حمید اقدسی بناب - دانشجوی کارشناسی ارشد برق کنترل تحصیلات تکمیلی دانشگاه صنعتی ارومیه دانشگاه صنعتی ارومیه
محمدحسین امراللهی - دکتری برق عضو هیات علمی تحصیلات تکمیلی دانشگاه صنعتی ارومیه دانشگاه صنعتی ارومیه

موتورهای القائی به دلیل قابلیت اطمینان هزینه کم و عملکرد قوی یکی از حیاتی ترین اجزای فرآیندهای صنعتی هستند. خرابی این موتورها منجر به خاموش شدن کل خط تولید میشود و ضرر زیادی را به همراه خواهد داشت. بنابراین تشخیص دقیق، قابل اعتماد و موثر عیب موتور باید انجام شود. در حال حاضر، تشخیص عیب موتورها برای تضمین عملکرد ایمن موتور توجه زیادی را به خود جلب کرده است. تشخیص عیب قبل از وقوع یا خاموش شدن کامل در موتور القایی برای صنایع ضروری است. تشخیص عیب بر اساس رویکردهای پایش وضعیت و کاربرد یادگیری ماشین راه کار قابل اعتماد و موثر برای نگهداری پیشگیرانه ارائه میدهد. مطالعات نشان می دهد که خطاهای بلبرینگ ها شایع ترین عیب در ماشینهای القائی هستند. در این مقاله از الگوریتم یادگیری ماشین مبتنی بر داده های ارتعاشی در تشخیص عیب بلبرینگ موتورهای القایی استفاده شده است. برای بهره مندی از مزایای هر دو مورد شبکه عصبی پیچشی و شبکه عصبی حافظه طولانی کوتاه مدت در مدل پیشنهادی این پژوهش هر دو الگوریتم با هم ادغام شده اند. بطوری که خروجی CNN به عنوان ورودی LSTM در مدل پیشنهادی استفاده شده است. نتایج شبیه سازی دقت دقت بیش از (۸۲) و کارآمدی این روش را در تشخیص عیوب موتورهای القائی نشان می دهد.

پایش وضعیت موتورهای القانی یادگیری عمیق (DL) تشخیص عیب شبکه عصبی کانولوشن (CNN)، تشخیص عیب شبکه عصبی حافظه طولانی کوتاه مدت