệt độ 40oC đến 120oC 
ta chọn làm thông số chứa tất cả các giá trị nhiệt độ 
cần thiết khi sử dụng hộp số. Vậy thông số nhiệt độ 
nằm trong giới hạn từ 40oC đến 120oC. Thông số về 
lượng mạt kim loại: (1÷10).10-3g. Thông số về độ ồn: 8÷30 db. Thông số về góc quay tự do của trục bị động: 
α = (1÷4) độ. Mẫu để huấn luyện mạng và mẫu test được thể hiện trong Bảng 2, 3.
Hình 4. Cấu trúc mạng nơ ron nhân tạo RBF 
cho bài toán chẩn đoán hộp số cơ khí
x1 - Góc quay trơn của trục bị động (độ); x2 - Nhiệt độ
dầu (oC); x3 - Độ ồn (db); x4 - Lượng mạt kim loại (g).
Hình 6. Đồ thị mục tiêu huấn luyện 
mạng nơron RBF 
Hình 7. Đồ thị mẫu test khi huấn 
luyện mạng nơron RBF 
Hình 5. Chương trình chẩn đoán 
tình trạng kỹ thuật hộp số cơ khí 
bằng mạng nơron RBF
133TẬP 11 SỐ 407 - 2017
KẾT QUẢ NGHIÊN CỨU VÀ ỨNG DỤNG
Đánh giá kết quả: Sau khi huấn luyện mạng 
với mẫu Train và đưa mẫu Test thử ta có TTKT 
(y) = fx(x1, x2, x3, x4,.). Đây là hàm chuẩn, ta có một 
hàm TTKT y = φx (x1, x2, x3, x4,.)) ta huấn luyện 
mạng tức là thay đổi các trọng số w1, w2, w3, w4,. 
để sao cho mục tiêu hàm φx→ fx = 10
0 (Hình 5,6). 
Trên đồ thị (Hình 7) ta thấy ở lần huấn luyện thứ 1, 
giá trị dự đoán TTKT (58-85%) và giá thực tế TTKT 
(62-85%). Với bộ số liệu để huấn luyện mạng như 
trên đạt giá trị gần như mong muốn thì với thông số 
bất kỳ ngẫu nhiên nào đưa vào chạy chương trình 
mạng nơron RBF cho ta kết quả chẩn đoán TTKT 
còn lại của hộp số đến chu kỳ sửa chữa tiếp theo. Ví 
dụ nhiệt độ hộp số là 1000C, lượng mạt kim loại là 
8 × 10-3g, độ ồn là 20 db, góc quay của trục bị động 
là 4 độ, thì chương trình chẩn đoán tình trạng kỹ 
thuật của hộp số còn lại là 68% đến chu kỳ sửa chữa 
tiếp theo.
4. Kết luận
Nghiên cứu chẩn đoán tình trạng kỹ thuật hệ 
thống truyền lực nói chung và hộp số cơ khí nói riêng 
trên xe tăng thiết giáp có ý nghĩa thực tiễn nhằm xác 
định tình trạng kỹ thuật và dự báo hành trình dự trữ 
còn lại của hộp số trong quá trình khai thác và sử 
dụng xe tăng. Bài báo sử dụng phương pháp mạng 
nơron RBF và công cụ Neural Network Toolbox của 
phần mềm Matlab để chẩn đoán tình trạng kỹ thuật 
của hộp số cơ khí. Áp dụng phương pháp trên có thể 
chẩn đoán các hệ thống, cơ cấu tương tự trên các 
phương tiện cơ giới.
Tài liệu tham khảo
1. Bùi Công Cường, Nguyễn Doãn Phước (2001), 
Hệ mờ, mạng nơ ron và ứng dụng, Nhà xuất bản Đại 
học Bách khoa Hà Nội.
2. Nguyễn Khắc Trai (2007), Kỹ thuật chẩn đoán ô tô, 
Nhà xuất bản Giao thông vận tải.
3. Nguyễn Văn Nghĩa (2012), Ứng dụng mạng nơron trong chẩn đoán TTKT động cơ điện đầu kéo của đầu 
máy, Luận án tiến sỹ kỹ thuật.
4. Birger A.I. (1978), Tekhnicheskia diagnostika, М.:Mashinostroenie..
5. Kruglov V. (2001), Iskusstvennie neyronnie seti, Teoria I practika. М.:Goriachia Linia.
6. Zlobin V. (2011), Neyronset i neyrocompeter, Pеtеr.:BKHV-Pеtеrburg.
7. Dolgov N.N., Kokin V.F., Stepanov N.F. (1969), Rukovodstvo po materialnoi chaste i ecspluataxia tanka 
T-55, Voennoe izdatelstvo.
Bảng 2. Mẫu để huấn luyện mạng
Nhiệt 
độ (oC)
LMKL
(x10-3g)
Độ ồn 
(db)
Góc
α(o)
TTKT 
(%)
40 1 8 1 100
50 2 9 1 98
76 3 15 1 79
55 7 16 2 75
90 4 18 3 70
89 8 19 2 67
68 6 12 1 89
80 5 14 1 85
95 7 25 2 58
66 7 17 3 72
58 2 15 2 80
86 6 19 2 67
105 8 26 3 56
87 7 13 2 90
115 9 29 4 53
110 6 28 3 52
83 4 22 3 64
120 9 30 4 50
Bảng 3. Mẫu test
Nhiệt 
độ (oC)
LMKL
(x10-3g)
Độ ồn 
(db)
Góc 
α(o)
TTKT
(%)
100 7 21 4 68
80 5 14 1 81
82 6 20 2 70
102 8 27 3 58
96 7 25 2 56
115 8 30 4 52
65 5 29 4 54
112 6,2 23 3 60