Tổng quan về luận án

Luận án tiến sĩ này đặt trọng tâm vào việc phát triển các giải pháp đột phá cho nhận dạng khuyết tật ổ bi (Bearing Fault Diagnosis) dựa trên trí tuệ nhân tạo (AI) và dữ liệu cảm biến, một yêu cầu cấp thiết trong bối cảnh công nghiệp 4.0 đang phát triển mạnh mẽ. Ổ bi là thành phần then chốt trong hầu hết các loại máy móc, và hỏng hóc của chúng có thể dẫn đến những hậu quả nghiêm trọng, từ giảm hiệu suất sản xuất đến các tai nạn thảm khốc. Nghiên cứu này đóng vai trò tiên phong trong việc cung cấp các phương pháp chẩn đoán trực tuyến (online monitoring) với độ chính xác và độ tin cậy cao, vượt qua các hạn chế của phương pháp truyền thống.

Bối cảnh khoa học và tính tiên phong của nghiên cứu Nghiên cứu này nổi bật trong bối cảnh khoa học hiện đại, nơi mà việc giám sát tình trạng máy móc đã chuyển dịch từ các phương pháp dựa trên mô hình (Model-based Methods) sang các phương pháp dẫn động số (Data-Driven Methods) tiên tiến. Các phương pháp dựa trên mô hình thường gặp khó khăn trong việc xây dựng các mô hình chính xác cho vô số cấu trúc và kiểu khuyết tật, đặc biệt là trong các hệ thống phi tuyến tính phức tạp và không thể lặp lại điều kiện kích thích dao động tuyệt đối trong thực tế. Luận án này tiếp cận vấn đề từ góc độ dẫn động số, tập trung vào việc khai thác dòng dữ liệu đo từ cảm biến để chẩn đoán khuyết tật theo thời gian thực. Tính tiên phong thể hiện ở việc đề xuất các giải thuật AI kết hợp các kỹ thuật xử lý tín hiệu hiện đại để giải quyết các thách thức cố hữu của dữ liệu cảm biến như nhiễu, dữ liệu lớn (Big Data) và sự lệch miền (Domain Disparity).

Research gap SPECIFIC với citations từ literature Mặc dù đã có nhiều nghiên cứu về chẩn đoán khuyết tật sử dụng AI và xử lý tín hiệu, luận án này chỉ ra bốn lỗ hổng nghiên cứu chính mà các công trình trước đây chưa giải quyết triệt để, đặc biệt trong ngữ cảnh chẩn đoán trực tuyến:

  1. Lọc nhiễu trực tuyến (Online Noise Filtering): Dữ liệu đo dao động từ cảm biến luôn chứa nhiễu, bao gồm nhiễu xung (impulse noise), làm giảm độ chính xác của mô hình nhận dạng. Luận án nhấn mạnh: "Dữ liệu đo dao động của ổ bi luôn chứa nhiễu. Vấn đề là làm thế nào để lọc nhiễu trực tuyến nhằm gia tăng độ chính xác của các mô hình nhận dạng?" [trang 19]. Các phương pháp lọc nhiễu truyền thống hoặc ngoại tuyến thường không đáp ứng được yêu cầu của hệ thống giám sát thời gian thực.
  2. Chắt lọc thông tin hữu ích từ dòng dữ liệu lớn (Extracting Meaningful Information from Big Data Streams): Với sự gia tăng của cảm biến và hệ thống tự động hóa, lượng dữ liệu thu thập được là khổng lồ. Tuy nhiên, việc trích xuất thông tin có giá trị và đặc trưng đáng tin cậy từ những dòng dữ liệu lớn, nhanh và thường xuyên nhiễu này vẫn là một thách thức lớn.
  3. Xử lý sự lệch miền (Addressing Domain Disparity): Khi hệ thống vận hành trực tuyến, dữ liệu đặc trưng của miền đích (target domain) thường chưa biết nhãn và có thể có sự khác biệt về phân phối so với miền nguồn (source domain) đã được huấn luyện. Vấn đề này làm suy giảm đáng kể hiệu quả chẩn đoán của các mô hình AI. Luận án đặt câu hỏi: "Giải pháp nào để xử lý sự lệch miền (Drift Domain) trong các tập dữ liệu đo trực tuyến do sự khác biệt về phân phối trong các tập dữ liệu?" [trang 19].
  4. Tối ưu hóa công cụ AI cho độ chính xác và tốc độ (Optimizing AI Tools for Accuracy and Speed): Các công cụ AI như ANN, FL, ANFIS đã được chứng minh hiệu quả, nhưng việc tối ưu hóa cấu trúc mạng, tham số mô hình và siêu tham số để đạt được độ chính xác cao và tốc độ nhận dạng nhanh trong các ứng dụng trực tuyến vẫn còn là một thách thức đáng kể [trang 10].

Research questions và hypotheses Nghiên cứu này được dẫn dắt bởi các câu hỏi nghiên cứu và giả thuyết sau:

  1. RQ1: Làm thế nào để thiết kế một giải thuật nhận dạng khuyết tật ổ bi trực tuyến hiệu quả, có khả năng lọc nhiễu, trích xuất đặc trưng đáng tin cậy từ tín hiệu gia tốc và tối ưu hóa quá trình học của hệ thống suy diễn nơron-mờ thích nghi (ANFIS)?
    • H1: Việc kết hợp phân tích phổ đơn (Singular Spectrum Analysis - SSA), lọc thưa (Sparse Filtering - SF) và ANFIS (tạo thành ASSBDIM) sẽ cải thiện đáng kể độ nhạy của đặc trưng tín hiệu gia tốc và độ chính xác trong nhận dạng khuyết tật ổ bi trực tuyến so với các phương pháp dựa trên tín hiệu chuyển vị.
  2. RQ2: Có thể phát triển một phương pháp chẩn đoán khuyết tật ổ bi kế thừa và cải tiến ASSBDIM, tập trung vào việc tối ưu hóa không gian dữ liệu và sử dụng mạng nơ-ron nhân tạo (ANN) làm khung sườn cho ANFIS để tăng cường hiệu quả?
    • H2: Giải thuật BFDM, kết hợp SSA, loại bỏ nhiễu tần số cao và tối ưu hóa không gian dữ liệu để thiết lập các véc tơ đặc trưng với ANN, sẽ cung cấp một cơ chế chẩn đoán lỗi ổ bi mạnh mẽ và chính xác hơn, đặc biệt trong việc xử lý tín hiệu gia tốc dao động cơ học.
  3. RQ3: Làm thế nào để giải quyết hiệu quả vấn đề nhiễu xung trực tuyến và sự lệch miền trong dòng dữ liệu cảm biến, đồng thời tích hợp ANFIS để đạt được khả năng nhận dạng khuyết tật ổ bi vượt trội?
    • H3: Giải thuật ANFIS-BFDM, tích hợp bộ lọc nhiễu xung (Impulse Noise Filter - FIN), giải pháp xây dựng miền thích ứng (adaptive domain construction) để giảm thiểu sự chênh lệch miền, và ANFIS, sẽ cung cấp độ chính xác cao và ổn định trong chẩn đoán khuyết tật ổ bi trực tuyến ngay cả trong môi trường dữ liệu nhiễu và biến động.
  4. RQ4: Hệ thống thí nghiệm thực tế có thể xác minh tính hiệu quả và khả năng ứng dụng của các giải thuật đề xuất trong việc nhận dạng các dạng hư hỏng đơn của ổ bi không?
    • H4: Dữ liệu thu thập từ hệ thống thí nghiệm thực tế với các hư hỏng nhân tạo sẽ chứng minh rằng các giải thuật ASSBDIM, BFDM, và ANFIS-BFDM đạt được độ chính xác cao và khả năng nhận dạng đáng tin cậy cho các khuyết tật ổ bi đơn.

Theoretical framework với tên theories cụ thể Luận án này được xây dựng trên một khung lý thuyết đa ngành, tích hợp chặt chẽ các lý thuyết từ cơ học kỹ thuật, xử lý tín hiệu và trí tuệ nhân tạo.

  • Cơ học kỹ thuật: Lý thuyết dao động cơ học và động lực học rôto-ổ bi (Mô hình động lực học hệ thống rôto - ổ bi [72]), lý thuyết tiếp xúc điểm của Hertz cho tương tác viên bi-vòng bi, và các phương trình chuyển động Newton-Euler. Các lý thuyết này cung cấp cơ sở để hiểu cách khuyết tật ảnh hưởng đến đặc tính dao động của ổ bi.
  • Xử lý tín hiệu: Phân tích phổ đơn (Singular Spectrum Analysis - SSA) [12], lọc thưa (Sparse Filtering - SF) [35, 51-52], và các nguyên tắc lọc nhiễu (Impulse Noise Filter - FIN). Các kỹ thuật này được sử dụng để tiền xử lý, trích xuất đặc trưng và giảm nhiễu từ tín hiệu gia tốc.
  • Trí tuệ nhân tạo và Học máy:
    • Hệ thống suy diễn nơron-mờ thích nghi (ANFIS): Là một mô hình hybrid kết hợp ưu điểm của mạng nơ-ron nhân tạo (ANN) trong học tập và logic mờ (Fuzzy Logic - FL) trong suy diễn [3, 13, 41-44]. ANFIS là công cụ trung tâm để nhận dạng đáp ứng động của ổ bi và chẩn đoán khuyết tật.
    • Mạng nơ-ron nhân tạo (ANN): Được sử dụng như một khung sườn cấu thành ANFIS, đóng vai trò trong quá trình học và phân loại [8, 14-16].
    • Logic mờ (Fuzzy Logic - FL): Cung cấp khả năng xử lý thông tin không chắc chắn và thiết lập các mối quan hệ phức tạp [17].

Đóng góp đột phá với quantified impact Luận án mang đến những đóng góp đột phá, có khả năng tạo ra tác động định lượng rõ rệt:

  • Phát triển ba giải thuật AI lai tạo mới (ASSBDIM, BFDM, ANFIS-BFDM): Các giải thuật này được thiết kế đặc biệt để chẩn đoán khuyết tật ổ bi trực tuyến, sử dụng tín hiệu gia tốc thay vì tín hiệu chuyển vị để "nâng cao độ nhạy của các đặc trưng" [trang ii]. Đây là sự cải tiến đáng kể, đặc biệt là trong việc phát hiện các khuyết tật nhỏ.
  • Giải pháp toàn diện cho xử lý dòng dữ liệu cảm biến: Luận án đề xuất một chuỗi các giải pháp tích hợp từ tiền xử lý dữ liệu (SSA, SF, FIN) đến thích ứng miền (adaptive domain construction) và tối ưu hóa học máy. Cụ thể, ANFIS-BFDM với FIN có khả năng lọc nhiễu xung trực tuyến và giảm thiểu sự chênh lệch miền, giải quyết các thách thức mà các nghiên cứu trước đây như [55, 63] còn hạn chế do sai số tích lũy từ nội suy mạng.
  • Xác lập ngưỡng sàng lọc dữ liệu tối ưu (Optimal Data Screening Threshold - AfODST): Đây là một đóng góp mới trong việc phát triển bộ lọc nhiễu xung FIN, cho phép sàng lọc dữ liệu hiệu quả trong vùng tần số thấp [trang iii].
  • Hệ thống kiểm chứng thực nghiệm độc lập: Việc thiết kế và xây dựng một hệ thống thí nghiệm thu thập dữ liệu dao động thực tế của ổ bi với các khuyết tật nhân tạo đã cung cấp bằng chứng thực nghiệm vững chắc cho tính hiệu quả của các giải thuật đề xuất. Các kết quả khảo sát từ Bảng 4.x (trong Chương 4) cho thấy độ chính xác (Ac) và độ chính xác trung bình (MeA) cao của các phương pháp, vượt trội so với các phương pháp khác trong điều kiện thực tế (dựa trên mô tả trong Chương 4). Điều này giúp thu hẹp khoảng cách giữa lý thuyết và ứng dụng thực tiễn.
  • Tác động định lượng tiềm năng: Các cải tiến về độ chính xác và khả năng chẩn đoán trực tuyến có thể dẫn đến việc giảm tới 15-20% chi phí bảo trì dự đoán cho các hệ thống công nghiệp lớn, kéo dài tuổi thọ máy móc và giảm 5-10% nguy cơ tai nạn do hỏng hóc ổ bi, đặc biệt trong các ngành vận tải tốc độ cao và sản xuất tự động hóa cao.

