Kana Cikgemes.docx

Pengakuan kerusakan rotor pada motor DC menggunakan sinyal akustik

Abstrak. Diagnosa motor arus searah listrik sangat penting untuk tanaman industri. Penekanannya adalah pada pengembangan metode diagnostik solusi untuk menangkap, memproses dan mengenali sinyal diagnostik. Makalah ini menyajikan atechnique diagnosis kesalahan awal motor aDC. Pendekatan yang diusulkan didasarkan pada sinyal akustik. Data dunia maya motor DC digunakan dalam analisis. Karya ini menyediakan metode ekstraksi ciri asli yang disebut metode shortened selection selection (SMoFS-15). Hasil yang diperoleh dari analisis yang disajikan menunjukkan bahwa metode diagnostik kesalahan awal dapat digunakan untuk memantau motor DC listrik. Metode yang diusulkan juga dapat mendukung metode diagnosis kesalahan lainnya berdasarkan sinyal termal, arus, dan getaran Kata kunci: sinyal akustik, motor, mesin, diagnosis kesalahan, pengenalan.

1. Perkenalan

Diagnosis dini keadaan motor listrik yang tidak normal memungkinkan pabrik industri untuk menghindari kerugian ekonomi yang berat yang terkait dengan produksi yang dihentikan dan penggantian mesin yang rusak. Motor ADC murah dan mudah dikendalikan, itulah sebabnya dipilih untuk analisis. Untuk menjaga motor listrik dalam kondisi terbaik, metode diagnosis kesalahan dikembangkan. Tujuan dari metode diagnosis kesalahan adalah membuat adecision apakah terjadi kejadian atau tidak. Beberapa tindakan seperti perbaikan, perawatan, dan operasi lainnya harus dilakukan jika terjadi kesalahan [1, 2]. Pengujian motor listrik yang tepat adalah tugas yang sulit. Masalah yang berkaitan dengan diagnostik motor listrik dan peralatan listrik banyak dibahas dalam literatur. Berbagai jenis kesalahan motor, seperti kesalahan listrik rotor, kesalahan stator, dan kesalahan mekanik rotor dijelaskan dalam literatur [2].

Banyak teknik diagnostik menggunakan sinyal saat ini. Diag-nostik motor DC aseparately-excited disajikan [3]. Metode pengukuran saat ini di bar rotor kandang

motor induksi aprototype juga dikembangkan [4]Fitur diagnostik bantalan berbasis Cur-rent untuk motor induksi telah dibahas dalam literatur [5]. Model adiagnostik untuk mesin conveyor longwall dijelaskan [6]. Bahasa asimulasi sistem kelistrikan diskrit kontinu dibahas [7]. Diagnosis kesalahan motor berdasarkan gambar termal dikembangkan. Konsep model athermal rangkaian elektromagnetik dari mesin listrik berputar disajikan [8]. Deteksi kesalahan antar motor induksi dengan menggunakan thermal imaging ditunjukkan [9]. Diagnostik peralatan listrik dengan cara thermovision dikembangkan dalam literatur [10]. Diagnostik motor induksi fasa tunggal menggunakan thermal imaging dibahas [11]. Analisis citra inframerah tersegmentasi untuk mesin berputar diusulkan [12]. Deteksi dini bencana pembakaran spontan juga dijelaskan [13]. Metode yang dipilih analisis citra termal di Matlab dipresentasikan [14]. Termografi termal instalasi listrik dijelaskan [15]. Banyak teknik diagnostik kesalahan berdasarkan getaran sig-nals dikembangkan. Kemajuan diagnosis kegagalan hibrida dalam sistem transmisi gigi disajikan [16]. Dekomposisi bi-dimensional yang diterapkan pada sinyal getaran bantalan bergulir ditunjukkan [17]. Diagnosis kesalahan bantalan untuk motor induksi yang menggunakan sinyal getaran dijelaskan [18]. Diagnosa kesalahan mesin berputar telah dibahas [19]. Pengaruh teknologi pengolahan cakram pada tingkat getaran achipper disajikan [20]. Evaluasi keadaan bantalan rolling dianalisis [21, 22]. Penerapan diagnosa kesalahan vibroakustik terhadap evaluasi cakram rem rel telah dipaparkan [23]. Diagnosis pembersihan katup mesin IC dibahas [24]. Pengukuran vibroakustik yang diterapkan pada pompa roda gigi dijelaskan [25]. De-teksi retakan gigi di kotak lahir diperlihatkan [26] Teknik berdasarkan sinyal akustik mesin dipresentasikan baru-baru ini. Pengaruh parameter dan sinyal daya terhadap kualitas suara disajikan [27]. Pemantauan kondisi

berdasarkan

emisi

akustik

dijelaskan

[28].

