Chẩn Đoán Thời Gian Thực Không Xâm Lấn Lỗi Động Cơ Điện Ba Pha
Email tác giả liên hệ:
vankhanh@ctu.edu.vnDOI:
https://doi.org/10.54644/jte.72B.2022.1231Từ khóa:
Chẩn đoán lỗi không tiếp xúc, ảnh phổ tần số, esp32, mạng học sâu, hệ thống nhúngTóm tắt
Mục tiêu của bài báo là ứng dụng mạng học sâu chạy trên nền tảng hệ thống nhúng để chẩn đoán thời gian thực lỗi động cơ điện ba pha bằng phương pháp không tiếp xúc dựa trên tiếng ồn phát ra. Để thực hiện điều này, trước tiên, các mạng học sâu cần được thiết kế và huấn luyện trên máy tính trước khi được chuyển đổi thành mạng tương đương phù hợp với hệ thống nhúng. Ngõ vào của mạng là ảnh phổ hai chiều của tiếng ồn phát ra từ động cơ trong bốn trường hợp: bình thường, lệch pha, mất pha và vỡ bạc đạn. Thời gian thực thi và độ chính xác của các cấu trúc mạng học sâu sẽ được khảo sát trên ba vi điều khiển là ESP32, ESP32-C3 và nRF52840 để chọn ra vi điều khiển và kiến trúc mạng phù hợp nhất để chạy thời gian thực. Kết quả thực nghiệm cho thấy các kiến trúc mạng học sâu đề nghị đã chẩn đoán tốt các lỗi động cơ trên cả hai nền tảng máy tính và hệ thống nhúng với độ chính xác cao nhất tương ứng là 99,7% và 99,3%. Đặc biệt khi chạy thời gian thực kiến trúc mạng đã chọn trên hệ thống nhúng cũng đã cho kết quả ban đầu rất ấn tượng với thời gian nhận dạng và độ chính xác tương ứng là 1,7 giây và 72%.
Tải xuống: 0
Tài liệu tham khảo
H. Henao et al., “Trends in fault diagnosis for electrical machines: A review of diagnostic techniques,” IEEE Industrial Electronics Magazine, 8 (2), pp. 31-42, 2014, doi: 10.1109/MIE.2013.2287651. DOI: https://doi.org/10.1109/MIE.2013.2287651
W. Gong et al., “A novel deep learning method for intelligent fault diagnosis of rotating machinery based on improved CNN-SVM and multichannel data fusion”. Sensors, 19, 1693, 2019, doi: 10.3390/s19071693. DOI: https://doi.org/10.3390/s19071693
H. V. Tung, N. V. Khanh, N. C. Ngon, “Proposal of noninvasive failure diagnosis of electrical motor using googlenet,” The Journal of Technical Education Science, no. 66, pp. 3-6, Oct. 2021, doi: 10.54644/jte.66.2021.1070. DOI: https://doi.org/10.54644/jte.66.2021.1070
Mathworks, “Predictive Maintenance Toolbox.” mathworks.com. https://www.mathworks.com/products/predictive-maintenance.html (accessed Jun. 17, 2022).
A. Géron, “The Machine Learning Landscape,” in The Fundamentals of Machine Learning,” in Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow, R. Roumeliotis and N. Tache, 2nd ed, CA, USA: O’Reilly Media, 2019, ch. 1, pp. 22-66.
P. R. Partha, “A review on TinyML: State-of-the-art and prospects,” Journal of King Saud University – Computer and Information Sciences, vol. 34, no. 1, pp.1595-1623, Nov. 2021, doi: 10.1016/j.jksuci.2021.11.019. DOI: https://doi.org/10.1016/j.jksuci.2021.11.019
S. I. Ramon, “LPWAN and embedded machine learning as enablers for the next generation of wearable devices,” Sensors, vol.21 , no. 1, pp. 4-8, July. 2021, doi: 10.3390/s21155218. DOI: https://doi.org/10.3390/s21155218
M. D. Prado et al., “Robustifying the Deployment of tinyML Models for Autonomous Mini-Vehicles,” Sensors, vol. 21, no. 1, pp. 4-10, Feb. 2021, doi: 10.3390/s21041339. DOI: https://doi.org/10.3390/s21041339
Google, “Welcome To Colaboratory.” colab.research.google.com. https://colab.research.google.com/notebooks/welcome.ipynb?hl=en (accessed Jun. 17, 2022).
