Đề xuất giải pháp chẩn đoán hư hỏng động cơ điện không xâm lấn ứng dụng mạng googlenet
Email tác giả liên hệ:
ncngon@ctu.edu.vnDOI:
https://doi.org/10.54644/jte.66.2021.1070Từ khóa:
Chẩn lỗi, mạng nơ-ron tích chập, ảnh phổ 2D, wavelet, GoogLeNetTóm tắt
Chẩn lỗi là một công cụ hữu ích trong vận hành giúp giảm rủi ro và chi phí bảo trì hệ thống. Tuy nhiên, dữ liệu về hành vi hoạt động danh nghĩa và lỗi của hệ thống thường không được thu thập và lưu trữ một cách đầy đủ, gây khó khăn cho việc chẩn đoán cũng như đề xuất các phương pháp xác định lỗi tự động. Nghiên cứu này đề xuất một giải pháp ứng mạng học sâu CNN (Convolutional neural network) để nhận dạng một số lỗi thông dụng trên động cơ cảm ứng dựa vào âm thanh vận hành. Dữ liệu âm thanh phát ra từ trên động cơ cảm ứng hai cực 0,37 kW được thu thập trong một số trường hợp như hoạt động bình thường, mất pha, lệch pha và vỡ bạc đạn. Ảnh phổ 2D của chúng được phân tích bằng chuyển đổi Wavelet liên tục được sử dụng để huấn luyện và kiểm tra mạng học sâu CNN (GoogLeNet) để nhận dạng các lỗi trên. Kết quả thực nghiệm cho thấy phương pháp này phát hiện được các lỗi trên động cơ cảm ứng với độ chính xác lên đến 98,8%.
Tải xuống: 0
Tài liệu tham khảo
Report of Large Motor Reliability Survey of Industrial and Commercial Installations: Part 3, IEEE Transactions on Industry Applications, vol. IA-23, no. 1, pp. 153-158, 1987. DOI: https://doi.org/10.1109/TIA.1987.4504880
H. Henao, GA. Capolino, M. Fernandez-Cabanas, F. Filippetti, C. Bruzzese, E. Strangas, R. Pusca, J. Estima, M. Riera-Guasp and S. Hedayati-Kia, Trends in Fault Diagnosis for Electrical Machines A Review of DiagnosticTechniques, IEEE Industrial Electronics Magazine, 8 (2), pp. 31-42, 2014. DOI: https://doi.org/10.1109/MIE.2013.2287651
A. Glowacz, W. Glowacz and Z. Glowacz, Recognition of armature current of DC generator depending on rotor speed using FFT, MSAF-1 and LDA, Eksploatacja i Niezawodnosc – Maintenance and Reliability, 17(1), pp. 64-69, 2015. DOI: https://doi.org/10.17531/ein.2015.1.9
Y. Li, F. Chai, ZX. Song and ZY. Li, Analysis of vibrations in interior permanent magnet synchronous motors considering air-gap deformation, Energies, 10(9), 1259, 2017. DOI: https://doi.org/10.3390/en10091259
R. Yousefi, R. Yusof and R. Arfa, Fault diagnosis of three-phase induction motors based on vibration and electrical current signals, Jurnal Teknologi, 78, pp. 129-33, 2016. DOI: https://doi.org/10.11113/jt.v78.7447
J. Jozwik, Identification and monitoring of noise sources of cnc machine tools by acoustic holography methods, Advances in Science and Technology Research Journal, 10(30), pp. 127-137, 2016. DOI: https://doi.org/10.12913/22998624/63386
T. Ciszewski, L. Gelman and L. Swedrowski, Current-based higher-order spectral covariance as a bearing diagnostic feature for induction motors. Insight - Non - Destructive Testing and Condition Monitoring, 58(8), pp. 431-434, 2016. DOI: https://doi.org/10.1784/insi.2016.58.8.431
C. Verucchi, J. Bossio, G. Bossio and G. Acosta, Misalignment detection in induction motors with flexible coupling by means of estimated torque analysis and MCSA. Mechanical Systems and Signal Processing, 80, pp. 570-581, 2016. DOI: https://doi.org/10.1016/j.ymssp.2016.04.035
PA. Delgado-Arredondo, D. Morinigo-Sotelo, RA. Osornio-Rios, JG. Avina-Cervantes, H. Rostro-Gonzalez and RD. Romero-Troncoso, Methodology for fault detection in induction motors via sound and vibration signals. Mechanical Systems and Signal Processing, 83, pp. 568-589, 2017. DOI: https://doi.org/10.1016/j.ymssp.2016.06.032
R. Lara, R. Jimenez-Romero, F. Perez-Hidalgo and MD. Redel-Macias, Influence of constructive parameters and power signals on sound quality and airborne noise radiated by inverter-fed induction motors, Measurement, 73, pp. 503-514, 2015. DOI: https://doi.org/10.1016/j.measurement.2015.05.049
W. Gong, H. Chen, Z. Zhang, M. Zhang, R. Wang, C. Guan and Q. Wang, A novel deep learning method for intelligent fault diagnosis of rotating machinery based on improved CNN-SVM and multichannel data fusion. Sensors, 19, 1693, 2019. DOI: https://doi.org/10.3390/s19071693
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke and A. Rabinovich, Going deeper with convolutions. Computing Research Repository, 2015. DOI: https://doi.org/10.1109/CVPR.2015.7298594
Y. Yin, .Y Hu and P. Liu, The research on denoising using wavelet transform. International Conference on Multimedia Technology, 2011. https://doi.org/10.1109/ICMT.2011.6002276 DOI: https://doi.org/10.1109/ICMT.2011.6002276
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov and LC. Chen, MobileNetV2: Inverted Residuals and Linear Bottlenecks, arXiv preprint, arXiv:1801.04381, 2018. DOI: https://doi.org/10.1109/CVPR.2018.00474
N. Duong-Trung, LD. Quach and CN. Nguyen, Towards Classification of Shrimp Diseases Using Transferred Convolutional Neural Networks, Advances in Science, Technology and Engineering Systems Journal, 5(4), pp. 724-732, 2020. DOI: https://doi.org/10.25046/aj050486
Inc. The MathWorks, Wavelet Toolbox User's Guide, Online, Retrived on August, 2021, from https://www.mathworks.com/help/pdf_doc/wavelet/wavelet_ug.pdf
Inc. The MathWorks, Continuous wavelet transform filter bank, Online, Retrived on August, 2021, from https://it.mathworks.com/help/wavelet/ref/cwtfilterbank.html
Inc. The MathWorks, GoogLeNet convolutional neural network, Online, Retrived on August, 2021, from https://www.mathworks.com/help/deeplearning/ref/googlenet.html
Tải xuống
Đã Xuất bản
Cách trích dẫn
Giấy phép
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