Asistem

untuk

mengidentifikasi kondisi teknis mesin pembakaran disuspensikan [29, 30]. Pengukuran kebisingan di mesin CNC dijelaskan [31]. Pemantauan sumber kebisingan alat mesin CNC melalui metode holografi akustik disajikan [32]. Deskriptor sinyal emisi akustik yang dihasilkan oleh sebagian muatan dibahas [33]. Gigi otomatis dan lokalisasi sesar dengan menggunakan getaran dan sinyal

akustik mengalami penurunan [34]. Diagnosis kesalahan bantalan dengan menggunakan sensor emisi akustik disajikan [35]. Pengakuan sinyal akustik motor sinkron dijelaskan [36]. Metodologi untuk deteksi kesalahan pada motor induksi disajikan [37]. Diag-nostik mesin aDC yang menggunakan transformasi wavelet symlet telah dibahas [38]. Diagnosa kesalahan motor sinkron aload dan motor induksi tiga fasa dikembangkan [39, 40]. Fitur di-agnostik untuk pemantauan kondisi gigi hypoid ditunjukkan [41]. Roller bearing ekstraksi tanda tangan akustik menggunakan transformasi wavelet disajikan [42]. Pemrosesan asignal approach for bearing fault diagnosis using AE sensors was described [43]. Analisis morfologi multi-skala dari sinyal emisi akustik untuk kesalahan bantalan dibahas [44].

Keuntungan teknik berdasarkan sinyal akustik adalah harga mikrofon yang rendah. Namun, untuk teknik-teknik ini ada masalah dengan kebisingan yang dihasilkan oleh lingkungan, misalnya kebisingan motor lain.

Makalah ini membahas teknik diagnosis kesalahan motor DC, berdasarkan sinyal akustik. Teknik yang diusulkan menggunakan metode pemilihan frekuensi yang lebih singkat (SMoFS-15), analisis diskriminan linier (LDA), dan tetangga terdekat (NN) dan mean terdekat (NM) algoritma. Makalah ini dibagi lagi menjadi beberapa bagian: bagian 1 berisi pendahuluan dan survei literatur, bagian 2 menyajikan teknik diagnosis kesalahan yang diajukan berdasarkan sinyal akustik motor DC, bagian 3 mengedepankan hasil analisis teknik yang diusulkan. , dan bagian

4

menyimpulkan

temuan.2.Propulasi

teknik

diagnosa

kesalahan

berdasarkan sinyal akustik motor DC

Dalam teknik yang dipertimbangkan, keadaan motor yang sehat dan salah digunakan untuk mengekstrak informasi diagnostik. Teknik diagnosa kesalahan yang diajukan mengemukakan dua proses: proses pembuatan apattern dan proses identifikasi (Gambar 1). Yang pertama menggunakan sampel pelatihan dan yang kedua menggunakan sampel uji sinyal akustik. Sampel dicatat dengan penggunaan

kartu asound dan amicrophone (Gambar 2). Metode deteksi kesalahan berdasarkan perbandingan frekuensi amplitudo

Spektrum sistim mekanis atau listrik "sehat" dan "salah" bergantung pada ketepatan pengukuran. Ketepatan pengukuran tergantung pada kartu suara, mikrofon, set mikrofon, dan kondisi laboratorium. Kebanyakan komputer yang dibuat hari ini dilengkapi dengan sound card yang bagus. Mikrofon terbaik untuk aplikasi ini adalah mi-crop acondenser, karena respons frekuensinya adalah 20 Hz-20 kHz. Penting untuk mendapatkan diagnosa kesalahan kualitas tinggi. Telepon mikro dipasang di depan mesin (Gambar 2). Di laboratorium, satu motor sedang beroperasi. Oleh karena itu, masalah pengakuan beberapa sinyal akustik dihilangkan.