A. A. Jaber and R.Bicker, “Real-Time Wavelet Analysis of a Vibration Signal Based on Arduino-UNO and LabVIEW,” International Journal of Materials Science and Engineering, vol. 3, no. 1, pp. 1-5, March. 2015, doi: 10.12720/ijmse.3.1.66-70. DOI: https://doi.org/10.12720/ijmse.3.1.66-70
S. W. Smith, " Moving average filters,” in The scientist and engineer's guide to digital signal processing, 2nd ed, CA, USA: California Technical Publishing, 1999, pp. 277-284. DOI: https://doi.org/10.1016/B978-0-7506-7444-7/50052-2
V. Giurgiutiu, “Wave propagation SHM with PWAS transducers,” in Structural Health Monitoring with Piezoelectric Wafer Active Sensors, V. Giurgiutiu, 2nd ed, Academic Press, 2014, pp. 639-706. DOI: https://doi.org/10.1016/B978-0-12-418691-0.00012-5
Borgerding, “mborgerding/kissfft.” github.com. https://github.com/mborgerding/kissfft (accessed Jun. 13, 2022)
P. Warden and D. Situnayake “Wake-Word Detection: Training a Model,” in TinyML Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers, 1st ed, CA, USA: O’Reilly Media, 2019, ch. 8, pp. 182-219.
T. Wang et al., “Automatic ECG Classification Using Continuous Wavelet Transform and Convolutional Neural Network,” Entropy, vol. 23, pp. 4-12, Jan. 2021, 10.3390/e23010119. DOI: https://doi.org/10.3390/e23010119
A. Faysal, W. K. Ngui, M. H. Lim, M. H. Lim and M. S. Leong ,“Noise Eliminated Ensemble Empirical Mode Decomposition Scalogram Analysis for Rotating Machinery Fault Diagnosis,” Sensors, vol. 21, no. 1, pp. 6-18, Dec. 2021, doi: 10.3390/s21238114. DOI: https://doi.org/10.3390/s21238114
R. Simon, M. D. Radmacher, K. Dobbin and L. M. McShane, “Pitfalls in the Use of DNA Microarray Data for Diagnostic and Prognostic Classification,” Journal of the National Cancer Institute, vol. 95, no. 1, pp. 14–18, Jan. 2003, doi: 10.1093/jnci/95.1.14. DOI: https://doi.org/10.1093/jnci/95.1.14
S. Abrahams, A. Scarpinelli, D. Hafner, E. Erwitt, “TensorFlow Fundamentals.” in TensorFlow for Machine Intelligence, Bleeding Edge Press, Santa Rosa, CA 95404, ch. 3, pp. 60-116.
“TensorFlow Lite,” tensorflow.org. https://www.tensorflow.org/lite/ (accessed Jun. 17, 2022).
P. E. Novac, G. B. Hacene, A. Pegatoquet, B. Miramond and V. Gripon, “Quantization and Deployment of Deep Neural Networks on Microcontrollers,” Sensors, vol.21, no1, pp. 5-6, April 2021, doi: 10.3390/s21092984. DOI: https://doi.org/10.3390/s21092984
“Post-training quantization,” tensorflow.org. https://www.tensorflow.org/lite/performance/post_training_quantization (accessed Jun. 17, 2022).
Tải xuống
Đã Xuất bản
Cách trích dẫn
Số
Chuyên mục
Categories
Giấy phép
Bản quyền (c) 2022 Tạp chí Khoa học Giáo dục Kỹ Thuật - ĐH SPKT TP.HCM
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