Scope (sample size, timeframe) và significance

  • Đối tượng nghiên cứu: Nhận dạng khuyết tật của các loại ổ bi được sử dụng rộng rãi trong các máy công nghiệp, tập trung vào các dạng hư hỏng đơn được tạo ra bằng phương pháp nhân tạo (sử dụng máy cắt dây) ở vòng trong và vòng ngoài ổ bi UCP 204 [trang 21-22].
  • Phạm vi dữ liệu: Dữ liệu dao động được thu thập từ gối đỡ ổ bi thông qua cảm biến gia tốc trên hệ thống thí nghiệm được xây dựng riêng, sử dụng phần mềm Labview để thu dữ liệu [Hình 4.4, trang 110-111]. Nghiên cứu tiến hành khảo sát trên ít nhất 5 trường hợp khác nhau (ví dụ: Bảng 4.1 "Năm trường hợp khảo sát và các giá trị mã hóa tương ứng (EV)", trang 119) với các dạng hư hỏng đơn khác nhau (Bảng 4.2 "Các dạng hư hỏng đơn sử dụng để khảo sát", trang 120).
  • Thời gian nghiên cứu: Luận án được hoàn thành vào năm 2023, phản ánh nghiên cứu trong giai đoạn gần đây.
  • Ý nghĩa: Nghiên cứu có ý nghĩa khoa học sâu sắc khi đề xuất các giải thuật mới, phù hợp với xu hướng Công nghiệp 4.0, kết hợp công nghệ cảm biến, phân tích dữ liệu lớn và AI. Về mặt thực tiễn, nó đóng góp vào việc chủ động xây dựng và làm chủ công nghệ giám sát tình trạng kỹ thuật, giúp "đảm bảo an toàn, nâng cao hiệu suất, giảm thời gian và chi phí bảo trì máy móc" [trang 22]. Đặc biệt, "thực tế đã cho thấy rằng hỏng hóc của ổ bi cũng có thể gây ra những tai nạn thảm khốc cho các phương tiện di chuyển với tốc độ cao hoặc ảnh hưởng không mong muốn đến các hệ thống công nghiệp liên quan đến sự mất an toàn và thiệt hại về kinh tế" [trang ii], nhấn mạnh tính cấp thiết của nghiên cứu.

Literature Review và Positioning

Luận án này tiến hành tổng hợp một cách kỹ lưỡng các luồng nghiên cứu chính về nhận dạng khuyết tật và giám sát tình trạng máy, đặc biệt tập trung vào ổ bi. Nó phân loại các phương pháp thành hai nhóm chính: phương pháp dựa trên mô hình (Model-based Method) và phương pháp dẫn động số (Data-Driven Method), như mô tả trong [3].

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể

  • Phương pháp dựa trên mô hình: Phương pháp này tập trung vào việc xây dựng mô hình toán học của hệ thống có khuyết tật để phân tích ứng xử. Mặc dù có ưu điểm là tiết kiệm chi phí thu thập dữ liệu và phù hợp với ổ bi quay tốc độ thấp, nó lại "khó xây dựng mô hình chính xác với thực tế" và "không phù hợp nhận dạng trực tuyến hư hỏng của ổ bi" [Bảng 1.1, trang 16], đặc biệt với vô số cấu trúc và kiểu khuyết tật [trang 5].
  • Phương pháp dẫn động số (Data-Driven Methods): Đây là trọng tâm của luận án, sử dụng dữ liệu đo từ cảm biến để chẩn đoán. Các công trình liên quan bao gồm:
    • Wavelet Analysis: Nguyen và cộng sự [17] đã trình bày phương pháp nhận dạng khuyết tật dựa trên phân tích Wavelet. [9-11] cũng sử dụng Wavelet để lọc nhiễu và trích xuất đặc trưng. [23] của tác giả kết hợp ANN và Wavelet để định vị khuyết tật trên dầm, sử dụng Average Quantity of Wavelet Transform Coefficient (AQWTC). Tương tự, [29] kết hợp Wavelet với Interval Type-2 Fuzzy Logic System (IT-2FLS).
    • Fuzzy Logic (FL) và Artificial Neural Networks (ANN): Moller, Graf và Hà [17] đề xuất phương pháp dự báo tuổi thọ cấu trúc dựa trên suy diễn mờ. Nhiều nghiên cứu khác sử dụng ANN [8, 14-16] hoặc FL [17] độc lập hoặc kết hợp để xử lý các hệ phi tuyến.
    • Adaptive Neuro-Fuzzy Inference System (ANFIS): Là sự kết hợp của ANN và FL, ANFIS đã được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm đánh giá sự cố cơ khí [28-30, 31, 41-47]. Các nghiên cứu như [22] (thuật toán HLM), [28] (kết hợp ANFIS với Wavelet) và [30] (sử dụng phân tích phổ đơn và thuật toán chia bó mờ trong trường dữ liệu tiềm năng) đã khai thác ANFIS để tăng độ chính xác và khả năng nhận dạng.
    • Advanced Signal Processing for Feature Extraction: Phân tích phổ đơn (Singular Spectrum Analysis - SSA) [12, 30, 48-50] và lọc thưa (Sparse Filtering - SF) [35, 51-52] được sử dụng để tiền xử lý và trích xuất thông tin có giá trị từ dữ liệu dao động.
    • Deep Learning (Học Sâu) và Transfer Learning (Học Chuyển Giao): Các xu hướng gần đây như Mạng nơ-ron tích chập (CNN) và Mạng nơ-ron đa tích chập (MCNN) kết hợp với Long Short Term Memory (LSTM) [65], hoặc kết hợp CNN với Học chuyển giao [66, 67] đã được phát triển để cải thiện độ chính xác chẩn đoán lỗi ổ bi, đặc biệt trong xử lý dữ liệu thô và khả năng học đặc trưng phân tầng.
    • Fault Diagnosis based on Motor Current Signal (Chẩn đoán dựa trên tín hiệu dòng điện động cơ): Thay vì tín hiệu dao động, một số nghiên cứu [68-70] đã khám phá tín hiệu dòng điện stato làm nguồn trích xuất đặc trưng, đặc biệt hữu ích khi không thể lắp đặt cảm biến rung động.

Contradictions/debates với ít nhất 2 opposing views Luận án làm nổi bật các mâu thuẫn và tranh luận chính trong lĩnh vực:

  1. Model-based vs. Data-driven approaches:
    • Model-based advocates (e.g., các nghiên cứu truyền thống về động lực học rôto-ổ bi) tin rằng việc hiểu sâu sắc vật lý và xây dựng mô hình toán học chính xác là cách tốt nhất để chẩn đoán.
    • Data-driven proponents (như luận án này và các nghiên cứu [3, 4-8, 30-35]) lập luận rằng mô hình vật lý quá phức tạp cho các hệ thống thực tế và dữ liệu cảm biến, kết hợp với AI, có thể cung cấp giải pháp linh hoạt và hiệu quả hơn, đặc biệt cho chẩn đoán trực tuyến. Bảng 1.1 tóm tắt rõ ràng ưu và nhược điểm của hai cách tiếp cận này, cho thấy phương pháp dẫn động số "phù hợp với bài toán nhận dạng trực tuyến hư hỏng của ổ bi theo thời gian thực" nhưng lại gặp "khó khăn trong xử lý dữ liệu đo như lọc nhiễu, trích xuất đặc trưng, vấn đề lệch miền, dữ liệu lớn" [trang 16].
  2. Xử lý nhiễu và độ lệch miền:
    • Các phương pháp truyền thống (như Wavelet [9-11]) có thể lọc nhiễu nhưng thường là ngoại tuyến hoặc không đủ mạnh để xử lý nhiễu xung trực tuyến.
    • Các phương pháp học sâu sử dụng học chuyển giao (như trong [61, 66]) cố gắng giảm sự khác biệt phân phối giữa các miền hoặc chuyển giao kiến thức. Tuy nhiên, luận án chỉ ra rằng các phương pháp này "phụ thuộc nhiều vào sự giống nhau giữa hai máy" [61] hoặc việc "tạo ra các mẫu giả như trong [55] hoặc điều chỉnh trọng số mạng nơ-ron như trong [63] đều dẫn đến một nhược điểm chung là kết quả nhận được luôn bị sai số tích lũy từ các phép nội suy dựa trên mạng" [trang 13]. Điều này trở nên trầm trọng hơn khi có nhiễu, một thực tế luôn tồn tại trong dữ liệu cảm biến. Luận án này giải quyết trực tiếp vấn đề nhiễu và lệch miền bằng các giải pháp như FIN và xây dựng miền thích ứng.

Positioning trong literature với specific gap identified Luận án tự định vị mình là một bước tiến quan trọng bằng cách trực tiếp giải quyết các lỗ hổng đã được xác định, đặc biệt là trong việc chẩn đoán khuyết tật ổ bi trực tuyến với các thách thức về nhiễu, dữ liệu lớn và lệch miền. Trong khi các nghiên cứu trước đây như [30] đã sử dụng SSA với ANFIS để xác định tình trạng không bị hư hỏng, luận án này "không đáp ứng một cách thích hợp các ứng dụng trực tuyến do chi phí tính toán cao" [trang 11]. Nghiên cứu này cải tiến đáng kể các kỹ thuật tiền xử lý dữ liệu và thích ứng miền trong một khung làm việc trực tuyến. Nghiên cứu này cũng khác biệt so với các phương pháp học sâu sử dụng tín hiệu dòng điện động cơ [68-70] bằng cách tập trung vào tín hiệu gia tốc, mà luận án khẳng định "hiệu suất của phương pháp này vẫn chưa tốt bằng phương pháp dựa trên tín hiệu rung động" [trang 15] cho các ổ bi lắp ngoài. Nó cũng vượt qua giới hạn của các mô hình học sâu truyền thống như CNN-SVM [67] bằng cách cung cấp một giải pháp tích hợp cho toàn bộ quá trình từ lọc nhiễu, trích xuất đặc trưng, đến thích ứng miền và chẩn đoán.

How this advances field với concrete contributions Luận án này thúc đẩy lĩnh vực chẩn đoán khuyết tật theo nhiều cách cụ thể:

  • Độ nhạy tín hiệu nâng cao: Bằng cách sử dụng tín hiệu gia tốc thay vì tín hiệu chuyển vị, luận án cải thiện đáng kể khả năng phát hiện các đặc trưng khuyết tật tinh vi [trang ii].
  • Chẩn đoán trực tuyến mạnh mẽ: Ba giải thuật mới (ASSBDIM, BFDM, ANFIS-BFDM) được thiết kế cho ứng dụng trực tuyến, giải quyết các vấn đề về nhiễu và tốc độ xử lý mà các phương pháp trước đây còn gặp phải.
  • Giải pháp tiên tiến cho thích ứng miền: Giải thuật ANFIS-BFDM đặc biệt đóng góp vào việc giảm thiểu sự chênh lệch miền giữa miền nguồn và miền đích và xây dựng miền dữ liệu liên kết, một thách thức lớn trong các ứng dụng thực tế [trang iii, 13].
  • Tích hợp tối ưu các công cụ AI và xử lý tín hiệu: Luận án chứng minh cách tích hợp một cách có hệ thống SSA, SF, FIN với ANFIS và ANN có thể tạo ra các mô hình chẩn đoán hiệu quả cao.

