33244

تشخيص و طبقه بندي هوشمند عيوب ماشين آلات صنعتي بر اساس سيگنالهاي ارتعاشي و با استفاده از يادگيري عميق

كارشناسي ارشد

مهندسي برق

1401

1403/11/28

شهريار برادران شكوهي

-

مهندسي برق

الكتروموتورها به‌عنوان قلب تپنده بسياري از سيستم‌هاي صنعتي، نقش حياتي در فرآيندهاي توليد ايفا مي‌كنند. خرابي‌هاي اين موتورها مي‌توانند تأثيرات منفي جدي بر عملكرد سيستم‌هاي توليدي و هزينه‌هاي نگهداري داشته باشند. تشخيص زودهنگام اين خرابي‌ها نه تنها موجب كاهش هزينه‌هاي تعمير و نگهداري مي‌شود، بلكه بهره‌وري كل سيستم را نيز افزايش مي‌دهد. بنابراين، پژوهش‌هايي در اين زمينه بر روي سيستم‌هاي نظارتي و تشخيص خرابي متمركز شده‌اند كه مي‌توانند با بهره‌گيري از سيگنال‌هاي ارتعاش، خرابي‌ها را به‌طور مؤثر شناسايي كنند. در اين پژوهش، يك سنسور ارتعاش طراحي و ساخته شد تا سيگنال‌هاي ارتعاش ناشي از عملكرد يك الكتروموتور را در شرايط عملياتي مختلف و تحت گشتاور و سرعت‌هاي متفاوت جمع‌آوري و ذخيره كند. مجموعه داده‌اي كه بدست آمد شامل وضعيت‌هاي سالم و خرابي‌هاي متنوع از جمله لنگي، ناهمترازي، خطاي بلبرينگ و خطاي روان‌كاري بود. ويژگي‌هاي زماني-فركانسي اين سيگنال‌ها با استفاده از تبديل فوريه كوتاه‌مدت با طول پنجره‌هاي متفاوت استخراج شد. سپس ويژگي‌هاي استخراج شده به يك شبكه عصبي كانولوشني سه‌بعدي براي طبقه‌بندي خرابي‌ها وارد شد. نتايج آزمايش‌ها نشان داد كه مدل پيشنهادي توانسته است با دقت 98.33% خرابي‌ها را شناسايي و طبقه‌بندي كند. اين دقت بالا به دليل توانايي شبكه در استخراج ويژگي‌هاي پيچيده از داده‌هاي چندبعدي ارتعاش و استفاده از طول‌هاي مختلف پنجره در تبديل فوريه كوتاه‌مدت است. انتخاب طول پنجره تأثير زيادي بر توان تفكيك‌پذيري زماني و فركانسي دارد؛ پنجره‌هاي كوتاه‌تر بر ويژگي‌هاي زماني تمركز دارند و امكان تشخيص تغييرات سريع در سيگنال را فراهم مي‌كنند، در حالي كه پنجره‌هاي بلندتر توان تفكيك‌پذيري بهتري در حوزه فركانس ارائه مي‌دهند. اين تعادل بين تفكيك‌پذيري زماني و فركانسي باعث استخراج ويژگي‌هاي دقيق‌تر از سيگنال‌هاي ارتعاش مي‌شود كه به بهبود دقت تشخيص خرابي‌ها كمك مي‌كند. اين نتايج نشان‌دهنده پتانسيل بالاي اين روش در تشخيص خرابي‌هاي موتورهاي الكتريكي و بهبود سيستم‌هاي نگهداري پيش‌بينانه در صنعت است.

1404/01/24

Intelligent Diagnosis and Classification of Industrial Machinery Faults based on Vibration Signals and using Deep Learning

2/16/2026 12:00:00 AM

Electric motors, as the heart of many industrial systems, play a vital role in production processes. Failures in these motors can have significant negative impacts on the performance of production systems and increase maintenance costs. Early detection of these failures not only reduces maintenance and repair costs but also improves overall system productivity. Therefore, research in this field has focused on monitoring systems and fault diagnosis methods that can effectively identify failures using vibration signals. In this study, a vibration sensor was designed and constructed to collect and store vibration signals generated by the operation of an electric motor under different operating conditions, with varying torque and speed. The resulting dataset included both healthy states and various faults, including unbalance, misalignment, bearing failure, and lubrication failure. Time-frequency features of these signals were extracted using the Short-Time Fourier Transform (STFT) with different window lengths. The extracted features were then fed into a 3D Convolutional Neural Network (CNN) for fault classification. Experimental results showed that the proposed model achieved a fault classification accuracy of 98.33%. This high accuracy is attributed to the model's ability to extract complex features from multidimensional vibration data and its use of various window lengths in the Short-Time Fourier Transform. The choice of window length significantly impacts the time-frequency resolution. Shorter windows focus on time-domain features and enable the detection of rapid changes in the signal, while longer windows provide better frequency-domain resolution. This balance between time and frequency resolution enhances the accuracy of feature extraction from vibration signals, thereby improving fault detection performance. These results highlight the high potential of this approach for fault diagnosis of electric motors and the enhancement of predictive maintenance systems in industry.

طبقه‌بندي عيوب , ارتعاش , تعميرونگه‌داري پيش‌گويانه , شبكه عصبي كانولوشني , تبديل فوريه كوتاه‌مدت

Fault Classification , Vibration , Predictive Maintenance , Convolutional Neural Network , Short-Time Fourier Transform

mojgan amini

shahriar baradaran shokouhi