مهندسی مکانیک مدرس

مهندسی مکانیک مدرس

تشخیص آکوستیکی عیوب الکتروموتور با استفاده از روش یادگیری ماشین

نوع مقاله : پژوهشی اصیل

نویسندگان
وفا صمدی
مصطفی مصطفایی
علی نجات لرستانی
دانشگاه رازی، گروه مهندسی مکانیک بیوسیستم، ایران
چکیده
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.
کلیدواژه‌ها
الکتروموتور
سیگنال صوتی
یادگیری ماشین
تشخیص عیب

موضوعات

عنوان مقاله English

Fault Diagnosis of Electromotor Acoustically Using Machine Learning Approach

نویسندگان English

vafa samadi
Mostafa Mostafaei
Ali Nejat Lorestani
Master student, Department of Biosystems Mechanical Engineering, Razi University, Iran
چکیده English

To minimize the cost of maintenance and repair of rotating industrial equipment, one of the methods used is condition monitoring by sound analysis. This study was performed to diagnose the fault of a single-phase electric motor through machine learning method aiming to monitor its situation by sound analysis. Test conditions included healthy state, bearing failure, shaft imbalance and shaft wear at two speeds of 500 and 1400 rpm. A microphone was installed on the electric motor to record data. After data acquisition, signal processing and statistical analysis, the best characteristics were selected by PCA method and then the data were clustered by machine learning method and K mean algorithm. These features used in the ANFIS modeling process were common features selected in both electromotor speed situations. After evaluating the models, the best model had the highest accuracy value of 96.82%. The average accuracy was 96.71% for overall fault classification. The results showed that the analysis of acoustic signals and modeling process can be used to diagnose electromotor defects by machine learning method. Based on the obtained results, condition monitoring of the electromotor through acoustic analysis reduces its stop and continues its work process in the industry. The repair costs of the electromotor are reduced by its proper condition monitoring.

کلیدواژه‌ها English

Electromotor
audio signal
Machine learning
Fault detection
1. ابراهیمی، ا.، باوند پور، م. و آستان، ن. پایش وضعیت مکانیزم نگهدارنده کلاچ تراکتورمسی‌فرگوسن‌285 به کمک آنالیز ارتعاشی و ANFIS، مجله مهندسی زیست سامانه، 1391، جلد 3، شماره 1، صفحه 52-65.
2. الماسی، ح. و رستگار فاطمی، س. تشخیص عیب گیربکس در موتورهای القایی با استفاده از آنالیز سیگنال جریان، چهارمین کنفرانس ملی ایده‌های نو. 1394، دانشگاه آزاد واحد اصفهان (خوراسگان).
3. پایگانه، غ.، نوری خاجوی تهرانی، م.، اسماعیلی، ا. و قاسمی، ا. تشخیص و طبقه‌بندی عیوب موتور احتراق داخلی با استفاده از تبدیل موجک گسسته و شبکه عصبی مصنوعی ششمین کنفرانس تخصصی پایش وضعیت و عیب یابی ایران، 1390، تهران، دانشگاه صنعتی شریف.
4. زمانی، م.، ابونجمی، م. و حسن‌بیگی، س. طراحی، ساخت و آزمون سامانه پایش‌وضعیت جعبه دنده با کمک پردازش سیگنال‌های صوتی، نشریه ماشین‌های کشاورزی، جلد 6، شماره2، نیمسال دوم، 1395 ، صفحه 332-325.
5. Steel JA, Reuben RL. Recent developments in monitoring of engines using acoustic emission. The Journal of Strain Analysis for Engineering Design. 2005;40(1):45-57.
6. Barelli L, Bidini G, Buratti C, Mariani R. Diagnosis of internal combustion engine through vibration and acoustic pressure non-intrusive measurements. Appl Therm Eng. 2009;29(8-9):1707-13.
7. Glowacz A, Glowacz W, Glowacz Z, Kozik J. Early fault diagnosis of bearing and stator faults of the single-phase induction motor using acoustic signals. Measurement. 2018;113:1-9.
8. ابراهیمی، ا.، ملازاده، ک. تشخیص عیب هوشمند موتور استارت تراکتور مسی فرگوسن 285 با استفاده از پایش وضعیت و سیستم استنتاج تطبیقی عصبی فازی، 1389، ششمین کنگره ملی مهندسی ماشین های کشاورزی و مکانیزاسیون، ایران، کرج.
9. نوری‌خاجوی، م. ربیعی، ع. و نصیری، ص. پایش وضعیت و عیب‌یابی ژنراتور الکتریکی خودرو با استفاده از سیگنال‌های ارتعاشی و سامانه استنتاج تطبیقی عصبی فازی. فصلنامه علمی پژوهشی مکانیک هوا فضا، جلد 31 ، شماره2، تابستان 1394، صفحه 33-3.
10. جعفری، س. مهدیقلی، ح. بهزاد، م. تشخیص عیب سایش سنبه با استفاده از روش انتشار صدا، فصلنامه علمی پژوهشی، تحقیقات موتور سال هشتم چاپ بیست و چهار پاییز 1390.
11. Dineva A, Mosavi A, Gyimesi M, Vajda I, Nabipour N, Rabczuk T. Fault diagnosis of rotating electrical machines using multi-label classification. Applied Sciences. 2019;9(23):5086.
12. Ebrahimi E, Mollazade K. Intelligent fault classification of a tractor starter motor using vibration monitoring and adaptive neuro-fuzzy inference system. Insight-Non-Destructive Testing and Condition Monitoring. 2010;52(10):561-6.
13. Likas A, Vlassis N, Verbeek JJ. The global k-means clustering algorithm. Pattern recognition. 2003;36(2):451-61.
14. Amarnath M, Sugumaran V, Kumar H. Exploiting sound signals for fault diagnosis of bearings using decision tree. Measurement. 2013;46(3):1250-6.
15. Abdelkrim C, Meridjet MS, Boutasseta N, Boulanouar L. Detection and classification of bearing faults in industrial geared motors using temporal features and adaptive neuro-fuzzy inference system. Heliyon. 2019;5(8):e02046.
مهندسی مکانیک مدرس
دوره 21، شماره 8
مرداد 1400
صفحه 563-573