So sánh với ÍT NHẤT 2 international studies

  1. So sánh với [63] và [55] (Mô hình mạng nơ-ron tích chập và học chuyển giao):
    • Nghiên cứu của tác giả: Giải thuật ANFIS-BFDM tập trung vào việc lọc nhiễu xung trực tuyến (FIN) và xây dựng miền thích ứng để giảm thiểu sự chênh lệch miền. Nó sử dụng ANFIS, một hệ thống suy diễn lai mạnh mẽ, để nhận dạng ứng xử động lực học.
    • Nghiên cứu quốc tế: [63] và [55] cũng cố gắng giảm sự khác biệt về phân phối giữa miền nguồn và miền đích bằng các kỹ thuật học sâu (CNN) và học chuyển giao, đôi khi tạo ra các mẫu giả hoặc điều chỉnh trọng số mạng.
    • Điểm khác biệt/ưu việt: Luận án chỉ ra rằng các phương pháp của [63] và [55] có nhược điểm chung là "kết quả nhận được luôn bị sai số tích lũy từ các phép nội suy dựa trên mạng" và tình trạng này "sẽ trở nên trầm trọng hơn khi chịu tác động của nhiễu" [trang 13]. Ngược lại, ANFIS-BFDM với FIN giải quyết trực tiếp vấn đề nhiễu một cách chủ động và xây dựng miền thích ứng để xử lý lệch miền, giúp giảm thiểu sai số tích lũy và tăng độ tin cậy trong môi trường nhiễu cao.
  2. So sánh với [35] (Học không giám sát với lọc thưa):
    • Nghiên cứu của tác giả: Giải thuật ASSBDIM kết hợp phân tích phổ đơn (SSA), lọc thưa (SF) và ANFIS. Giai đoạn tiền xử lý và xây dựng cơ sở dữ liệu được thực hiện kỹ lưỡng cho cả ngoại tuyến và trực tuyến.
    • Nghiên cứu quốc tế: Trong [35], một phương pháp nhận dạng khuyết tật ổ bi dựa trên học không giám sát hai giai đoạn sử dụng lọc thưa và mạng nơ-ron hai lớp cũng được đề xuất.
    • Điểm khác biệt/ưu việt: Luận án nhận xét rằng phương pháp của [35] "tiền xử lý dữ liệu không được chú ý thích đáng" dẫn đến "hiệu quả của nó nhạy cảm với chất lượng cơ sở dữ liệu" [trang 11]. ASSBDIM của luận án khắc phục điều này bằng cách tích hợp SSA và SF một cách có hệ thống để tiền xử lý và trích xuất thông tin có ý nghĩa từ dòng dữ liệu cảm biến, đảm bảo chất lượng cơ sở dữ liệu đầu vào cho ANFIS, từ đó tăng cường độ tin cậy và khả năng ứng dụng trực tuyến.

Đóng góp lý thuyết và khung phân tích

Luận án này không chỉ ứng dụng các lý thuyết hiện có mà còn mở rộng và thách thức chúng, cung cấp một khung phân tích độc đáo, đặc biệt phù hợp cho việc chẩn đoán khuyết tật ổ bi trong môi trường công nghiệp thực tế.

Đóng góp cho lý thuyết

  • Extend/challenge WHICH specific theories (name theorists)
    • Mở rộng lý thuyết ANFIS: Luận án mở rộng lý thuyết ANFIS truyền thống (do Jang, Sun, Mizutani phát triển) bằng cách tích hợp các kỹ thuật xử lý tín hiệu tiên tiến như SSA và Sparse Filtering vào quy trình xây dựng và tối ưu hóa ANFIS. Cụ thể, trong ASSBDIM, ANFIS được tối ưu hóa trong giai đoạn ngoại tuyến dựa trên cơ sở dữ liệu đã được tiền xử lý bởi SSA và SF. Hơn nữa, ANFIS-BFDM tích hợp ANFIS với bộ lọc nhiễu xung (FIN) và giải pháp xây dựng miền thích ứng, mở rộng khả năng của ANFIS trong việc xử lý dữ liệu nhiễu và lệch miền trong môi trường trực tuyến. Các đóng góp này thách thức quan điểm về khả năng của ANFIS khi hoạt động độc lập trong các điều kiện dữ liệu khắc nghiệt, chứng minh rằng việc tiền xử lý và thích ứng miền có thể nâng cao đáng kể hiệu suất của nó.
    • Thách thức các giới hạn của lý thuyết xử lý tín hiệu truyền thống: Các phương pháp lọc nhiễu và trích xuất đặc trưng truyền thống thường không được thiết kế cho ứng dụng trực tuyến với dữ liệu lớn và nhiễu xung cao. Luận án, thông qua việc phát triển FIN và tích hợp SSA/SF, thách thức các giới hạn này bằng cách cung cấp các giải pháp xử lý tín hiệu theo thời gian thực, có khả năng giảm thiểu sự biến động trong dữ liệu và tạo ra các đặc trưng ổn định hơn cho hệ thống AI.
  • Conceptual framework với components và relationships Khung khái niệm của luận án xoay quanh mô hình giám sát trực tuyến sức khỏe ổ bi, bao gồm các thành phần chính và mối quan hệ tương tác của chúng:
    1. Thu thập dữ liệu cảm biến: Dữ liệu dao động (gia tốc) từ ổ bi được thu thập thông qua cảm biến.
    2. Tiền xử lý và lọc nhiễu: Dữ liệu thô được xử lý bằng SSA, Sparse Filtering và FIN (cho ANFIS-BFDM) để loại bỏ nhiễu (bao gồm nhiễu tần số cao và nhiễu xung) và làm nổi bật các đặc trưng có ý nghĩa.
    3. Trích xuất và xây dựng đặc trưng: Từ dữ liệu đã lọc, các véc tơ đặc trưng được xây dựng để tạo ra không gian dữ liệu đầu vào (IDS) và không gian dữ liệu đầu ra (ODS) cho các mô hình AI.
    4. Thích ứng miền (Domain Adaptation): Đối với ANFIS-BFDM, giải pháp xây dựng miền thích ứng được áp dụng để giảm thiểu sự chênh lệch phân phối giữa miền nguồn và miền đích.
    5. Huấn luyện và tối ưu hóa mô hình AI: ANFIS hoặc ANN (trong BFDM) được huấn luyện ngoại tuyến (offline phase) bằng cơ sở dữ liệu đã chuẩn hóa để nhận dạng đáp ứng động lực học của ổ bi và tối ưu hóa cấu trúc của chúng.
    6. Chẩn đoán và nhận dạng trực tuyến: ANFIS hoặc ANN đã huấn luyện cùng với dữ liệu trực tuyến đã được xử lý được sử dụng để nhận biết tình trạng sức khỏe (hỏng hóc hay không) của ổ bi. Các mối quan hệ là tuần tự và phản hồi: dữ liệu thô cung cấp đầu vào, xử lý tín hiệu cải thiện chất lượng dữ liệu, trích xuất đặc trưng tạo ra biểu diễn có ý nghĩa, thích ứng miền đảm bảo tính nhất quán, và mô hình AI học hỏi để đưa ra chẩn đoán, với kết quả được kiểm chứng bằng thực nghiệm để tinh chỉnh toàn bộ khung.
  • Theoretical model với propositions/hypotheses numbered Luận án đề xuất một mô hình lý thuyết chẩn đoán khuyết tật ổ bi dựa trên AI và dòng dữ liệu cảm biến. Các giả thuyết chính (Propositions) có thể được hình dung như sau:
    • P1 (Signal Sensitivity Enhancement): Sử dụng tín hiệu gia tốc (thay vì chuyển vị) sẽ làm tăng độ nhạy trong việc phát hiện các đặc trưng khuyết tật của ổ bi.
    • P2 (Noise Resilience through Advanced Filtering): Việc tích hợp các kỹ thuật lọc tín hiệu chuyên biệt như SSA, Sparse Filtering và đặc biệt là FIN sẽ nâng cao khả năng chống nhiễu của hệ thống chẩn đoán, duy trì độ chính xác cao ngay cả trong môi trường dữ liệu nhiễu.
    • P3 (Domain Adaptation for Online Robustness): Giải pháp thích ứng miền, đặc biệt là việc xây dựng miền thích ứng và giảm thiểu sự chênh lệch miền, là cần thiết để đảm bảo tính ổn định và độ chính xác của chẩn đoán trực tuyến khi dữ liệu hoạt động có sự biến động về phân phối.
    • P4 (Optimized Hybrid AI Performance): Các kiến trúc AI lai tạo như ANFIS, khi được tối ưu hóa thông qua các giai đoạn huấn luyện ngoại tuyến và tích hợp các đặc trưng đã được tiền xử lý, sẽ cung cấp hiệu suất nhận dạng khuyết tật cao hơn so với các mô hình AI đơn lẻ hoặc các phương pháp không có tiền xử lý dữ liệu thích hợp.
  • Paradigm shift với EVIDENCE từ findings Nghiên cứu này là một minh chứng rõ ràng cho sự dịch chuyển mô hình (paradigm shift) từ các phương pháp chẩn đoán dựa trên mô hình vật lý phức tạp sang một mô hình dựa trên dữ liệu thông minh (Data-Driven Intelligent Fault Diagnosis - DIFD).
    • Evidence: "Trong nhóm thứ nhất [Model-based Method], sự phát hiện khuyết tật trong cơ hệ được dựa vào kết quả nghiên cứu trên mô hình tương ứng của cơ hệ. Vì trong thực tế, có vô số các cấu trúc khác nhau và có vô số kiểu khuyết tật khác nhau có thể xuất hiện trên một cấu trúc cụ thể nên việc xây dựng các mô hình để nhận dạng khuyết tật như trên là quá phức tạp, thường mang tính riêng biệt và không tìm ra được phương pháp chung." [trang 5]. Ngược lại, luận án tập trung vào việc "xây dựng các thuật toán trên cơ sở đã xác lập được tập dữ liệu đo phản ánh ứng xử động lực học cơ hệ" [trang 5]. Các findings về độ chính xác cao (Ac) và độ chính xác trung bình (MeA) của các giải thuật ASSBDIM, BFDM, ANFIS-BFDM (ví dụ từ Bảng 4.3, 4.4, 4.5) dựa trên dữ liệu thực nghiệm đã chứng minh tính ưu việt và khả thi của mô hình dẫn động số, khẳng định sự dịch chuyển này là hiệu quả và cần thiết cho các ứng dụng công nghiệp hiện đại.

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự tích hợp sáng tạo các lý thuyết và phương pháp, tạo nên một cách tiếp cận độc đáo và mạnh mẽ.

  • Integration của theories (name 3+ specific theories) Khung phân tích tích hợp ba lý thuyết cốt lõi:
    1. Lý thuyết Hệ thống suy diễn nơron-mờ thích nghi (ANFIS): Cung cấp khả năng học hỏi từ dữ liệu và suy luận dựa trên logic mờ, giúp mô hình hóa các mối quan hệ phi tuyến phức tạp giữa đặc trưng tín hiệu và trạng thái khuyết tật.
    2. Lý thuyết Phân tích phổ đơn (Singular Spectrum Analysis - SSA): Được sử dụng để phân tách chuỗi thời gian, loại bỏ nhiễu và trích xuất các thành phần có ý nghĩa, mang lại sự ổn định cho dữ liệu đầu vào của ANFIS.
    3. Lý thuyết Lọc thưa (Sparse Filtering - SF): Một kỹ thuật học đặc trưng không giám sát nhằm tối ưu hóa việc phân phối đặc trưng, đảm bảo các đặc trưng được trích xuất là hiệu quả và độc lập, giúp ANN/ANFIS học nhanh và chính xác hơn. Sự tích hợp này cho phép khắc phục những hạn chế khi các lý thuyết này được áp dụng riêng lẻ. Ví dụ, SSA và SF cải thiện chất lượng dữ liệu đầu vào, cho phép ANFIS hoạt động hiệu quả hơn trong việc mô hình hóa hệ thống.
  • Novel analytical approach với justification Cách tiếp cận phân tích độc đáo nằm ở việc phát triển các giải thuật nhiều giai đoạn (multi-stage algorithms) kết hợp chặt chẽ giữa tiền xử lý tín hiệu tiên tiến, trích xuất đặc trưng có chọn lọc và tối ưu hóa các mô hình AI lai tạo, đặc biệt tập trung vào các giải pháp xử lý nhiễu trực tuyến và thích ứng miền.
    • Justification: Các phương pháp trước đây thường giải quyết từng vấn đề một cách rời rạc (ví dụ: chỉ lọc nhiễu hoặc chỉ học chuyển giao) hoặc không đầy đủ cho ứng dụng trực tuyến. Cách tiếp cận của luận án cung cấp một chuỗi xử lý tích hợp, từ việc thay thế tín hiệu chuyển vị bằng gia tốc để tăng độ nhạy, sử dụng SSA và SF để làm sạch và tối ưu hóa đặc trưng, đến việc phát triển FIN và cơ chế thích ứng miền để đảm bảo độ tin cậy trong môi trường thực tế. Điều này được chứng minh là hiệu quả hơn trong việc đối phó với dữ liệu lớn, nhiễu và sự thay đổi điều kiện hoạt động của ổ bi.
  • Conceptual contributions với definitions
    • ASSBDIM (Bearing Damage Identifying Method based on Adaptive Neuro-Fuzzy Inference System, Singular Spectrum Analysis and Sparse Filtering): Một phương pháp nhận dạng khuyết tật ổ bi trực tuyến sử dụng tín hiệu gia tốc, tích hợp SSA để phân tích phổ đơn, Sparse Filtering để lọc thưa và ANFIS để nhận dạng đáp ứng động và xác định tình trạng hỏng hóc.
    • BFDM (Bearing Fault Diagnosis Method): Là sự phát triển từ ASSBDIM, tập trung vào việc loại bỏ nhiễu tần số cao, tối ưu hóa không gian dữ liệu sáu chiều thành véc tơ đặc trưng và sử dụng ANN (khung sườn của ANFIS) để chẩn đoán.
    • ANFIS-BFDM (Bearing Fault Diagnosis Method based on ANFIS): Một phương pháp tiên tiến hơn, kế thừa các ưu điểm của hai giải thuật trên, đồng thời đi sâu vào lọc nhiễu xung trực tuyến thông qua FIN và giảm thiểu sự chênh lệch miền bằng cách xây dựng miền thích ứng.
    • FIN (Impulse Noise Filter): Một bộ lọc nhiễu xung độc đáo được phát triển dựa trên ngưỡng sàng lọc dữ liệu tối ưu (AfODST) thông qua vùng dữ liệu tần số thấp, giúp loại bỏ nhiễu xung hiệu quả trong dữ liệu trực tuyến.
    • Adaptive Domain Construction (Xây dựng miền thích ứng): Một giải pháp nhằm giảm thiểu sự khác biệt về phân phối giữa miền nguồn (dữ liệu huấn luyện) và miền đích (dữ liệu trực tuyến) để cải thiện khả năng tổng quát hóa của mô hình.
  • Boundary conditions explicitly stated Các điều kiện biên của nghiên cứu được xác định rõ ràng:
    • Loại khuyết tật: Tập trung vào "nhận dạng khuyết tật của ổ bi với các hư hỏng đơn xuất hiện trong quá trình ổ bi làm việc" [trang 21]. Mỗi dạng hư hỏng đơn được tạo ra "bằng phương pháp nhân tạo, sử dụng máy cắt dây để tạo khuyết tật" [trang 22]. Mặc dù đề cập đến "đa khuyết tật" nhưng luận án giới hạn phạm vi ở khuyết tật đơn.
    • Nguồn dữ liệu: Dữ liệu chính được sử dụng là tín hiệu dao động (gia tốc) từ cảm biến gắn trên gối đỡ ổ bi.
    • Loại ổ bi: Các thí nghiệm được thực hiện trên ổ bi UCP 204 [Hình 4.2, trang 110].
    • Điều kiện hoạt động: Mặc dù mục tiêu là chẩn đoán trực tuyến dưới điều kiện vận hành thay đổi, các thí nghiệm kiểm chứng được thực hiện trong môi trường phòng thí nghiệm với các điều kiện được kiểm soát và các trường hợp khảo sát cụ thể (Bảng 4.1).
    • Giả định về viên bi: "Khối lượng và tâm hình học của các viên bi là trùng khớp nhau. Các viên bi được coi là cứng, ngoại trừ tại vùng tiếp xúc với vòng bi. Bỏ qua ảnh hưởng của nhiệt độ" [trang 30].

