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 داده برداری 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 طبقه بندی 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.