دوره 21، شماره 8 - ( مرداد 1400 )                   جلد 21 شماره 8 صفحات 573-563 | برگشت به فهرست نسخه ها

‎ 20.1001.1.10275940.1400.21.8.3.5

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
samadi V, Mostafaei M, Lorestani A N. Fault Diagnosis of Electromotor Acoustically Using Machine Learning Approach. Modares Mechanical Engineering 2021; 21 (8) :563-573
URL: http://mme.modares.ac.ir/article-15-44785-fa.html
صمدی وفا، مصطفایی مصطفی، لرستانی علی نجات. تشخیص آکوستیکی عیوب الکتروموتور با استفاده از روش یادگیری ماشین. مهندسی مکانیک مدرس. 1400; 21 (8) :563-573

URL: http://mme.modares.ac.ir/article-15-44785-fa.html

تشخیص آکوستیکی عیوب الکتروموتور با استفاده از روش یادگیری ماشین
وفا صمدی1 ، مصطفی مصطفایی* 2، علی نجات لرستانی1
1- دانشگاه رازی، گروه مهندسی مکانیک بیوسیستم، ایران
2- دانشگاه رازی، گروه مهندسی مکانیک بیوسیستم، ایران ، b.mostafaei@razi.ac.ir
چکیده:   (1390 مشاهده)
یکی از روش­هایی که امروزه برای به حداقل رساندن هزینه نگهداری و تعمیرات تجهیزات صنعتی دوار به کار می­رود، پایش وضعیت به کمک تحلیل صدا می­باشد. این تحقیق با هدف پایش وضعیت به کمک تحلیل صدا برای تشخیص عیب یک الکتروموتور تک فاز از طریق روش یادگیری ماشین انجام شد. شرایط آزمایش شامل حالت سالم، حالت خرابی بلبرینگ، نابالانسی محور و سایش در محور در دو حالت 500 و1400 دور در دقیقه الکتروموتور بود. برای داده‌برداری یک دستگاه میکروفن روی الکتروموتور نصب شد. پس از داده­برداری و پردازش سیگنال و تجزیه و تحلیل آماری نسبت به خوشه­بندی داده­ها به روش یادگیری ماشین و الگوریتم K mean و انتخاب ویژگی­های برتر به روش PCA اقدام شد. سپس برترین ویژگی­ها در فرآیند مدل­سازی ANFIS استفاده شد. ویژگی­های انتخاب شده شامل ویژگی­های انتخاب شده مشترک در هر دو وضعیت دور الکتروموتور بود. پس از ارزیابی مدل­ها، نتایج بالاترین دقت تشخیص عیب در بهترین مدل خروجی مقدار 82/96 درصد بود. میانگین دقت طبقه‌بندی کلی تشخیص عیب 71/95 درصد بود. نتایج نشان داد که آنالیز سیگنال­های صوتی و مدل­سازی با استفاده از روش یادگیری ماشین می­تواند در تشخیص عیوب الکتروموتور استفاده شود. براساس نتایج پایش وضعیت الکتروموتور از طریق آنالیز صوتی موجب کاهش توقفات الکتروموتور و ادامه روند کار آن در صنعت شده و با پایش وضعیت مناسب آن هزینه­های تعمیراتی الکتروموتور کاهش می­یابد.
واژه‌های کلیدی: الکتروموتور، سیگنال صوتی، یادگیری ماشین، تشخیص عیب
متن کامل [PDF 1080 kb]   (1237 دریافت)    
نوع مقاله: پژوهشی اصیل | موضوع مقاله: کنترل
دریافت: 1399/5/7 | پذیرش: 1400/1/1 | انتشار: 1400/5/10
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.