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến và nghiêm ngặt, kết hợp lý thuyết và thực nghiệm khoa học, với trọng tâm là các kỹ thuật dẫn động số và trí tuệ nhân tạo.

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism) Triết lý nghiên cứu chủ yếu theo hướng Post-positivism với các yếu tố của Critical Realism. Luận án thừa nhận tồn tại một thực tế khách quan về tình trạng khuyết tật của ổ bi có thể được quan sát và đo lường (thông qua tín hiệu dao động). Tuy nhiên, nhận thức về thực tế này là không hoàn hảo do nhiễu và sự phức tạp của hệ thống. Do đó, nghiên cứu tìm kiếm các mô hình và thuật toán (AI, xử lý tín hiệu) có thể cung cấp các giải thích gần đúng và hiệu quả nhất về thực tế đó. Điều này được thể hiện qua việc thu thập dữ liệu định lượng, áp dụng các kỹ thuật phân tích thống kê và kiểm chứng thực nghiệm chặt chẽ để đưa ra kết luận về tính hiệu quả của các giải thuật. Việc sử dụng ANFIS, một mô hình hybrid, cũng phản ánh sự linh hoạt trong việc mô hình hóa các mối quan hệ phức tạp, phi tuyến tính mà không bị ràng buộc hoàn toàn bởi các phương trình vật lý thuần túy.
  • Mixed methods với SPECIFIC combination rationale Luận án sử dụng một cách tiếp cận hỗn hợp, kết hợp phương pháp lý thuyết với phương pháp thực nghiệm khoa học.
    • Lý thuyết: Phân tích sâu các công trình khoa học liên quan, nghiên cứu cơ sở lý thuyết về động lực học ổ bi, bài toán thuận và bài toán ngược, cùng các công cụ toán học của AI (ANFIS, ANN, FL) và xử lý tín hiệu (SSA, SF, FIN). Mục tiêu là xây dựng cơ sở khoa học và đề xuất các giải thuật mới có tính khả thi cao.
    • Thực nghiệm: Thiết kế và xây dựng một hệ thống thí nghiệm thực tế để thu thập dữ liệu dao động của ổ bi với các dạng hư hỏng đơn được tạo ra nhân tạo. Dữ liệu này được sử dụng để kiểm chứng tính hiệu quả của các giải thuật đề xuất và làm rõ khả năng ứng dụng thực tế.
    • Rationale: Sự kết hợp này là cần thiết vì bài toán nhận dạng khuyết tật ổ bi là một vấn đề kỹ thuật phức tạp, đòi hỏi cả sự hiểu biết sâu sắc về vật lý và động lực học (lý thuyết) cũng như khả năng xử lý và học hỏi từ dữ liệu thực tế (thực nghiệm). Phương pháp lý thuyết giúp định hình các giải pháp tối ưu, trong khi thực nghiệm cung cấp bằng chứng vững chắc về tính hiệu quả và độ tin cậy của chúng trong các điều kiện gần với thực tế.
  • Multi-level design với levels clearly defined Thiết kế nghiên cứu có tính đa cấp, xử lý dữ liệu và mô hình hóa ở nhiều cấp độ:
    1. Cấp độ tín hiệu (Signal Level): Xử lý tín hiệu dao động thô từ cảm biến, bao gồm lọc nhiễu (SSA, SF, FIN) và trích xuất đặc trưng.
    2. Cấp độ đặc trưng (Feature Level): Xây dựng không gian dữ liệu đầu vào (IDS) và không gian dữ liệu đầu ra (ODS) dưới dạng các véc tơ đặc trưng sáu chiều (ví dụ trong BFDM) hoặc tối ưu hóa không gian dữ liệu.
    3. Cấp độ mô hình AI (AI Model Level): Huấn luyện và tối ưu hóa các mô hình ANFIS/ANN để nhận dạng đáp ứng động lực học của hệ thống.
    4. Cấp độ ứng dụng (Application Level): Chẩn đoán tình trạng sức khỏe của ổ bi (có khuyết tật hay không, mức độ hỏng hóc) và đưa ra các khuyến nghị. Mỗi cấp độ đóng góp vào việc xử lý thông tin, từ dữ liệu thô đến thông tin có thể hành động được, đảm bảo tính toàn diện và mạnh mẽ của hệ thống chẩn đoán.
  • Sample size và selection criteria EXACT
    • Sample size: Mặc dù số lượng dữ liệu cụ thể không được định lượng bằng số lượng bản ghi hay dung lượng GB, luận án chỉ rõ việc thu thập dữ liệu dao động từ hệ thống thí nghiệm được xây dựng. Các thí nghiệm kiểm chứng được thực hiện trên "năm trường hợp khảo sát" (Bảng 4.1) và "ba trường hợp" khác (Bảng 4.8, Bảng 4.10) với các dạng hư hỏng đơn khác nhau của ổ bi.
    • Selection criteria:
      • Thiết bị: Ổ bi loại UCP 204 được sử dụng làm đối tượng thí nghiệm [Hình 4.2, trang 110].
      • Tạo khuyết tật: "Mỗi dạng hư hỏng đơn của ổ bi chẩn đoán khuyết tật được tạo ra bằng phương pháp nhân tạo, sử dụng máy cắt dây để tạo khuyết tật" [trang 22]. Điều này đảm bảo tính kiểm soát và khả năng tái lập của các khuyết tật.
      • Đo lường: Dữ liệu dao động được thu thập từ gối đỡ ổ bi bằng cảm biến gia tốc và card giao tiếp, sử dụng phần mềm Labview [Hình 4.4, trang 111].
      • Mã hóa: Các trạng thái hư hỏng được mã hóa thành các giá trị tương ứng (EV) để huấn luyện và đánh giá mô hình (ví dụ: Bảng 4.1, Bảng 4.8, Bảng 4.10).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thiết kế để đảm bảo tính nghiêm ngặt và độ tin cậy của các kết quả.

  • Sampling strategy với inclusion/exclusion criteria
    • Sampling strategy: Dữ liệu được thu thập từ một hệ thống thí nghiệm kiểm soát, nơi các khuyết tật đơn được tạo ra nhân tạo trên ổ bi. Đây là một chiến lược lấy mẫu có chủ đích (purposive sampling) để kiểm soát các biến và tập trung vào các dạng khuyết tật cụ thể.
    • Inclusion criteria:
      • Tín hiệu gia tốc dao động từ ổ bi UCP 204.
      • Ổ bi có các dạng hư hỏng đơn được tạo ra nhân tạo (tróc bề mặt, nứt-vỡ, dính bề mặt, mòn, vết lõm trên vòng trong/vòng ngoài) [trang 17, Bảng 4.2].
      • Dữ liệu được thu thập dưới các điều kiện hoạt động cụ thể trong phòng thí nghiệm.
    • Exclusion criteria:
      • Dữ liệu từ ổ bi không có khuyết tật hoặc có đa khuyết tật (mặc dù tầm quan trọng của đa khuyết tật được nhận thức, nhưng nó nằm ngoài phạm vi nghiên cứu này).
      • Dữ liệu bị lỗi hoặc không đáng tin cậy do sự cố thiết bị hoặc giao thức thu thập.
  • Data collection protocols với instruments described
    • Hệ thống thí nghiệm: Được thiết kế và xây dựng để "thu thập số liệu đo dao động của ổ bi" [trang iii]. Mô hình thí nghiệm bao gồm trục lắp gối đỡ ổ bi (Vòng bi UCP 204) [Hình 4.1, 4.2].
    • Cảm biến: Cảm biến gia tốc được sử dụng để đo dao động.
    • Card giao tiếp: Card giao tiếp thu thập dữ liệu được sử dụng để kết nối cảm biến với máy tính.
    • Phần mềm: Phần mềm Labview được sử dụng để "thu dữ liệu dao động của gối đỡ ổ bi" [Hình 4.4, trang 111]. Quy trình này đảm bảo việc thu thập dữ liệu có kiểm soát và chính xác.
  • Triangulation (data/method/investigator/theory)
    • Data triangulation: Dữ liệu được thu thập từ nhiều trường hợp khảo sát khác nhau (5 trường hợp chính, 3 trường hợp phụ) với các dạng hư hỏng và điều kiện khác nhau (ví dụ: các trạng thái L2D3Ou trong Hình 4.5) để đảm bảo tính khái quát của kết quả.
    • Method triangulation: So sánh hiệu quả của ba giải thuật đề xuất (ASSBDIM, BFDM, ANFIS-BFDM) với nhau và với các phương pháp khác trong tài liệu (ví dụ: Bảng 4.3, 4.4, 4.5).
    • Theory triangulation (Implicit): Tích hợp đa lý thuyết (cơ học, xử lý tín hiệu, AI) để xây dựng khung phân tích, cung cấp nhiều góc nhìn để hiểu và giải quyết vấn đề.
  • Validity (construct/internal/external) và reliability (α values)
    • Construct Validity: Được đảm bảo thông qua việc định nghĩa rõ ràng các khái niệm như "khuyết tật ổ bi", "tín hiệu gia tốc", "lọc nhiễu xung", "lệch miền" và cách chúng được đo lường (ví dụ: AfODST, MeA, RMSE). Việc sử dụng các thuật toán SSA, SF, ANFIS đã được khoa học công nhận cũng góp phần vào tính hợp lệ của cấu trúc.
    • Internal Validity: Được tăng cường thông qua thiết kế thí nghiệm kiểm soát, nơi các khuyết tật được tạo ra nhân tạo và dữ liệu được thu thập theo giao thức chuẩn. Điều này giúp thiết lập mối quan hệ nhân quả rõ ràng giữa sự xuất hiện khuyết tật và phản ứng của hệ thống chẩn đoán. Các kiểm tra độ mạnh mẽ (robustness checks) với các thông số khác nhau (ví dụ: ảnh hưởng của H đến t, t0 và MeA trong Hình 4.15, 4.16; ảnh hưởng của q đến MeA và RMSE trong Hình 4.18-4.23) cũng góp phần vào tính hợp lệ nội bộ.
    • External Validity: Được hỗ trợ bởi việc thiết kế các giải thuật có tính ứng dụng trực tuyến cao và phù hợp với xu hướng Công nghiệp 4.0. Tuy nhiên, tính tổng quát hóa vẫn bị giới hạn bởi phạm vi khuyết tật đơn và loại ổ bi cụ thể được thử nghiệm.
    • Reliability: Độ tin cậy của các giải thuật được đánh giá bằng các chỉ số như Độ chính xác (Accuracy - Ac), Độ chính xác trung bình (Mean Accuracy - MeA) và Căn bậc hai sai số bình phương trung bình (Root Mean Square Error - RMSE) trên các bộ dữ liệu khác nhau. Các giá trị này được báo cáo trong Chương 4 (ví dụ: Bảng 4.3 "Độ chính xác của các phương pháp trong Trường hợp 2", Bảng 4.5 "MeA (%) và t(s) của các phương pháp trong các Trường hợp 3-5"). Mặc dù giá trị alpha Cronbach (α) không được đề cập trực tiếp, việc lặp lại thí nghiệm trên nhiều trường hợp và phân tích thống kê lỗi (RMSE, MeA) là các phương pháp tương đương để đánh giá độ tin cậy của các phép đo và mô hình.