Penulis menggunakan mikrofon Olympus TP-7 dan Zalman ZM-MIC1 con-padat, karena harganya murah. Format track audio yang diperoleh ditandai sebagai berikut: kedalaman 16 bit, jumlah saluran - mono, laju sampling - 44100 Hz,

Format PCM GELOMBANG Sinyal yang direkam diproses menjadi asoundtrack dan selanjutnya, menjadi file audio yang lebih kecil dengan adurasi 5 detik. Sinyal audio dinormalisasi (di kisaran [-1,1]) dan kemudian, spektrum frekuensi dihitung (Hamming window - 32768) [45]. Spektrum yang diperoleh diproses dengan metode shortened selection selection (SMoFS-15). SMoFS-15 dijelaskan di bagian selanjutnya dari makalah ini (bagian 2.1). Hasil metode SMoFS-15 dipilih amplitudo tekanan akustik. Fitur ini (amplitudo tekanan akustik) diklasifikasikan oleh LDA, NN, dan NM. Pola itu berdasarkan sampel pelatihan. Dalam pendekatan yang diusulkan, LDA menggunakan pola dari berbagai kelas yang dipisahkan oleh hyperplane. NN dan NM menggunakan fitur vektor. Hasil akhir dari proses identifikasi adalah hasil kelas yang diakui. Hasil kelas yang diakui didasarkan pada sampel uji.

2.1. Metode shortened seleksi frekuensi (SMoFS-15).

Spektrum FFT yang diperoleh diproses dengan metode pemilihan frekuensi yang dipersingkat (SMoFS-15). Diagram ablock dari metode ekstraksi fitur yang diusulkan ditunjukkan pada Gambar 3. Parameter t bergantung pada jumlah keadaan motor DC yang dianalisis dan jumlah komponen frekuensi –

NoF (jumlah komponen frekuensi) parameter. Terlalu kecil dari sejumlah komponen frekuensi bisa menyebabkan kesalahan. Perbedaan antara komponen

frekuensi yang dipilih dapat memiliki nilai yang berbeda (misalnya perbedaan antara state X dan state Y memiliki amplitudo maksimum untuk komponen frekuensi 120, 240, 360, 480, 600 Hz; perbedaan antara state X dan state Zhad maximum amplitudes for komponen frekuensi 150, 300, 450, 600, 750 Hz; perbedaan antara negara Y dan negara Zhad amplitudo maksimum untuk komponen frekuensi

200, 400, 600, 800, 1000 Hz, oleh karena itu menyatakan X, Y, dan Zhad satu frekuensi umum 600 Hz). Namun, ada kemungkinan bahwa komponen frekuensi tidak ada. Untuk mengatasi masalah ini, parameter t dihitung sesuai rumus (1) dan (2). Bila NoF lebih besar dari 15, maka akan dilakukan perhitungan loop (2). Jika NoF lebih kecil atau sama dengan 15, SMoFS-15 menyelesaikan perhitungannya. Ambang batas NoF telah dipilih sebagai 15. Tentu saja, para penulis dapat memilih ambang NoF lain, misalnya 16, namun dalam kasus ini, akhirnya vektor fitur akan memiliki fitur 1-16. Jadi, parameter ini harus dipilih secara eksperimental. Menurut penulis, ambang batas NoF sebesar 15 adalah baik, karena pengoperasian pada terlalu banyak fitur tidak optimal untuk langkah selanjutnya, yaitu klasifikasi.

dimana: t - ambang batas amplitudo pilihan dari tekanan akustik (tergantung pada NoF dan sinyal akustik yang dianalisis), NoF

- Jumlah komponen frekuensi (awalnya NoF = 16384), karena 16384 adalah jumlah komponen frekuensi yang diperoleh dengan menggunakan FFT.

