30792

پايش سلامت داده محور يك موتور DC با استفاده از روش SVM

كارشناسي ارشد

مهندسي راه آهن

1399

1402/08/03

دكتر بهمن قرباني واقعي

راه آهن

لكوموتيوهاي ديزل به‌عنوان قلب موتورهاي كششي شناخته مي‌شود و عيب در اين موتورها مي‌تواند به‌كلي عملكرد لكوموتيو و قطار را مختل كند. يكي از قطعات بسيار مهم لكوموتيوهاي ديزل، موتورهاي استارت (يك نوع موتور جريان مستقيم) هستند كه عامل به حركت درآمدن و روشن شدن لكوموتيوها مي‌باشند. خرابي در اين موتورها مي‌تواند عملكرد لكوموتيو را مختل كند لذا پايش سلامت موتورهاي استارت از اهميت بالايي برخوردار است. در سال‌هاي اخير تكنيك‌هاي تشخيص عيب مبتني برداده، به دليل سرعت، دقت و بي‌نيازي از مدل سيستم موردبحث، بسيار مورد توجه قرارگرفته است. ازاين‌رو در صنايع مختلف به‌خصوص در صنعت راه‌آهن استفاده از يادگيري ماشين به موضوع اصلي تحقيقات درآمده است. تكنيك‌هاي تشخيص عيب مبتني بر داده به‌طوركلي از 3 قسمت اصلي تشكيل‌شده‌اند كه شامل دريافت داده، استخراج ويژگي و دسته‌بندي مي‌باشند. در اين پايان‌نامه به‌منظور پايش سلامت موتور استارت لكوموتيو ديزل از 46 موتور استارتر لكوموتيو استفاده شده است كه 28 موتور خراب و 18 موتور سالم مي‌باشند. براي پايش اين موتورها سيگنال‌هاي جريان و سرعت از سيستم دريافت مي‌شود. با توجه به غير ايستا بودن و نام تناوب بودن سيگنال‌هاي جريان موتور DC، ويژگي‌هاي زماني و فركانسي، به تنهايي نمي‌توانند نماينده مناسبي از سيگنال مذكور براي ارائه شدن به دسته‌بندي كننده باشند. لذا براي رفع اين مشكل، تبديل موجك گسسته براي استخراج ويژگي‌هاي زمان- فركانس مورد استفاده قرار گرفته است. اين كار با استفاده از تابع db 4 در 9 سطح انجام گشت، بعد از آن با استفاده از روش انتخاب ويژگي t-score مشاهده شد كه در سطح 9 و 7 ويژگي‌هاي بهتري مي‌توان استخراج كرد. سپس از ضرائب جزئيات DWT، ويژگي‌هاي چولگي، كشيدگي، ميانگين، RMS، انحراف معيار و MAD استخراج شد. ويژگي‌هاي استخراج شده درنهايت در اختيار ماشين بردار پشتيبان قرار گرفته مي‌شود. 80% داده ها به‌عنوان داده آموزشي و 20% به‌عنوان داده تست استفاده شده است. در 80% داده آموزشي با استفاده از ارزيابي متقاطع و روش جستجوي شبكه‌اي، ابرپارامتر هاي بهينه ماشين بردار پشتيبان محاسبه شده است كه درنهايت بهترين ابرپارامتر هاي بهينه C و ϒ به دست آمدند. پس از آموزش دادن ماشين بردار پشتيبان، داده هاي تست، مدل به دست آمده با استفاده از معيار FAR و MAR كه به ترتيب تعيين كننده تشخيص عيب هاي اشتباه و تشخيص عيب هاي از دست رفته موتورهاي استارت مي باشد؛ ارزيابي مي‌شود، كه درنهايت نشان داده مي‌شود كه با ارزيابي فوق روش ماشين بردار پشتبان بسيار كارآمد خواهد بود.

1403/02/11

Data-driven health monitoring of a DC motor using SVM method

1/1/1900 12:00:00 AM

Nowadays, due to the increasing growth of the railway industry and the increase in the speed of trains, the need for maintenance and repair of railway systems has become the main need of the railway industry. In recent years, data-driven fault diagnosis techniques have received much attention due to their speed, accuracy, and lack of the system model. Therefore, in various industries, especially in the railway industry, the use of machine learning has become the main subject of research. Data-based fault diagnosis techniques generally consist of 3 main parts: data acquisition, feature extraction, and classification. Diesel locomotives are known as the heart of traction engines, and a fault in these engines can completely disrupt the performance of the locomotive and the train. One of the most important parts of diesel locomotives are starter motors (a type of direct current motor). which are responsible for moving and turning on the locomotives. To monitor these motors, current and speed signals are received from these motors. To use these signals in classifiers and to identify the pattern of healthy and defective signals, the characteristics of these signals are extracted by wavelet transformation. The discrete wavelet transformation method was used in 9 levels, which provides time-frequency features. Then, from the detail levels of these signals, statistical features such as skewness, elongation, etc. were extracted. This greatly increased the separability of the data, so that relatively simpler classifiers could be used to separate the data from each other. 80% of the data is used as training data and 20% of the remaining data is used as test data. Then, using the cross validation method, the hyperparameters of the support vector machine are updated and the best hyperparameters are selected by greedy search. Finally, after applying SVM on the test data, we reach the results of FAR = 0.2 and MAR = 0.0. Considering that the MAR criterion is a very important criterion in the railway industry, it is a favorable result compared to the volume of data.

لكوموتيو ديزل , تشخيص عيب , موتورهاي الكتريكي , ماشين بردار پشتيبان

Diesel locomotive , fault diagnosis , electric motors , support vector machine

Amirhosein Karimi

Bahman Ghorbani Vaghei