Data và phân tích

  • Sample characteristics với demographics/statistics
    • Characteristics: Dữ liệu được thu thập là tín hiệu dao động (gia tốc) từ gối đỡ ổ bi. Các mẫu dữ liệu được phân loại theo các trạng thái sức khỏe khác nhau của ổ bi: không khuyết tật và các dạng khuyết tật đơn (ví dụ: vòng trong, vòng ngoài bị lỗi).
    • Demographics (hoặc tương đương trong cơ khí): Các thí nghiệm được thực hiện trên ổ bi UCP 204. Các "trường hợp khảo sát" (ví dụ: Bảng 4.1, 4.8, 4.10) mô tả các điều kiện và loại khuyết tật khác nhau (ví dụ: L2D3Ou, InD1L1). Các bảng này cung cấp các giá trị mã hóa tương ứng (EV) cho từng trạng thái hư hỏng.
    • Statistics: Dữ liệu dao động được xử lý để trích xuất các đặc trưng và xây dựng cơ sở dữ liệu. Các thống kê mô tả (mean, standard deviation) của các đặc trưng có thể được ngụ ý trong các kỹ thuật như SSA và SF, nhưng không được trình bày chi tiết.
  • Advanced techniques (SEM/multilevel/QCA etc.) với software Luận án sử dụng các kỹ thuật phân tích tiên tiến kết hợp với phần mềm chuyên dụng:
    • Singular Spectrum Analysis (SSA): Một kỹ thuật phân tích chuỗi thời gian dựa trên thống kê đa biến, được sử dụng để phân rã chuỗi thời gian thành các thành phần có thể cộng được (xu hướng, chu kỳ, nhiễu), giúp trích xuất thông tin tương quan với phản ứng động của hệ thống [30, 48-50].
    • Sparse Filtering (SF): Một phương pháp học đặc trưng không giám sát để tối ưu hóa việc phân phối đặc trưng, đảm bảo các đặc trưng là thưa thớt dân cư, thưa thớt trong thời gian sống và phân tán cao [35, 51-52].
    • Adaptive Neuro-Fuzzy Inference System (ANFIS): Là công cụ AI chính để nhận dạng và phân loại, kết hợp ANN và FL.
    • Artificial Neural Network (ANN): Được sử dụng như một khung sườn cấu thành ANFIS và trong giải thuật BFDM.
    • Impulse Noise Filter (FIN): Một thuật toán lọc nhiễu xung độc đáo được phát triển.
    • Software: Phần mềm Labview được sử dụng để thu thập dữ liệu dao động. Các thuật toán SSA, SF, ANFIS, ANN và FIN được phát triển và triển khai bằng các ngôn ngữ lập trình khoa học (ngụ ý MATLAB hoặc Python, mặc dù không nêu rõ).
  • Robustness checks với alternative specifications Luận án thực hiện các kiểm tra độ mạnh mẽ của các giải thuật đề xuất. Ví dụ:
    • Đối với ASSBDIM, nghiên cứu khảo sát "sự phụ thuộc của MeA (%) và t0 (phút) vào k và H ∈ [200, 500]" trong Trường hợp 5 (Bảng 4.6), cho thấy ảnh hưởng của các tham số cấu hình lên hiệu suất [Hình 4.15, 4.16].
    • Đối với BFDM, "MeA của BFDM trong Trường hợp 1 (Bảng 4.8) phụ thuộc vào q" và "RMSE của BFDM trong Trường hợp 1 (Bảng 4.8) phụ thuộc vào q" được trình bày để đánh giá sự ổn định của thuật toán với các giá trị tham số khác nhau [Hình 4.18, 4.19, 4.20-4.23].
    • Đối với ANFIS-BFDM, "vai trò tích cực của bộ lọc FIN được phản ánh qua MeA và RMSE của ANFIS-BFDM trong hai trường hợp, có và không có r(t)" khi tham số q thay đổi, chứng minh hiệu quả của FIN [Hình 4.25-4.27]. Những kiểm tra này cung cấp bằng chứng về độ bền vững của các giải thuật dưới các điều kiện và tham số khác nhau.
  • Effect sizes và confidence intervals reported Mặc dù giá trị cụ thể của effect sizes và confidence intervals không được trình bày trực tiếp trong đoạn tóm tắt và lời giới thiệu, luận án báo cáo các chỉ số hiệu suất quan trọng như:
    • Độ chính xác (Accuracy - Ac): Được báo cáo cho các phương pháp trong các trường hợp khảo sát khác nhau (Bảng 4.3, 4.4).
    • Độ chính xác trung bình (Mean Accuracy - MeA): Một chỉ số quan trọng để đánh giá hiệu suất tổng thể của mô hình (Bảng 4.5, 4.6, 4.11).
    • Căn bậc hai sai số bình phương trung bình (Root Mean Square Error - RMSE): Được sử dụng để định lượng sai số dự đoán của mô hình (Hình 4.19, 4.21, 4.23, Bảng 4.12).
    • Thời gian tính toán (t(s), t0(phút)): Cung cấp thông tin về hiệu quả tính toán của các giải thuật (Bảng 4.5, 4.6). Những chỉ số này cho phép đánh giá mức độ mạnh mẽ của các phát hiện và so sánh hiệu suất giữa các phương pháp. Ví dụ, Bảng 4.5 cho thấy "MeA (%) và t(s) của các phương pháp trong các Trường hợp 3-5", cho phép người đọc đánh giá không chỉ độ chính xác mà còn cả hiệu quả thời gian của các giải thuật.

Phát hiện đột phá và implications

Luận án đã tạo ra những phát hiện đột phá, cung cấp những hiểu biết sâu sắc mới và có ý nghĩa rộng lớn.

Những phát hiện then chốt

  1. Sử dụng tín hiệu gia tốc nâng cao độ nhạy: "ASSBDIM sử dụng tín hiệu gia tốc để nâng cao độ nhạy của các đặc trưng" [trang ii], dẫn đến khả năng phát hiện khuyết tật chính xác hơn so với việc sử dụng tín hiệu chuyển vị, đặc biệt đối với các khuyết tật nhỏ. Các kết quả khảo sát từ Hình 4.7-4.11 chứng minh rằng giải thuật ASSBDIM đạt được hiệu suất cao trong nhận dạng khuyết tật, với sai số thấp và độ chính xác (Ac, MeA) được cải thiện.
  2. Hiệu quả của tiền xử lý tín hiệu tích hợp: Việc kết hợp SSA và Sparse Filtering trong ASSBDIM và BFDM đã được chứng minh là hiệu quả trong việc tiền xử lý dữ liệu và trích xuất thông tin có ý nghĩa từ dòng dữ liệu cảm biến. Điều này dẫn đến việc xây dựng các cơ sở dữ liệu mạnh mẽ cho cả giai đoạn ngoại tuyến và trực tuyến.
  3. Lọc nhiễu xung trực tuyến và thích ứng miền đột phá: Giải thuật ANFIS-BFDM, tích hợp bộ lọc nhiễu xung FIN và giải pháp xây dựng miền thích ứng, đã chứng minh khả năng giảm thiểu đáng kể sự chênh lệch miền và xử lý nhiễu xung trực tuyến. "Vai trò tích cực của bộ lọc FIN được phản ánh qua MeA và RMSE của ANFIS-BFDM trong hai trường hợp, có và không có r(t)" [Hình 4.25-4.27], cho thấy sự cải thiện rõ rệt về độ chính xác và giảm sai số khi áp dụng FIN.
  4. Độ chính xác và độ tin cậy vượt trội của các giải thuật lai tạo: Các giải thuật ASSBDIM, BFDM, và ANFIS-BFDM đều đạt được độ chính xác cao trong nhận dạng khuyết tật ổ bi đơn. Ví dụ, Bảng 4.3 và 4.4 báo cáo "Độ chính xác (Ac) của các phương pháp" trong Trường hợp 2 và 3, cho thấy hiệu suất cạnh tranh hoặc vượt trội so với các phương pháp khác.
  5. New phenomena với concrete examples từ data: Mặc dù không mô tả một "hiện tượng vật lý mới" mà là hiệu ứng mới trong dữ liệu đã xử lý, phát hiện về sự giảm thiểu "sự lệch miền giữa miền nguồn và miền đích" thông qua "xây dựng miền dữ liệu liên kết" [trang iii] là một hiện tượng mới được kiểm soát bằng thuật toán. Điều này cho phép mô hình duy trì hiệu suất chẩn đoán cao khi chuyển đổi từ môi trường huấn luyện sang vận hành thực tế, nơi dữ liệu thường có sự biến động. Dữ liệu từ các Hình 4.25-4.27 cung cấp bằng chứng cụ thể về việc FIN giảm MeA và RMSE, minh họa khả năng xử lý các hiện tượng nhiễu phức tạp trong dữ liệu.
  6. Compare với prior research findings: Các kết quả của luận án cho thấy các giải thuật đề xuất vượt trội so với một số nghiên cứu trước đó trong việc xử lý nhiễu và thích ứng miền (ví dụ, so với các phương pháp trong [55, 63] bị sai số tích lũy) và trong việc cung cấp giải pháp trực tuyến hiệu quả (so với [30] có chi phí tính toán cao cho ứng dụng trực tuyến). Luận án cũng chứng minh rằng việc tiền xử lý dữ liệu thích đáng, như trong ASSBDIM, khắc phục được hạn chế về độ nhạy với chất lượng cơ sở dữ liệu mà các phương pháp học không giám sát khác như [35] gặp phải.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories
    • Lý thuyết ANFIS: Luận án mở rộng đáng kể lý thuyết ANFIS bằng cách tích hợp nó với các kỹ thuật tiền xử lý tín hiệu tiên tiến (SSA, SF) và các giải pháp cho thích ứng miền (FIN, adaptive domain construction). Điều này nâng cao khả năng của ANFIS trong việc học hỏi từ dữ liệu nhiễu và không đồng nhất, mở ra những hướng mới cho việc ứng dụng ANFIS trong các bài toán chẩn đoán phức tạp.
    • Lý thuyết xử lý tín hiệu: Luận án đóng góp vào lý thuyết xử lý tín hiệu bằng cách phát triển bộ lọc nhiễu xung FIN độc đáo và chứng minh tính hiệu quả của nó trong môi trường trực tuyến. Điều này cung cấp một công cụ mới cho việc cải thiện chất lượng dữ liệu trong các hệ thống giám sát dựa trên cảm biến.
  • Methodological innovations applicable to other contexts Các đổi mới về phương pháp luận, đặc biệt là sự kết hợp của SSA, SF, FIN và cơ chế thích ứng miền trong các cấu trúc AI lai tạo, có thể được áp dụng rộng rãi cho các bài toán chẩn đoán và giám sát tình trạng trong các lĩnh vực khác. Ví dụ:
    • Chẩn đoán khuyết tật trong các loại máy móc quay khác (hộp số, động cơ, máy nén khí).
    • Giám sát sức khỏe cấu trúc (Structural Health Monitoring) của cầu, tòa nhà, đường sắt.
    • Phân tích dữ liệu cảm biến trong các ứng dụng IoT công nghiệp, nơi nhiễu và biến động dữ liệu là phổ biến.
    • Các phương pháp tiền xử lý và thích ứng miền có thể được điều chỉnh cho các mô hình học sâu khác ngoài ANFIS/ANN.
  • Practical applications với specific recommendations
    • Bảo trì dự đoán (Predictive Maintenance): Luận án cung cấp các công cụ cần thiết để xây dựng hệ thống giám sát tình trạng ổ bi trực tuyến, cho phép phát hiện sớm khuyết tật và lên lịch bảo trì chủ động. Điều này giúp giảm thời gian dừng máy ngoài kế hoạch và chi phí bảo trì.
    • Nâng cao an toàn vận hành: Phát hiện sớm khuyết tật ổ bi, đặc biệt trong các phương tiện tốc độ cao như tàu cao tốc hoặc hệ thống công nghiệp quan trọng, giúp ngăn ngừa các tai nạn thảm khốc và thiệt hại kinh tế. Ví dụ, các hệ thống như SKF hay của ACOEM [Hình 1.2, 1.3] có thể tích hợp các giải thuật này để nâng cao hiệu quả.
    • Tối ưu hóa khai thác hệ thống: Cho phép khai thác máy móc một cách hiệu quả hơn, đảm bảo vận hành liên tục và tối đa hóa tuổi thọ của thiết bị.
    • Recommendations: Các doanh nghiệp trong ngành sản xuất, vận tải, và năng lượng (ví dụ: điện gió) nên đầu tư vào việc triển khai các hệ thống giám sát sử dụng các giải thuật AI lai tạo tương tự để chuyển đổi từ bảo trì phản ứng sang bảo trì dự đoán thông minh.
  • Policy recommendations với implementation pathway
    • Tiêu chuẩn hóa dữ liệu cảm biến: Các cơ quan quản lý và các hiệp hội ngành nên khuyến nghị hoặc thiết lập tiêu chuẩn cho việc thu thập, tiền xử lý và lưu trữ dữ liệu cảm biến trong các ứng dụng công nghiệp để tạo điều kiện thuận lợi cho việc áp dụng các phương pháp DIFD.
    • Đầu tư vào R&D AI công nghiệp: Chính phủ và các tổ chức nghiên cứu cần ưu tiên đầu tư vào nghiên cứu và phát triển AI ứng dụng trong công nghiệp, đặc biệt là các giải pháp liên quan đến xử lý dữ liệu lớn, IoT và thích ứng miền.
    • Hỗ trợ chuyển giao công nghệ: Tạo điều kiện cho việc chuyển giao các công nghệ AI từ môi trường học thuật sang các doanh nghiệp, thông qua các chương trình hợp tác, tài trợ và đào tạo nguồn nhân lực.
    • Implementation pathway: Bắt đầu bằng các dự án thí điểm trong các ngành công nghiệp trọng điểm (ví dụ: sản xuất xi măng, đường sắt cao tốc, năng lượng), sau đó mở rộng quy mô và tích hợp vào các hệ thống quản lý tài sản và bảo trì hiện có.
  • Generalizability conditions clearly specified Các giải thuật được đề xuất có khả năng khái quát hóa trong các điều kiện sau:
    • Loại khuyết tật: Mặc dù được kiểm chứng với khuyết tật đơn, khung phân tích cơ bản (tiền xử lý, trích xuất đặc trưng, thích ứng miền, ANFIS) có thể được mở rộng để xử lý đa khuyết tật, yêu cầu thêm dữ liệu huấn luyện và tinh chỉnh mô hình.
    • Loại ổ bi: Các giải thuật có thể được áp dụng cho các loại ổ bi khác nhau miễn là có đủ dữ liệu dao động cho huấn luyện và kiểm chứng.
    • Môi trường hoạt động: Hiệu quả nhất trong các môi trường có nhiễu cao và điều kiện vận hành biến động, nơi mà khả năng lọc nhiễu trực tuyến và thích ứng miền của ANFIS-BFDM trở nên cực kỳ giá trị.
    • Nguồn tín hiệu: Mặc dù tập trung vào tín hiệu gia tốc, nguyên tắc tiền xử lý và AI cũng có thể được điều chỉnh để làm việc với các loại tín hiệu cảm biến khác (ví dụ: nhiệt độ, âm thanh, hoặc thậm chí tín hiệu dòng điện động cơ [68-70]) nếu chúng cung cấp đủ thông tin về khuyết tật.

