طراحی و پیاده سازی سامانه هوشمند تشخیص عیوب دینامیکی در موتورهای الکتریکی با تحلیل داده های لرزش و صوت

موتورهای الکتریکی از مهم ترین اجزای سیستم های صنعتی، تولیدی و خدماتی هستند که در انواع کاربردهای حمل ونقل، تهویه، پمپاژ و تولید انرژی مورد استفاده قرار می گیرند. خرابی و بروز عیوب دینامیکی در این تجهیزات، نه تنها موجب افزایش هزینه های تعمیر و نگهداری می شود، بلکه می تواند منجر به توقف کامل خطوط تولید، آسیب به تجهیزات جانبی و کاهش بازدهی سیستم گردد. از این رو، توسعه روش هایی هوشمند، دقیق و غیرتهاجمی برای شناسایی زودهنگام عیوب در موتورهای الکتریکی، به عنوان یک نیاز حیاتی در صنایع نوین مطرح است. در این پژوهش، یک سامانه ی هوشمند تشخیص عیوب دینامیکی در موتورهای الکتریکی ارائه شده که بر پایه ی تحلیل ترکیبی داده های لرزش و صوت طراحی گردیده است. در گام نخست، با بهره گیری از حسگرهای شتاب سنج (Accelerometer) و میکروفون صنعتی، داده های خام از موتورهای تحت آزمایش در شرایط مختلف عملیاتی (سالم، عدم تراز شفت، لقی در یاتاقان، نابالانسی و...) جمع آوری شده اند. سپس سیگنال های ثبت شده تحت فرآیندهای پیش پردازش شامل حذف نویز، نرمال سازی، استخراج مولفه های فرکانسی (با استفاده از FFT) و تحلیل زمان - فرکانس قرار گرفته اند. در مرحله بعد، ویژگی های آماری و فرکانسی موثر شامل دامنه، توان RMS، انحراف معیار، کورتوزیس و طیف توان از سیگنال های لرزش و صوت استخراج شده و با استفاده از تکنیک های کاهش بعد مانند تحلیل مولفه های اصلی (PCA)، ویژگی های کلیدی انتخاب شدند. این ویژگی ها به عنوان ورودی به الگوریتم های یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایه (KNN) و درخت تصمیم (Decision Tree) داده شدند تا دسته بندی دقیق وضعیت عملکرد موتور انجام گیرد. نتایج به دست آمده از پیاده سازی روش پیشنهادی در محیط MATLAB نشان می دهد که ترکیب داده های لرزش و صوت نسبت به استفاده از هرکدام به تنهایی، موجب افزایش دقت تشخیص عیب تا بیش از 93٪ گردیده است. همچنین الگوریتم SVM با کرنل گوسی در این میان، بهترین عملکرد را در دسته بندی چهار وضعیت مختلف موتور داشته است. یکی از مزایای کلیدی روش ارائه شده، امکان پیاده سازی در محیط های صنعتی واقعی با کمترین نیاز به مداخله اپراتور و هزینه پایین اجرایی است. در مقایسه با روش های سنتی تشخیص عیب مانند بازرسی چشمی، اندازه گیری جریان، حرارت سنجی یا استفاده از سیستم های مکانیکی پرهزینه، این سامانه از نظر سرعت، دقت و سادگی بهره برداری، مزایای قابل توجهی دارد. همچنین استفاده از تحلیل صوت، که در بسیاری از مقالات نادیده گرفته شده، نوآوری مهم این مطالعه محسوب می شود و به طور ویژه در شرایطی که نصب حسگر ارتعاش مشکل باشد، اهمیت پیدا می کند. در پایان، پیشنهاداتی برای توسعه آینده سامانه ارائه شده است، از جمله: استفاده از شبکه های عصبی عمیق (Deep Learning) به ویژه CNN و LSTM، تحلیل هم زمان چند حسگر، افزودن داده های حرارتی و تصویری، و همچنین آزمون میدانی سیستم در محیط های صنعتی واقعی به منظور اعتبارسنجی نتایج.

Keywords:

تحلیل صوت , تحلیل لرزش , تشخیص عیوب , درایو موتور الکتریکی , موتور القایی