Modares Mechanical Engineering

Modares Mechanical Engineering

Fault Diagnosis of Electromotor Acoustically Using Machine Learning Approach

Document Type : Original Research

Authors
vafa samadi 1
Mostafa Mostafaei 2
Ali Nejat Lorestani 2
1 Master student, Department of Biosystems Mechanical Engineering, Razi University, Iran
2 Associate Professor, Department of Biosystems Mechanical Engineering, Razi University, Iran
Abstract
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.
Keywords
Electromotor
audio signal
Machine learning
Fault detection

Subjects

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.
Modares Mechanical Engineering
Volume 21, Issue 8
August 2021
Pages 563-573