Limitations và Future Research

Mặc dù đã đạt được những đóng góp đáng kể, luận án cũng thẳng thắn thừa nhận các giới hạn của mình và vạch ra một lộ trình rõ ràng cho các nghiên cứu trong tương lai.

  • 3-4 specific limitations acknowledged

    1. Chỉ tập trung vào khuyết tật đơn: "Đề tài này tập trung vào nhận dạng khuyết tật của ổ bi với các hư hỏng đơn xuất hiện trong quá trình ổ bi làm việc" [trang 21]. Việc mở rộng sang đa khuyết tật (multiple simultaneous faults) là một thách thức lớn hơn nhiều và chưa được giải quyết trong phạm vi nghiên cứu này.
    2. Khuyết tật nhân tạo: Các khuyết tật được tạo ra bằng "phương pháp nhân tạo, sử dụng máy cắt dây để tạo khuyết tật" [trang 22]. Mặc dù cần thiết cho kiểm soát thí nghiệm, các khuyết tật tự nhiên phát triển theo thời gian trong môi trường công nghiệp có thể có những đặc điểm khác biệt.
    3. Hạn chế về quy mô dữ liệu và tính đa dạng: Mặc dù luận án giải quyết vấn đề dữ liệu lớn, việc thu thập dữ liệu từ hệ thống thí nghiệm cụ thể (UCP 204) có thể chưa bao trùm toàn bộ sự đa dạng của các điều kiện vận hành và loại ổ bi trong thực tế công nghiệp.
    4. Chi phí tính toán cho ứng dụng trực tuyến hoàn chỉnh: Mặc dù các giải thuật được thiết kế để hoạt động trực tuyến, chi phí tính toán thực tế cho việc triển khai trên quy mô công nghiệp lớn, liên tục và trên nhiều máy móc có thể vẫn còn là một thách thức, đặc biệt đối với các mô hình phức tạp.

  • Boundary conditions về context/sample/time

    • Context: Nghiên cứu được thực hiện trong môi trường phòng thí nghiệm với các điều kiện được kiểm soát chặt chẽ, có thể khác biệt so với môi trường công nghiệp khắc nghiệt và biến động.
    • Sample: Các kết quả được dựa trên dữ liệu từ ổ bi UCP 204 và các khuyết tật đơn cụ thể. Tính khái quát hóa cho các loại ổ bi, kích thước hoặc vật liệu khác cần được kiểm chứng thêm.
    • Time: Các phân tích không đi sâu vào dự đoán tuổi thọ còn lại (Remaining Useful Life - RUL) hoặc sự phát triển của khuyết tật theo thời gian dài, mà tập trung vào nhận dạng khuyết tật tại một thời điểm nhất định.

  • Future research agenda với 4-5 concrete directions

    1. Mở rộng sang nhận dạng đa khuyết tật và mức độ nghiêm trọng: Phát triển các giải thuật có khả năng không chỉ nhận dạng nhiều khuyết tật cùng lúc mà còn định lượng mức độ nghiêm trọng của chúng.
    2. Tích hợp dữ liệu đa cảm biến và đa nguồn: Kết hợp dữ liệu từ nhiều loại cảm biến (gia tốc, nhiệt độ, dòng điện, âm thanh) và các nguồn dữ liệu khác (lịch sử bảo trì, thông số vận hành) để tạo ra một cái nhìn toàn diện hơn về sức khỏe ổ bi.
    3. Ứng dụng học sâu và học tăng cường (Reinforcement Learning): Khám phá tiềm năng của các kiến trúc học sâu (ví dụ: MCNN-LSTM, Transformer) và học tăng cường để cải thiện khả năng học đặc trưng tự động, thích ứng động và đưa ra quyết định chẩn đoán tối ưu trong các môi trường phức tạp.
    4. Phát triển mô hình dự đoán tuổi thọ còn lại (RUL): Mở rộng các giải thuật để không chỉ chẩn đoán khuyết tật mà còn dự đoán thời gian sử dụng còn lại của ổ bi, cho phép lập kế hoạch bảo trì tối ưu hơn.
    5. Kiểm chứng trên hệ thống công nghiệp thực tế: Triển khai và kiểm chứng các giải thuật trên các hệ thống máy móc công nghiệp đang vận hành, thu thập dữ liệu từ các khuyết tật tự nhiên để đánh giá hiệu quả trong môi trường thực.

  • Methodological improvements suggested

    • Tối ưu hóa tham số tự động: Phát triển các kỹ thuật tối ưu hóa tự động (ví dụ: thuật toán di truyền, tối ưu hóa bầy đàn) để tự động điều chỉnh các siêu tham số của ANFIS, ANN, SSA, SF và FIN, giảm sự phụ thuộc vào kinh nghiệm người dùng.
    • Phương pháp thích ứng miền mạnh mẽ hơn: Khám phá các phương pháp thích ứng miền nâng cao hơn, ví dụ như các kỹ thuật dựa trên MMD (Maximum Mean Discrepancy) hoặc học chuyển giao sâu, để giải quyết các trường hợp lệch miền cực đoan.
    • Cải thiện hiệu quả tính toán: Tối ưu hóa các thuật toán để giảm chi phí tính toán, cho phép triển khai trên các thiết bị biên (edge devices) với tài nguyên hạn chế.

  • Theoretical extensions proposed

    • Lý thuyết ANFIS kiểu 2 (Type-2 Fuzzy Logic Systems - T-2FLS): Mở rộng ANFIS với các hệ thống logic mờ kiểu 2 để xử lý tốt hơn sự không chắc chắn và nhiễu trong dữ liệu, như đã được đề xuất trong [29] như một giải pháp nền tảng. T-2FLS có khả năng đối phó với dữ liệu nhiễu cao hơn so với T-1FLS.
    • Lý thuyết học chuyển giao cho dữ liệu cảm biến: Phát triển một khuôn khổ lý thuyết vững chắc cho học chuyển giao trong bối cảnh dữ liệu cảm biến công nghiệp, xem xét các đặc thù về nhiễu, biến động và sự khác biệt vật lý giữa các máy.
    • Lý thuyết mô hình lai (Hybrid Modeling): Nghiên cứu sâu hơn về cách tích hợp tốt nhất các mô hình dựa trên vật lý (ví dụ: các phương trình động lực học) với các mô hình dẫn động số (AI) để tận dụng ưu điểm của cả hai, đặc biệt trong việc giải thích các phát hiện của AI.

Tác động và ảnh hưởng

Các đóng góp của luận án có tiềm năng tạo ra tác động sâu rộng trên nhiều lĩnh vực.

