تشخیص آکوستیکی عیوب الکتروموتور با استفاده از روش یادگیری ماشین

یکی از روش هایی که امروزه برای به حداقل رساندن هزینه نگهداری و تعمیرات تجهیزات صنعتی دوار به کار می رود، پایش وضعیت به کمک تحلیل صدا می باشد. 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 داده برداری و پردازش سیگنال و تجزیه و تحلیل آماری نسبت به خوشه بندی داده ها به روش یادگیری ماشین و الگوریتم k mean و انتخاب ویژگی های برتر به روش pca اقدام شد. سپس برترین ویژگی ها در فرآیند مدل سازی anfis استفاده شد. ویژگی های انتخاب شده شامل ویژگی های انتخاب شده مشترک در هر دو وضعیت دور الکتروموتور بود. پس از ارزیابی مدل ها، 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 سیگنال های صوتی و مدل سازی با استفاده از روش یادگیری ماشین می تواند 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 هزینه های تعمیراتی الکتروموتور کاهش می یابد.

Fault Diagnosis of Electromotor Acoustically Using Machine Learning Approach

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 singlephase 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.