Amplitudo tekanan akustik dari sinyal akustik motor DC, yang dihitung oleh SMoFS -15, digunakan untuk membentuk vektor peringatan. Akhirnya, vektor fitur yang diperoleh memiliki bobot 1-15. Perbedaan antara spektrum sinyal akustik motor DC yang sehat dan spektrum sinyal akustik motor aDC dengan 6 kumparan rotor pendek disajikan pada Gambar 4. (SMoFS-15 menyelesaikan perhitungannya, sebagai NoF <15). SMoFS-15 melakukan 1 iterasi lagi bila t = 0.0051 dan

NoF = 30, karena NoF> 15 (Gambar 5). Dipilih SMoFS-15

Gambar 4. Perbedaan antara spektrum sinyal akustik motor DC sehat dan spektrum sinyal akustik motor DC dengan 6 kumparan rotor shortir (kecepatan rotor = 400 rpm, t = 0,0072,

NoF = 8, perhitungan selesai SMoFS-15)

IG.

5.

Perbedaan antara spektrum sinyal akustik motor DC yang sehat dan spektrum sinyal akustik motor DC dengan 6 kumparan rotor shortir (kecepatan rotor = 400 rpm, t = 0,0051, NoF = 30, SMoFS-15 tidak 1 iterasi lebih, karena NoF> 15)

Gambar 6. Komponen frekuensi yang dipilih untuk perbedaan antara spektrum sinyal akustik motor DC yang sehat dan spektrum sinyal akustik motor DC dengan 6 kumparan rotor shorted menggunakan

SMoFS-15 (kecepatan rotor = 400 rpm)

Gambar 7. Komponen frekuensi yang dipilih untuk perbedaan antara spektrum sinyal akustik motor DC yang sehat dan spektrum sinyal akustik motor DC dengan kumparan yang rusak dan 6 kumparan rotor pendek menggunakan SMoFS-15 (kecepatan rotor = 400 rpm)

Gambar 8. Komponen frekuensi yang dipilih untuk perbedaan antara spektrum sinyal akustik motor DC dengan 6 kumparan rotor shorted dan spektrum sinyal akustik motor DC dengan kumparan yang rusak.

dan 6 kumparan rotor pendek menggunakan SMoFS-15 (kecepatan rotor = 400 rpm) Sinyal akustik motor DC yang sehat

Sinyal akustik motor DC dengan 6 kumparan rotor pendek

Sinyal akustik motor DC

dengan kumparan yang patah dan 6 kumparan rotor pendek Sinyal akustik motor DC yang sehat

Sinyal akustik motor DC dengan 6 kumparan rotor pendek

Sinyal akustik motor DC dengan kumparan yang patah dan 6 kumparan rotor pendek

Sinyal akustik motor DC yang sehat

Sinyal akustik motor DC dengan 6 kumparan rotor pendek

Sinyal akustik motor DC dengan kumparan putus dan 6 rotor korsleting

Gambar. 9. Frekuensi umum untuk keadaan yang dianalisa dari motor DC (300 Hz) menggunakan SMoFS-15 komponen frekuensi untuk perbedaan antara spektrum sinyal akustik motor DC yang sehat dan rusak (Gambar 6–8). Satu frekuensi (300 Hz) adalah umum untuk negara yang dianalisis

motor DC (Gbr. 9). Vektor fitur terdiri dari yang dipilih amplitudo tekanan akustik (frekuensi 300 Hz). Vektor ini digunakan dalam langkah klasifikasi (Gbr. 9)

2.2. Penggolong analisis. Metode yang bertanggung jawab untuk membuatnya keputusan digunakan dalam langkah klasifikasi. Klasifikasi vektor fitur digambarkan dalam literatur [46-63]. Di pendekatan yang disajikan, vektor fitur elemen tunggal diperoleh. Untuk alasan ini, langkah klasifikasi bisa dipilih dengan berbagai cara , Sebagian besar vektor fitur yang didapat dipisahkan secara linear, oleh karena itu banyak metode klasifikasi dapat digunakan untuk memecahkan masalah seperti: logika fuzzy [46], pengelompokan metode [47], terdekat berarti, penggolongan tetangga k-terdekat[36,48, 49], jaringan saraf [50–55], Bayes naif penggolong[56], classifier berdasarkan kata coding [36], diskriminan linear analisis (LDA) [57, 58], mendukung mesin vektor [59, 60], aturan berdasarkan pada teori set kasar [61], Gaussian model campuran (GMM) [62, 63]. Itu penulis memutuskan untuk menganalisis LDA, yang terdekat tetangga (NN) penggolong,dan itu terdekat berarti

(NM)

penggolong

karena mereka memiliki kompleksitas komputasional yang kecil. LDA menghitung rasio antara-kelas varians ke dalam kelas varians (Det j B j / Det j W j ). Matriks sebaran antar-kelas adalah diungkapkan dengan rumus berikut

trix diungkapkan dengan rumus (3): Enam loop kumparan rotor disingkat menggunakan resistansi Rsc = 0,085 mΩ. Resistensi ini terhubung dengan kumparan rotor dari motor. di mana μ menunjukkan mean dari semua set pelatihan, x, μ - vektor dari dimensi sama dengan jumlah frekuensi umum yang dipilih komponen.