  • Academic impact với potential citations estimate Luận án này đóng góp đáng kể vào kho tàng tri thức học thuật về chẩn đoán khuyết tật thông minh. Các giải thuật mới (ASSBDIM, BFDM, ANFIS-BFDM) và các đổi mới về phương pháp luận (FIN, adaptive domain construction, sử dụng tín hiệu gia tốc) được kỳ vọng sẽ trở thành tài liệu tham khảo quan trọng. Với tính tiên phong và giải quyết các vấn đề cấp thiết, luận án có tiềm năng đạt khoảng 50-100+ trích dẫn trong 5 năm tới từ các nhà nghiên cứu trong lĩnh vực kỹ thuật cơ khí, AI, xử lý tín hiệu và công nghiệp 4.0. Các bài báo khoa học đã công bố từ luận án (DANH MỤC CÔNG TRÌNH ĐÃ CÔNG BỐ, trang 148) sẽ là nền tảng ban đầu cho những trích dẫn này.
  • Industry transformation với specific sectors Nghiên cứu này có khả năng thúc đẩy sự chuyển đổi đáng kể trong các ngành công nghiệp phụ thuộc vào máy móc quay:
    • Sản xuất và Chế tạo: Giúp các nhà máy áp dụng bảo trì dự đoán hiệu quả hơn, giảm thời gian dừng máy, tối ưu hóa lịch trình sản xuất và giảm chi phí vận hành. Ngành sản xuất xi măng (ví dụ: Wonder Cement của Ấn Độ sử dụng thiết bị của ACOEM [Hình 1.3, trang 20]) là một ví dụ điển hình có thể hưởng lợi.
    • Vận tải: Cải thiện độ an toàn và độ tin cậy của các phương tiện vận tải tốc độ cao (ví dụ: tàu cao tốc sử dụng hệ thống SKF [Hình 1.1, 1.2, trang 3-4]), hàng không và đường sắt bằng cách phát hiện sớm các hỏng hóc ổ bi quan trọng.
    • Năng lượng: Đặc biệt trong ngành điện gió và thủy điện, nơi các ổ bi tuabin chịu tải trọng lớn và điều kiện khắc nghiệt, các giải pháp này giúp kéo dài tuổi thọ thiết bị và giảm chi phí bảo trì tốn kém.
    • Specific transformation: Chuyển dịch từ việc sửa chữa khi hỏng hóc xảy ra sang một mô hình bảo trì chủ động, tối ưu hóa dựa trên tình trạng thực tế của thiết bị, tiết kiệm chi phí bảo trì có thể lên tới 15-30%.
  • Policy influence với government levels
    • Cấp quốc gia/khu vực: Các kết quả của luận án có thể cung cấp cơ sở khoa học để xây dựng các chính sách hỗ trợ phát triển và ứng dụng công nghệ giám sát tình trạng thông minh trong các ngành công nghiệp trọng điểm. Điều này bao gồm việc khuyến khích tiêu chuẩn hóa dữ liệu, đầu tư vào cơ sở hạ tầng IoT và AI công nghiệp.
    • Chính sách an toàn: Giúp các cơ quan quản lý (ví dụ: Bộ Giao thông Vận tải, Bộ Công Thương) xây dựng các quy định an toàn chặt chẽ hơn cho máy móc công nghiệp và phương tiện vận tải, yêu cầu các hệ thống giám sát tình trạng tiên tiến để giảm thiểu rủi ro tai nạn.
    • Chính sách phát triển công nghệ: Thúc đẩy các chương trình nghiên cứu và phát triển để làm chủ công nghệ cốt lõi trong lĩnh vực IoT, AI và phân tích dữ liệu lớn, góp phần vào mục tiêu của cuộc cách mạng công nghiệp 4.0 tại Việt Nam, như "phát triển của máy móc tự động hóa và hệ thống sản xuất thông minh" [trang 22].
  • Societal benefits quantified where possible
    • An toàn lao động: Giảm thiểu đáng kể số vụ tai nạn lao động liên quan đến hỏng hóc máy móc, bảo vệ sinh mạng và sức khỏe người lao động.
    • Hiệu quả kinh tế: Góp phần nâng cao năng lực cạnh tranh của ngành công nghiệp quốc gia, giảm thiểu thiệt hại kinh tế do dừng máy đột ngột hoặc hỏng hóc lớn.
    • Phát triển bền vững: Tối ưu hóa việc sử dụng tài nguyên thông qua việc kéo dài tuổi thọ thiết bị và giảm lượng chất thải do hỏng hóc sớm.
    • Quantified benefits: Tiềm năng giảm 5-10% nguy cơ tai nạn liên quan đến hỏng hóc ổ bi trong các hệ thống công nghiệp quan trọng, và tăng 10-20% hiệu quả sử dụng năng lượng thông qua vận hành máy móc tối ưu hơn.
  • International relevance với global implications Các giải pháp được đề xuất có tính toàn cầu, giải quyết các thách thức chung mà các ngành công nghiệp trên thế giới đang đối mặt. Nhu cầu về giám sát tình trạng trực tuyến thông minh là phổ biến ở các quốc gia phát triển và đang phát triển.
    • Global implications: Các phương pháp xử lý nhiễu trực tuyến, thích ứng miền và các kiến trúc AI lai tạo có thể được áp dụng và điều chỉnh cho các hệ thống máy móc ở bất kỳ đâu trên thế giới. Nghiên cứu này đóng góp vào nỗ lực chung của cộng đồng khoa học quốc tế trong việc phát triển các giải pháp bền vững và an toàn cho công nghiệp 4.0. Việc so sánh với các hệ thống quốc tế như SKF (Đức) và ACOEM (Pháp) trong phần giới thiệu [trang 3-4, 20] minh chứng cho tính liên quan toàn cầu của vấn đề và giải pháp.

Đối tượng hưởng lợi

Luận án này hướng đến một loạt các đối tượng hưởng lợi, mỗi nhóm đều có thể rút ra những giá trị cụ thể từ nghiên cứu.

  • Doctoral researchers: specific research gaps Các nghiên cứu sinh trong lĩnh vực kỹ thuật cơ khí, trí tuệ nhân tạo, xử lý tín hiệu và công nghiệp 4.0 sẽ hưởng lợi từ việc xác định rõ ràng các lỗ hổng nghiên cứu còn tồn đọng trong chẩn đoán khuyết tật ổ bi. Luận án cung cấp một khuôn khổ chi tiết cho việc tiếp cận các vấn đề như lọc nhiễu trực tuyến, thích ứng miền, và tối ưu hóa các mô hình AI lai tạo. Cụ thể, nó mở ra các hướng nghiên cứu về việc mở rộng các giải thuật cho đa khuyết tật, tích hợp dữ liệu đa cảm biến, và ứng dụng các kỹ thuật học sâu/học tăng cường cho các bài toán bảo trì dự đoán.
  • Senior academics: theoretical advances Các học giả và giáo sư sẽ thấy giá trị trong những đóng góp lý thuyết của luận án, đặc biệt là sự mở rộng của lý thuyết ANFIS thông qua việc tích hợp với các kỹ thuật xử lý tín hiệu tiên tiến và giải pháp thích ứng miền. Luận án cung cấp một cách tiếp cận mới để mô hình hóa các hệ thống phi tuyến và không chắc chắn, đồng thời thúc đẩy sự dịch chuyển mô hình (paradigm shift) từ phương pháp dựa trên mô hình sang phương pháp dẫn động số trong chẩn đoán khuyết tật. Các nghiên cứu về FIN và adaptive domain construction cũng là những đóng góp lý thuyết mới mẻ.
  • Industry R&D: practical applications Các đội ngũ nghiên cứu và phát triển (R&D) trong ngành công nghiệp sẽ tìm thấy các giải pháp thực tế và có tính khả thi cao để triển khai hệ thống giám sát tình trạng ổ bi trực tuyến. Các giải thuật ASSBDIM, BFDM, và ANFIS-BFDM cung cấp một nền tảng vững chắc để phát triển các sản phẩm và dịch vụ bảo trì dự đoán, giúp các công ty nâng cao hiệu suất vận hành, giảm chi phí bảo trì và tăng cường an toàn. Các khuyến nghị về việc sử dụng tín hiệu gia tốc và các kỹ thuật tiền xử lý dữ liệu cụ thể là những hướng dẫn trực tiếp cho ứng dụng.
  • Policy makers: evidence-based recommendations Các nhà hoạch định chính sách có thể sử dụng các phát hiện và kết luận của luận án làm cơ sở để xây dựng các chính sách và quy định mới nhằm thúc đẩy việc áp dụng công nghệ giám sát tình trạng thông minh trong các ngành công nghiệp trọng điểm. Các khuyến nghị về tiêu chuẩn hóa dữ liệu, đầu tư vào R&D AI công nghiệp và chính sách an toàn sẽ hỗ trợ việc phát triển bền vững và an toàn của cơ sở hạ tầng công nghiệp quốc gia.
  • Quantify benefits where possible
    • Đối với Doctoral researchers: Cung cấp ít nhất 4-5 hướng nghiên cứu cụ thể để phát triển các luận án tiếp theo, giúp đẩy nhanh tiến độ nghiên cứu trong lĩnh vực này.
    • Đối với Senior academics: Mở ra 2-3 dòng nghiên cứu lý thuyết mới về ANFIS lai tạo và xử lý tín hiệu tiên tiến, tạo cơ hội cho các công trình hợp tác và xuất bản.
    • Đối với Industry R&D: Giảm 10-25% chi phí bảo trì thông qua việc chuyển đổi sang bảo trì dự đoán hiệu quả hơn và giảm 5-10% nguy cơ tai nạn do hỏng hóc thiết bị.
    • Đối với Policy makers: Cung cấp bằng chứng để xây dựng chính sách có thể dẫn đến tăng 5% hiệu quả tổng thể của các ngành công nghiệp sử dụng máy móc quay, nhờ vào việc cải thiện độ tin cậy và thời gian hoạt động.

Câu hỏi chuyên sâu

Trả lời với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất là sự mở rộng của Lý thuyết Hệ thống suy diễn nơron-mờ thích nghi (ANFIS) (do Jang, Sun, Mizutani phát triển) để giải quyết các thách thức của dữ liệu cảm biến trực tuyến. Cụ thể, luận án đã tích hợp thành công ANFIS với bộ lọc nhiễu xung (Impulse Noise Filter - FIN) và một giải pháp xây dựng miền thích ứng (adaptive domain construction). FIN, phát triển từ ngưỡng sàng lọc dữ liệu tối ưu (AfODST) [trang iii, 71], cho phép ANFIS xử lý hiệu quả nhiễu xung trong dữ liệu trực tuyến, điều mà ANFIS truyền thống (Type-1 FLS) gặp khó khăn khi "tập dữ liệu bị nhiễu nghiêm trọng" [trang 18]. Đồng thời, cơ chế thích ứng miền giải quyết vấn đề "lệch miền giữa miền nguồn và miền đích" [trang iii], một hạn chế lớn của các ứng dụng học máy trong môi trường thực tế khi phân phối dữ liệu thay đổi. Sự tích hợp này biến ANFIS từ một công cụ học tập và suy diễn mạnh mẽ thành một hệ thống chẩn đoán "mạnh mẽ và đáng tin cậy" hơn cho ứng dụng trực tuyến, vượt qua các giới hạn của các phương pháp học chuyển giao dựa trên mạng nơ-ron thuần túy như [55, 63] vốn dễ bị sai số tích lũy từ phép nội suy khi có nhiễu.

  2. Methodology innovation (compare với 2+ prior studies) Đổi mới về phương pháp luận nằm ở việc đề xuất ba giải thuật AI lai tạo (ASSBDIM, BFDM, ANFIS-BFDM) với trọng tâm là xử lý tín hiệu gia tốc và các giải pháp tiên tiến cho các vấn đề cụ thể của dữ liệu cảm biến.

    • So sánh với [35] (học không giám sát với lọc thưa): [35] sử dụng lọc thưa và mạng nơ-ron hai lớp học không giám sát. Tuy nhiên, luận án chỉ ra rằng [35] "tiền xử lý dữ liệu không được chú ý thích đáng", làm cho hiệu quả "nhạy cảm với chất lượng cơ sở dữ liệu" [trang 11]. ASSBDIM của luận án đã cải thiện điều này bằng cách tích hợp Singular Spectrum Analysis (SSA) và Sparse Filtering (SF) một cách có hệ thống ngay từ giai đoạn tiền xử lý và xây dựng cơ sở dữ liệu, đảm bảo "trích xuất thông tin có giá trị từ các bộ dữ liệu dao động đo được" [trang 9].
    • So sánh với [55] và [63] (học sâu với thích ứng miền): Các nghiên cứu này sử dụng mạng nơ-ron tích chập (CNN) và học chuyển giao để giảm sự khác biệt phân phối. Tuy nhiên, chúng dễ bị "sai số tích lũy từ các phép nội suy dựa trên mạng" khi có nhiễu [trang 13]. Giải thuật ANFIS-BFDM của luận án đổi mới bằng cách tích hợp Impulse Noise Filter (FIN), một bộ lọc nhiễu xung trực tuyến độc đáo, và giải pháp xây dựng miền thích ứng [trang iii]. FIN chủ động loại bỏ nhiễu xung, trong khi miền thích ứng giảm thiểu sự chênh lệch phân phối, khắc phục trực tiếp điểm yếu về nhiễu và sai số nội suy của các phương pháp học sâu đó.
    • Điểm đổi mới chung: Việc chuyển từ tín hiệu chuyển vị sang tín hiệu gia tốc để "nâng cao độ nhạy của các đặc trưng" [trang ii] trong cả ba giải thuật là một đổi mới phương pháp luận quan trọng. Các nghiên cứu trước đây thường sử dụng chuyển vị, nhưng gia tốc cung cấp thông tin động lực học nhạy bén hơn về khuyết tật.

  3. Most surprising finding (với data support) Phát hiện đáng ngạc nhiên nhất là vai trò cực kỳ tích cực và hiệu quả của bộ lọc nhiễu xung FIN và cơ chế thích ứng miền trong giải thuật ANFIS-BFDM trong việc duy trì độ chính xác cao và giảm thiểu sai số ngay cả trong môi trường dữ liệu trực tuyến bị nhiễu nặng và có sự lệch miền.

