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

نوع مقاله : مقاله مستقل

نویسندگان

1 استادیار، دانشکده مهندسی برق، دانشگاه صنعتی شاهرود، شاهرود، سمنان

2 کارشناسی ارشد، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، سمنان

3 استادیار، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، سمنان

چکیده

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.

کلیدواژه‌ها


[1] Marzebali MH, Kia SH, Henao H, Capolino G, Faiz J (2016) Planetary gearbox torsional vibration effects on wound-rotor induction generator electrical signatures. IEEE Trans Ind Appl 52(6): 4770-4780.
[2] Henao H et al (2014) Trends in fault diagnosis for electrical machines: A review of diagnostic techniques. IEEE Ind Electron Mag 8(2): 31-42.
[3] Liu Z, Zhang L (2019) A review of failure modes, condition monitoringand fault diagnosis methods for large-scale wind turbine bearings. Meas 149:  107002.
[4] Nezamivand Chegini S, Kakroudi S, Bagheri A (2019) A new intelligent method for bearing fault detection based on co-integration concept and selecting the optimal feature set at time-varying speed conditions. Journal of Solid and Fluid Mechanics (JSFM) 9(4): 41-57.
[5] Cheng Y, Wang Z, Chen B, Zhang W, Huang G (2019) An improved complementary ensemble empirical mode decomposition with adaptive noise and its application to rolling element bearing fault diagnosis. ISA Trans 91: 218-234.
[6] Mishra C, Samantaray AK, Chakraborty G  (2017) Rolling element bearing fault diagnosis under slow speed operation using wavelet de-noising. Measurement 103: 77-86.
[7] Jiang K, Zhou Y, Chen Q, Han L (2019) In processing fault detection of machinery based on instantaneous phase signal. IEEE Access 7: 123535-123543.
[8] Wang L, Liu Z, Miao Q,  Zhang X (2018) Time–frequency analysis based on ensemble local mean decomposition and fast kurtogram for rotating machinery fault diagnosis. Mech Syst Signal Process 103: 60-75.
[9] Marzebali MH, Faiz J, Capolino G, Kia SH, Henao H (2018) Planetary gear fault detection based on mechanical torque and stator current signatures of a wound rotor induction generator. IEEE Trans Energy Convers 33(3): 1072-1085.
[10] Hedayati Kia S, Hoseintabar Marzebali M (2020) Electrical signatures analysis for condition monitoring of gears. Electrical Systems 1: From Diagnosis to Prognosis 83:119.
[11] Razavi-Far R, et al (2018) Information fusion and semi-supervised deep learning scheme for diagnosing gear faults in induction machine systems. IEEE Trans Ind Electron 66(8): 6331-6342.
[12] Bagheri A, Nezamivand Chegini S, Ramezani Dashtemian M, Najafi F, (2018) Gear fault detection based on best feature selection by particle swarm optimization. Journal of Solid and Fluid Mechanics (JSFM) 8(3): 49-64.
[13] Shao S, McAleer S, Yan R, Baldi P (2018)  Highly accurate machine fault diagnosis using deep transfer learning. IEEE Trans Ind Inform 15(4): 2446-2455.
[14] He M, He D (2017)  Deep learning based approach for bearing fault diagnosis. IEEE Trans Ind Appl 53(3): 3057-3065.
[15] Ghorbanian V, Faiz J, Sabouri M, Ojaghi M (2014) Exact modeling and simulation of saturated induction motors with broken rotor bars fault using winding function approach. Int J Eng 27(1): 69-78.
[16] Gholami M, Shahryari OK,  Tarimoradi H (2021) An extended winding function model for induction machine modelling considering saturation effect. IET Electr Power Appl 15(1): 79-91.
[17] Asad B, Vaimann T, Belahcen A, Kallaste A, Rassõlkin A, Iqbal MN (2020)  Modified winding function-based model of squirrel cage induction motor for fault diagnostics. IET Electr Power Appl 14(9): 1722-1734.
[18] Asad B, Vaimann T, Kallaste A, Rassõlkin A, Belahcen A (2019) Winding function based analytical model of squirrel cage induction motor for fault diagnostics. In 2019 26th International Workshop on Electric Drives: Improvement in Efficiency of Electric Drives (IWED) (pp. 1-6). IEEE.
[19] Cibulka J, Ebbesen MK, Robbersmyr KG (2012)  Bearing fault detection in induction motor-gearbox drivetrain. In Journal of Physics: Conference Series 364(1): 1-20.
[20] Zaremba W, Sutskever I, Vinyals O (2014) Recurrent neural network regularization. arXiv preprint arXiv:1409.2329.
[21] Hochreiter S, Schmidhuber J (1997) Long short-term memory. Neural Comput 9(8): 1735-1780.
[22] Wu S D, Wu PH, Wu CW, Ding JJ,  Wang CC (2012) Bearing fault diagnosis based on multiscale permutation entropy and support vector machine. Entropy 14(8): 1343-1356.
[23] Gu YK, Zhou XQ, Yu DP, Shen YJ (2018) Fault diagnosis method of rolling bearing using principal component analysis and support vector machine. J Mech Sci Technol 32(11): 5079-5088.
[24] Toma RN, Prosvirin AE, Kim JM (2020) Bearing fault diagnosis of induction motors using a genetic algorithm and machine learning classifiers. Sensors 20(7), 1884.
[25] Shao SY, Sun WJ, Yan RQ, Wang P, Gao RX (2017) A deep learning approach for fault diagnosis of induction motors in manufacturing. Chin J Mech Eng-En 30(6): 1347-1356.
[26] Yu L, Qu J, Gao F, Tian Y (2019) A novel hierarchical algorithm for bearing fault diagnosis based on stacked LSTM. Shock and Vibration, 2019.