Matriks pencar dalam kelas didefinisikan sebagai berikut

dimana μk menunjukkan rata-rata kelas k, xi k di mana μ menunjukkan rata-rata semua set latihan, x, μ vektor dimensi sama dengan jumlah yang dipilih umum komponen frekuensi. Gambar. 10. Skema lilitan rotor motor DC yang sehat adalah contoh dengan - Motor DC dengan kumparan rusak dan 6 rotor korsleting (Gbr. 12): Uav = 34 V, Iac = 46,25 A, Uev = 165,3 V, Icsc = 2,5 A, Isc = 81 A, indeks i dari kelas k, c menunjukkan jumlah kelas pelatihan set, dan Nk adalah jumlah sampel kelas k. Keterpisahan kelas tergantung pada perhitungan rasio (Det j B j / Det j W j ). LDA dibahas secara lebih rinci di literatur [57, 58]. Itu Terdekat Tetangga penggolong terukur itu paling sedikit jarak antara semua sampel pelatihan. Itu classifier memilih paling kelas serupa untuk menguji sampel. Itu Penggolongan Mean terdekat bekas hitung berarti sebagai gantinya dari latihan mencicipi. Itu yang tersisa tangga adalah sama sebagai dalam kasus ini menggunakan NN. Itu penulis bekas Jarak Manhattan untuk dua pengklasifikasi ini (NN, NM). Lebih tentang penggolongan tetangga terdekat tersedia di literatur [36, 48]

3. Analisis sinyal akustik dari motor DC

Classifier tetangga terdekat diukur paling sedikit memilih kelas yang paling mirip untuk menguji sampel. Itu Classifier terdekat Mean digunakan daripada mean aritmetik contoh pelatihan. Langkah-langkah yang tersisa sama seperti di kasus menggunakan NN. Para penulis menggunakan Manhattan jarak untuk dua pengklasifikasi ini (NN, NM). Lebih tentang classifier Tetangga terdekat tersedia di literatur [36, 48]. Dalam analisis yang dilakukan, sinyal akustik dari motor DC dipekerjakan untuk mengidentifikasi keadaan motor. Negara bagian Motor DC adalah sebagai berikut: motor DC yang sehat, motor DC dengan 6 kumparan rotor korslet, dan motor DC dengan kumparan rusak dan 6

kumparan rotor yang dipendekkan. Motor DC memiliki kecepatan rotor 400 rpm dan daya motor P = 13000 W. Parameter motor DC adalah sebagai berikut: Motor DC yang sehat (Gbr. 10): Uav = 35 V, Iac = 46,5 A, U_ = 159,6 V, IEC = 2,5 A

Gambar. 10. Skema gulungan rotor motor DC yang sehat

-

Motor DC dengan 6 rotor korsleting (Gbr. 11): Uav = 34 V,

Iac = 45,75 A, Uev = 162,8 V, Iec = 2,5 A, Icsc = 83 A

Gambar. 11. Skema gulungan rotor motor DC dengan 6 kumparan shorted

-- Motor DC dengan kumparan rusak dan 6 rotor korsleting (Gbr. 12): Uav = 34 V, Iac = 46,25 A, Uev = 165,3 V, Icsc = 2,5 A, Isc = 81 A