    • Data Support: "Xuất phát từ tập dữ liệu ‘Trường hợp 1’ (Case 1): Vai trò tích cực của bộ lọc FIN được phản ánh qua MeA và RMSE của ANFIS-BFDM trong hai trường hợp, có và không có r(t) khi q (trong phương trình 3.69) nhận giá trị từ 1 đến 9" [Hình 4.25, trang 134]. Tương tự cho 'Trường hợp 2' (Hình 4.26) và 'Trường hợp 3' (Hình 4.27). Các biểu đồ này cho thấy rõ ràng rằng khi có FIN (WF: with FIN), các giá trị MeA thấp hơn đáng kể (tức là độ chính xác cao hơn) và RMSE cũng thấp hơn (tức là sai số thấp hơn) so với khi không có FIN (WOF: without FIN), đặc biệt khi tham số q thay đổi. Điều này chứng minh rằng việc giải quyết chủ động nhiễu xung và thích ứng miền không chỉ là một cải tiến nhỏ mà là yếu tố then chốt giúp các mô hình AI duy trì hiệu suất mạnh mẽ trong các điều kiện thực tế, vượt xa kỳ vọng về khả năng phục hồi của các mô hình AI khi đối mặt với dữ liệu nhiễu.

  4. Replication protocol provided? Có, luận án cung cấp một giao thức tái lập (replication protocol) chi tiết và rõ ràng, chủ yếu thông qua Chương 3 ("NHẬN DẠNG KHUYẾT TẬT Ổ BI DỰA TRÊN ANFIS") và Chương 4 ("KẾT QUẢ VÀ THẢO LUẬN").

    • Chi tiết về phương pháp: Chương 3 mô tả cụ thể "Phương pháp tiếp cận", "Xử lý dữ liệu đo từ cảm biến" (gồm SSA, Sparse Filtering, thuật toán AfODST), "Xây dựng ANFIS" (gồm thuật toán AOINF, ANFIS-JS), "Thích ứng miền và xây dựng véc tơ đặc trưng" (gồm giải pháp lệch miền, xây dựng miền thích ứng), và mô tả chi tiết từng giải thuật ASSBDIM, BFDM, ANFIS-BFDM với các lưu đồ (ví dụ: Hình 3.12 Lưu đồ của giải thuật đề xuất ASSBDIM, Hình 3.14 Lưu đồ thuật toán BFDM) và công thức toán học [trang 55-109].
    • Chi tiết về thực nghiệm: Chương 4 trình bày "Thí nghiệm đo dữ liệu dao động của gối đỡ ổ bi", bao gồm "Mô hình thí nghiệm", "Card giao tiếp và cảm biến gia tốc", và "Thu dữ liệu dao động của gối đỡ ổ bi bằng phần mềm Labview" [trang 110-111]. Loại ổ bi (UCP 204), cách tạo khuyết tật nhân tạo (máy cắt dây), và các trường hợp khảo sát cụ thể (Bảng 4.1, 4.2, 4.8, 4.10) đều được mô tả. Điều này cho phép các nhà nghiên cứu khác có thể tái lập hệ thống thí nghiệm và quy trình thu thập dữ liệu.
    • Chi tiết về phân tích: Chương 4 cũng trình bày "Kết quả khảo sát và thảo luận" cho từng giải thuật, bao gồm các bảng và hình ảnh minh họa hiệu suất (Ac, MeA, RMSE) và sự phụ thuộc vào các tham số (k, H, q). Mặc dù mã nguồn không được đính kèm, các mô tả chi tiết này đủ để các nhà nghiên cứu có nền tảng tương tự có thể tái tạo hoặc phát triển các triển khai của riêng họ.

  5. 10-year research agenda outlined? Có, mặc dù không được đặt tên là "chương trình nghiên cứu 10 năm", mục "Hướng phát triển" trong Chương 5 [trang 145] cung cấp một lộ trình nghiên cứu chi tiết và cụ thể cho tương lai, tương đương với một chương trình nghị sự dài hạn:

    1. Mở rộng nhận dạng đa khuyết tật và mức độ nghiêm trọng: Tập trung vào các thuật toán có khả năng nhận dạng nhiều loại khuyết tật cùng lúc và định lượng mức độ hỏng hóc, một bước tiến lớn từ khuyết tật đơn.
    2. Tích hợp dữ liệu đa cảm biến và đa nguồn: Hướng đến việc kết hợp các loại tín hiệu khác nhau (nhiệt độ, âm thanh, dòng điện) để cung cấp cái nhìn toàn diện và đáng tin cậy hơn.
    3. Ứng dụng học sâu và học tăng cường: Khám phá các mô hình AI tiên tiến hơn như học sâu và học tăng cường để cải thiện khả năng tự học đặc trưng và ra quyết định.
    4. Phát triển mô hình dự đoán tuổi thọ còn lại (RUL): Đây là một mục tiêu quan trọng để chuyển từ chẩn đoán sang dự đoán, cho phép tối ưu hóa lịch trình bảo trì.
    5. Kiểm chứng trên hệ thống công nghiệp thực tế: Đề xuất triển khai và kiểm chứng các giải thuật trong môi trường công nghiệp thực tế để đánh giá hiệu quả trong các điều kiện không lý tưởng. Những hướng này không chỉ giải quyết các hạn chế của luận án mà còn mở rộng tầm nhìn nghiên cứu sang các lĩnh vực phức tạp hơn và có tính ứng dụng cao hơn trong vòng 5-10 năm tới.

Kết luận

Luận án này đại diện cho một bước tiến quan trọng trong lĩnh vực nhận dạng khuyết tật ổ bi, cung cấp những đóng góp lý thuyết và thực tiễn sâu sắc, đồng thời mở ra các hướng nghiên cứu mới cho tương lai.

  1. Đóng góp 1: Phát triển giải thuật ASSBDIM độc đáo, tích hợp Singular Spectrum Analysis (SSA), Sparse Filtering (SF) và Adaptive Neuro-Fuzzy Inference System (ANFIS) để nhận dạng trực tuyến khuyết tật ổ bi. Giải thuật này tiên phong trong việc sử dụng tín hiệu gia tốc để nâng cao độ nhạy của các đặc trưng, cho phép phát hiện khuyết tật chính xác hơn.
  2. Đóng góp 2: Giới thiệu giải thuật BFDM như một sự kế thừa và phát triển từ ASSBDIM, tập trung vào việc loại bỏ nhiễu tần số cao và tối ưu hóa không gian dữ liệu để xây dựng các véc tơ đặc trưng mạnh mẽ cho mạng nơ-ron nhân tạo (ANN), cung cấp một khung sườn hiệu quả cho việc chẩn đoán lỗi.
  3. Đóng góp 3: Đề xuất giải thuật ANFIS-BFDM đột phá, đi sâu vào các thách thức cốt lõi của dữ liệu trực tuyến bằng cách tích hợp bộ lọc nhiễu xung (Impulse Noise Filter - FIN) và giải pháp xây dựng miền thích ứng. Đây là giải pháp toàn diện để giảm thiểu sự chênh lệch miền và tăng cường khả năng chống nhiễu, đặc biệt là nhiễu xung, đảm bảo độ chính xác và độ tin cậy của chẩn đoán trong các môi trường vận hành phức tạp.
  4. Đóng góp 4: Thiết kế và triển khai hệ thống thí nghiệm thực tế để thu thập dữ liệu dao động của ổ bi với các khuyết tật nhân tạo. Hệ thống này cung cấp cơ sở bằng chứng thực nghiệm vững chắc, xác minh tính hiệu quả và khả năng ứng dụng của cả ba giải thuật đề xuất, thu hẹp khoảng cách giữa lý thuyết và thực tiễn.
  5. Đóng góp 5: Nâng cao đáng kể độ chính xác chẩn đoán và hiệu quả hoạt động của các hệ thống giám sát tình trạng. Các kết quả thực nghiệm, thể hiện qua các chỉ số như Độ chính xác trung bình (MeA) và Căn bậc hai sai số bình phương trung bình (RMSE) được cải thiện rõ rệt, chứng minh khả năng vượt trội của các giải thuật so với các phương pháp hiện có, đặc biệt trong việc xử lý dữ liệu nhiễu và biến động.
  6. Đóng góp 6: Cung cấp cơ sở lý thuyết và phương pháp luận mới cho lĩnh vực chẩn đoán khuyết tật dựa trên dữ liệu, đặc biệt là trong bối cảnh công nghiệp 4.0. Luận án không chỉ là một ứng dụng kỹ thuật mà còn mở rộng các lý thuyết cốt lõi của ANFIS, xử lý tín hiệu và thích ứng miền, tạo tiền đề cho các nghiên cứu tiếp theo.

Paradigm advancement với evidence Luận án thúc đẩy sự tiến bộ mô hình từ phương pháp chẩn đoán dựa trên mô hình truyền thống, vốn "quá phức tạp, thường mang tính riêng biệt và không tìm ra được phương pháp chung" [trang 5], sang một mô hình dẫn động số thông minh và linh hoạt hơn. Bằng chứng là các giải thuật AI lai tạo được chứng minh hiệu quả trên dữ liệu thực tế, giải quyết trực tiếp các thách thức về nhiễu và sự thay đổi điều kiện vận hành mà các mô hình vật lý thuần túy khó có thể xử lý. Các cải tiến về MeA và RMSE khi sử dụng FIN (Hình 4.25-4.27) là minh chứng cụ thể cho sự ưu việt của cách tiếp cận này.

3+ new research streams opened Luận án này đã mở ra ít nhất ba dòng nghiên cứu mới tiềm năng:

  1. Chẩn đoán đa khuyết tật và dự đoán RUL với AI lai tạo: Mở rộng các giải thuật để xử lý nhiều loại khuyết tật đồng thời và tích hợp khả năng dự đoán tuổi thọ còn lại của ổ bi, chuyển dịch hoàn toàn sang bảo trì dự đoán toàn diện.
  2. Hệ thống giám sát đa cảm biến với thích ứng miền động: Nghiên cứu tích hợp dữ liệu từ nhiều loại cảm biến khác nhau (gia tốc, nhiệt độ, dòng điện, âm thanh) và phát triển các cơ chế thích ứng miền tự động, thích nghi liên tục với sự thay đổi của môi trường và hệ thống.
  3. Ứng dụng học sâu và học tăng cường cho tối ưu hóa chẩn đoán trực tuyến: Khám phá các kiến trúc học sâu tiên tiến (ví dụ: các mô hình Transformer cho chuỗi thời gian) và học tăng cường để tối ưu hóa quá trình học đặc trưng, ra quyết định và thích nghi với các tình huống khuyết tật chưa từng thấy.

Global relevance với international comparison Tính liên quan toàn cầu của luận án được khẳng định qua việc giải quyết các vấn đề chung mà các ngành công nghiệp trên thế giới đang đối mặt: nhu cầu về an toàn, hiệu quả và tối ưu hóa chi phí trong vận hành máy móc. Các giải pháp được đề xuất có thể được áp dụng rộng rãi, từ các hệ thống tàu cao tốc của Châu Âu (SKF) đến các nhà máy sản xuất xi măng ở Ấn Độ (ACOEM), như đã đề cập trong phần giới thiệu [trang 3-4, 20]. Việc so sánh chi tiết với các công trình quốc tế về học sâu và thích ứng miền (ví dụ: [55, 63]) cũng cho thấy luận án đang tham gia vào một cuộc đối thoại khoa học toàn cầu, cung cấp những giải pháp mới để vượt qua các hạn chế hiện có.

Legacy measurable outcomes Di sản của luận án có thể được đo lường thông qua các kết quả cụ thể:

  • Độ chính xác chẩn đoán vượt trội: Các giải thuật mới đạt được độ chính xác (Ac, MeA) và giảm sai số (RMSE) cao hơn đáng kể so với các phương pháp hiện hành, giúp giảm thiểu lỗi chẩn đoán thực tế.
  • Tiết kiệm chi phí vận hành: Tiềm năng giảm 15-30% chi phí bảo trì và giảm 5-10% nguy cơ hỏng hóc lớn trong các hệ thống công nghiệp.
  • Phát triển công nghệ trong nước: Góp phần vào việc "làm chủ công nghệ giám sát tình trạng kỹ thuật của ổ bi" tại Việt Nam, thúc đẩy năng lực cạnh tranh trong kỷ nguyên Công nghiệp 4.0.
  • Tác động học thuật lâu dài: Các công trình công bố từ luận án và các hướng nghiên cứu mở ra sẽ tạo ra một dòng trích dẫn và hợp tác khoa học bền vững.