25629

عيب يابي ياتاقان موتور القايي با استفاده از يادگيري ماشين و يادگيري تجمعي

كارشناسي ارشد

مهندسي برق - كنترل

1399-1400

1400/08/25

دكتر جواد پشتان

مهندسي برق

ياتاقان‌ها از تجهيزات حساس در موتورهاي القايي هستند. بنابراين براي جلوگيري از خسارت هاي ناشي از عيوب ياتاقان، بايد پايش وضعيت آن‌ها مورد توجه قرار بگيرد. وقوع عيب در ياتاقان‌ها باعث تغير رفتار ارتعاشي و ويژگي هاي فركانسي آن ميشود. بنابراين تحليل ارتعاشات از روش‌هاي رايج در پايش وضعيت ياتاقان بوده و طراحي سيستم تشخيص هوشمند براي عيب‌يابي آن‌ها، از جايگاه ويژه‌اي برخوردار است. عيب‌يابي، بر پايه‌ي داده‌برداري از ياتاقان، پردازش داده‌ها و طبقه‌بندي عيوب مختلف استوار است. بيشتر مطالعات صورت گرفته براي عيب‌يابي ياتاقان تحت شرايط سرعت ثابت ميباشد كه اين موضوع از شرايط عملياتي و صنعتي دور است. در اين پژوهش از داده‌هاي دانشگاه اوتاوا استفاده شده است كه شامل داده‌هاي ارتعاش و سرعت چرخش ميباشند. پس از پردازش داده ها و استخراج ويژگي‌هاي مناسب در حوزه‌هاي زماني و فركانسي، اين ويژگي‌ها به عنوان ورودي به دسته بندها اعمال ميشود تا فرآيند عيب‌يابي انجام شود. دسته‌بندي كه دراين مطالعه استفاده‌شده‌است درخت تصميم ميباشد. يادگيرهاي جمعي باعث افزايش دقت دسته‌بندهاي پايه ميشوند. دو ديدگاه كلي در خصوص يادگيرهاي جمعي وجود دارد كه نتيجه آن دسته بندهاي جنگل تصادفي و adaboost ميباشند. ارزيابي نتايج بدست آمده نشان ميدهد كه استفاده از يادگيرهاي جمعي سبب افزايش دقت دسته‌بندي عيوب مختلف و فرآيند عيب‌يابي ميگردد.

1400/09/15

fault diagnosis of induction motor bearings using machine learning and ensembled learning

11/16/2022 12:00:00 AM

Bearings are sensitive equipment in induction motors. Therefore, to prevent damage due to bearing defects, their condition should be monitored. Defects in bearings cause changes in vibrational behavior and frequency characteristics. Therefore, vibration analysis is one of the common methods in bearing condition monitoring and the design of intelligent detection system to troubleshoot them has a special place. Fault detection is based on bearing data collection, data processing and classification of various defects. Most studies have been performed to fault diagnosis of bearings under constant speed conditions, which is far from the operational and industrial conditions. The study used data from the University of Ottawa, which includes vibration and rotation speed data. After processing the data and extracting the appropriate features in the time and frequency domains, these features are applied as input to the classifiers to perform the fault detection process. The classifier used in this study is the decision tree. Ensembled learning increases the accuracy of basic classifiers. Evaluation of the obtained results shows that the use of ensembled learning increases the accuracy of different defects classification and fault diagnosis process.