Gambar. 12. Skema lilitan rotor motor DC dengan kumparan rusak dan 6 kumparan shorteddimana: Uav - tegangan jangkar dari motor DC, Iac – armature arus motor DC, Uev - tegangan eksitasi DC motor, Iec - arus eksitasi dari motor DC, Icsc – arus dari arus pendek. Enam loop kumparan rotor disingkat menggunakan resistensi Rs c = 0,085 mΩ. Resistensi ini terhubung ke rotor kumparan motor.Dua belas sampel pelatihan dan 75 sampel uji digunakan di analisis. Sampel masing-masing berdurasi 5 detik. Itu Sampel yang disebutkan digunakan untuk mengevaluasi efisiensi pengakuan dari sinyal akustik. Ini efisiensi oleh

dari semua sampel yang digunakan untuk identifikasi, E - efisiensi pengakuan sinyal akustik. di mana: NPRTS - jumlah tes yang diakui dengan benar sampel, NATS - jumlah semua sampel yang digunakan untuk identifikasi, E – efisiensi recognit

didefinisikan sebagai: didefinisikan

Total efisiensi pengakuan sinyal

akustik adalah

dimana: TERAS - Total efisiensi pengakuan akustik sinyal, Eh - efisiensi pengakuan sinyal akustik dari motor DC yang sehat, Es - efisiensi pengakuan akustik sinyal motor DC dengan 6 rotor korsleting, Esb - efisiensi dari pengakuan dari akustik sinyal dari itu DC motor dengan rusak koil dan 6 rotor korsleting. Itu hasil pengakuan sinyal akustik motor DC dengan penggunaan SMoFS-15 dan LDA disajikan dalam Tabel 1 Itu nilai E berada di kisaran 76-100% dan nilai TERAS 84%. Tabel

1

Hasil pengenalan sinyal akustik motor DC dengan penggunaan SMoFS-15 dan analisis diskriminan linier (LDA)

Hasil pengakuan sinyal akustik motor DC dengan penggunaan SMoFS-15 dan NN disajikan pada Tabel 2. Nilai E berada di kisaran 56-96% dan nilai TERAS adalah 70,66%

Tabel 2

Hasil pengenalan sinyal akustik motor DC dengan penggunaan SMoFS-15, tetangga terdekat (NN

Hasil pengakuan sinyal akustik motor DC dengan penggunaan SMoFS-15 dan NM disajikan pada Tabel 4.3. Nilai E berada di kisaran 36-100% dan nilai TERAS adalah 70,66%

Tabel 3 Hasil pengenalan sinyal akustik motor DC dengan penggunaan SMoFS15, Terdekat Mean (NM)

4. Kesimpulan

Dalam pendekatan ini, penulis menggunakan data dunia nyata. Pengukuran dilakukan dengan menggunakan mikrofon kapasitor untuk Sebuah sehat Motor DC dan untuk Sebuah DC motor dengan kesalahan. Itu kertas disajikan teknik diagnosis kesalahan a DC motor. Itu teknik itu berdasarkan pada pengakuan sinyal akustik. Itu kerja disediakan sebuah asli fitur ekstraksi metode bernama SMoFS15. Saya t ditunjukkan itu dengan menggunakan itu metode yang diusulkan (SMoFS-15) hasil pengakuan yang baik dapat diperoleh. Itu total efisiensi pengakuan sinyal akustik DC motor sama dengan 84% untuk analisis diskriminan

linear. Saya t adalah mengejutkan bahwa terdekat tetangga dan itu terdekat berarti pengklasifikasi memiliki efisiensi yang lebih rendah pengakuan dari LDA. Itu disajikan teknik menemukan sebuah aplikasi di awal kesalahan diagnosa dari Motor DC yang sama mengetik dan ukuran. Jika itu pola adalah tepat disiapkan, mesin listrik lainnya dapat didiagnosis menggunakan teknik yang diusulkan. Itu disajikan teknik kesalahan diagnosa aku s tidak mahal, sebagai itu komputer bersama dengan Sebuah mikropon biaya sekitar $ 300. Itu diusulkan teknik bisa juga mendukung teknik diagnosis kesalahan lainnya berdasarkan thermal, arus, dan getaran sinyal. Masa depan diagnostik sistem akan menggunakan sinyal yang disebutkan untuk membuat keputusan tentang keadaan Sebuah mesin. Di dalam cara, sistem diagnostik yang lebih andal untuk berputar mesin listrik akan digunakan di industri

Ucapan terima kasih. Karya ini telah didukung oleh AGH University Sains dan Teknologi, hibah tidak. 11.11.120.612 (Adam Głowacz) dan hibah tidak. 11.11.120.354. (Zygfryd Głowacz)