BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  24,678,165
  • Công bố khoa học và công nghệ Việt Nam

Khoa học máy tính

Hoàng Văn Tùng, Nguyễn Văn Khanh, Nguyễn Chí Ngôn(1)

Đề xuất giải pháp chẩn đoán hư hỏng động cơ điện không xâm lấn ứng dụng mạng GoogLeNet

Tạp chí Khoa học Giáo dục Kỹ thuật - Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh

2022

66

1859-1272

Chẩn lỗi, Mạng nơ-ron tích chập, Ảnh phổ 2D, Wavelet, GoogLeNet

Chẩn lỗi là một công cụ hữu ích trong vận hành giúp giảm rủi ro và chi phí bảo trì hệ thống. Tuy  nhiên, dữ liệu về hành vi hoạt động danh nghĩa và lỗi của hệ thống thường không được thu thập và  lưu trữ một cách đầy đủ, gây khó khăn cho việc chẩn đoán cũng như đề xuất các phương pháp xác định  lỗi tự động. Nghiên cứu này đề xuất một giải pháp ứng mạng học sâu CNN (Convolutional neural  network) để nhận dạng một số lỗi thông dụng trên động cơ cảm ứng dựa vào âm thanh vận hành. Dữ liệu  âm thanh phát ra từ trên động cơ cảm ứng hai cực 0,37 kW được thu thập trong một số trường hợp như  hoạt động bình thường, mất pha, lệch pha và vỡ bạc đạn. Ảnh phổ 2D của chúng được phân tích bằng  chuyển đổi Wavelet liên tục được sử dụng để huấn luyện và kiểm tra mạng học sâu CNN (GoogLeNet) để  nhận dạng các lỗi trên. Kết quả thực nghiệm cho thấy phương pháp này phát hiện được các lỗi trên  động cơ cảm ứng với độ chính xác lên đến 98,8%.

TTKHCNQG, CVv 389

Xem toàn văn
  • [1] (2021), GoogLeNet convolutional neural network,https://www.mathworks.com/help/deeplearning/ref/googlenet.html
  • [2] (2021), Continuous wavelet transform filter bank,https://it.mathworks.com/help/wavelet/ref/cwtfilterbank.html
  • [3] (2021), Wavelet Toolbox User's Guide,https://www.mathworks.com/help/pdf_doc/wavelet/wavelet_ug.pdf
  • [4] N. Duong-Trung, LD. Quach, CN. Nguyen (2020), Towards Classification of Shrimp Diseases Using Transferred Convolutional Neural Networks,Advances in Science, Technology and Engineering Systems Journal
  • [5] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, LC. Chen (2018), MobileNetV2: Inverted Residuals and Linear Bottlenecks,arXiv preprint
  • [6] Y. Yin, Y. Hu, P. Liu (2011), The research on denoising using wavelet transform,International Conference on Multimedia Technology
  • [7] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, A. Rabinovich (2015), Going deeper with convolutions,Computing Research Repository
  • [8] W. Gong, H. Chen, Z. Zhang, M. Zhang, R. Wang, C. Guan, Q. Wang (2019), A novel deep learning method for intelligent fault diagnosis of rotating machinery based on improved CNN-SVM and multichannel data fusion,Sensors
  • [9] R. Lara, R. Jimenez-Romero, F. Perez-Hidalgo, MD. Redel-Macias (2015), Influence of constructive parameters and power signals on sound quality and airborne noise radiated by inverter-fed induction motors,Measurement
  • [10] PA. Delgado-Arredondo, D. Morinigo-Sotelo, RA. Osornio-Rios, JG. Avina-Cervantes, H. Rostro-Gonzalez, RD. Romero-Troncoso (2017), Methodology for fault detection in induction motors via sound and vibration signals,Mechanical Systems and Signal Processing
  • [11] C. Verucchi, J. Bossio, G. Bossio, G. Acosta (2016), Misalignment detection in induction motors with flexible coupling by means of estimated torque analysis and MCSA,Mechanical Systems and Signal Processing
  • [12] T. Ciszewski, L. Gelman, L. Swedrowski (2016), Current-based higher-order spectral covariance as a bearing diagnostic feature for induction motors,Insight - Non - Destructive Testing and Condition Monitoring
  • [13] J. Jozwik (2016), Identification and monitoring of noise sources of cnc machine tools by acoustic holography methods,Advances in Science and Technology Research Journal
  • [14] R. Yousefi, R. Yusof, R. Arfa (2016), Fault diagnosis of three-phase induction motors based on vibration and electrical current signals,Jurnal Teknologi
  • [15] Y. Li, F. Chai, ZX. Song, ZY. Li (2017), Analysis of vibrations in interior permanent magnet synchronous motors considering air-gap deformation,Energies
  • [16] A. Glowacz, W. Glowacz, Z. Glowacz (2015), Recognition of armature current of DC generator depending on rotor speed using FFT, MSAF-1 and LDA,Eksploatacja i Niezawodnosc – Maintenance and Reliability
  • [17] H. Henao, GA. Capolino, M. Fernandez-Cabanas, F. Filippetti, C. Bruzzese, E. Strangas, R. Pusca, J. Estima, M. Riera-Guasp, S. Hedayati-Kia (2014), Trends in Fault Diagnosis for Electrical Machines A Review of DiagnosticTechniques,IEEE Industrial Electronics Magazine
  • [18] (1987), Report of Large Motor Reliability Survey of Industrial and Commercial Installations: Part 3,IEEE Transactions on Industry Applications