استخراج ویژگی به کمک یادگیری عمیق برای تشخیص و دسته بندی خطاهای مکانیکی یاتاقان در ماشین‌های القایی قفس سنجابی

یاتاقان‌ها یکی از مهمترین اجزای است که در پیشرانه‌های ماشین‌های الکتریکی مورد استفاده قرار می‌گیرد. تشخیص و دسته‌بندی موثر و زودهنگام خطای یاتاقان برای نگهداری پیشرانه یک سیستم الکترومکانیکی بسیار حائز اهمیت خواهد بود. با پیشرفت در سیستم‌های اندازه گیری و دیجیتال، داده‌های گسترده و حجیم به صورت زمان-حقیقی در ماشین‌های الکتریکی در دسترس خواهد بود. با توجه به اینکه تشخیص خطا به کمک روش‌های مرسوم پردازش سیگنال از سیگنال استخراج شده ممکن است به دلایل مختلفی همچون سطح اغتشاش، فرکانس‌های طبیعی سیستم، اشباع هسته، شدت خطا و میزان گشتاور مقاوم امکان پذیر نباشد، روش‌های یادگیری عمیق در این راستا مورد توجه قرار گرفته‌اند. در این مقاله شبکه عمیق یادگیری سری زمانی برای پایش وضعیت یاتاقان در ماشین‌های الکتریکی به منظور دسته‌بندی و شناسایی نوع خطا استفاده شده‌است. نتایج به دست آمده با روش‌های موجود و مرسوم بر روی داده‌های عملی مورد مقایسه قرار گرفته‌است. نتایج بدست آمده از داده‌های عملی نشان می دهد که روش یادگیری عمیق ارائه شده با دقت بالای 90 درصد امکان شناسایی و دسته‌بندی خطای یاتاقان را داراست.

Feature Extraction Based on Deep Learning for Mechanical Bearing Fault Detection and Classification in Squirrel Cage Induction Machine

Bearings are one of the main components used in the drivetrain of electrical machines. Early fault diagnosis and classification of bearing fault for maintenance of electromechanical system are very important. With progresses in measurement and digital systems, extensive range of realtime data can be available in electrical machines. Since fault diagnosis based on signal processing methods from extracted signals may not be possible due to different reasons such as noise level, natural frequencies of system, saturation of core,, severity of fault and load torque, deep learning methods have been considered in recent years. In this paper, time series deep learning method for condition monitoring of bearing in electrical machine for the purpose of detection and classification of fault is considered. Obtained results by means of proposed method have been compared with pervious techniques. Experimental results show that proposed deep learning method can detect and classify bearing fault with accuracy above 90%.