Diagnostyka silnika synchronicznego oparta na analizie ... - Komel
Diagnostyka silnika synchronicznego oparta na analizie ... - Komel
Diagnostyka silnika synchronicznego oparta na analizie ... - Komel
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Zeszyty Problemowe – Maszyny Elektryczne Nr 87/2010 187Rys.4. Cztery kolejne wartości melowych współczynnikówcepstralnych przy zastosowaniu filtracji100-7132 Hz dla <strong>silnika</strong> <strong>synchronicznego</strong>bez uszkodzeńRys.5. Cztery kolejne wartości melowychwspółczynników cepstralnych przy zastosowaniufiltracji 100-7132 Hz dla <strong>silnika</strong> <strong>synchronicznego</strong>ze zwartymi zezwojami stoja<strong>na</strong>Rys.6. Cztery kolejne wartości melowychwspółczynników cepstralnych przy zastosowaniufiltracji 100-7132 Hz dla <strong>silnika</strong> <strong>synchronicznego</strong>z jedną przerwą w uzwojeniu jednejfazy stoja<strong>na</strong>Rys.7. Cztery kolejne wartości melowych współczynnikówcepstralnych przy zastosowaniu filtracji100-7132 Hz dla <strong>silnika</strong> <strong>synchronicznego</strong>z trzema przerwami w uzwojeniach trzech fazstoja<strong>na</strong>Współczynniki te kolejno tworzyły wektor cechodpowiedni dla danej kategorii dźwięku. Następniewektor cech przetwarzany jest przez algorytmGSDM.2.2. Klasyfikator GSDMGenetycz<strong>na</strong> rozrzedzo<strong>na</strong> pamięć rozproszo<strong>na</strong>(ang. Genetic Sparse Distributed Memory) powstałaprzez połączenie pamięci SDM (ang.Sparse Distributed Memory) i algorytmu genetycznego[19], [20]. SDM przechowuje wzorcew celu ich późniejszego odtworzenia. Na wejściepamięci podczas operacji czytania podawanyjest „klucz”, który jest jednymz wzorców zapisanych w pamięci. Wynikiemtego typu operacji jest wygenerowanie <strong>na</strong> wyjściuwzorca skojarzonego z „kluczem”. Kluczamisą wektory wejściowe x p , które są skojarzonez wektorami wyjściowymi y p . Zadaniempamięci jest zapamiętanie skojarzonych ze sobązbiorów: {(x 1 ,y 1 ), (x 2 ,y 2 ), (x 3 ,y 3 ),…} i kaŜdorazoweodtworzenie <strong>na</strong> wyjściu wzorca y p , jeŜeli<strong>na</strong> wejście podany zostanie wektor wejściowyx, <strong>na</strong>jbardziej przypomi<strong>na</strong>jący wektor x p spośródwszystkich zapamiętanych wektorów wejściowych.W przypadku błędnego odtworzenia systemmoŜe dawać <strong>na</strong> wyjściu wzorzec inny niŜ y p .W pamięci GSDM czytanie danych przebiegatak samo jak w SDM. I<strong>na</strong>czej pamięci działająpodczas zapisu. Pamięć GSDM stosuje algorytmgenetyczny (rys. 8). Algorytm ten róŜnisię od klasycznego algorytmu genetycznego.RóŜnica polega <strong>na</strong> stosowaniu operatora genetycznegodo róŜnych przypadków.
Zeszyty Problemowe – Maszyny Elektryczne Nr 87/2010 189Rys. 9. Schemat uzwojeń stoja<strong>na</strong> dla <strong>silnika</strong><strong>synchronicznego</strong> z jedną przerwą w uzwojeniujednej fazy stoja<strong>na</strong> (X1-X4)Do identyfikacji stosowano dziesięć nowychpróbek o długości 5 sekund. Skuteczność rozpoz<strong>na</strong>waniadźwięku była określo<strong>na</strong> <strong>na</strong>stępująco:N1E = (1)Ngdzie: E – skuteczność rozpoz<strong>na</strong>wania dźwięku,N 1 – liczba poprawnie rozpoz<strong>na</strong>nych próbek, N– liczba wszystkich próbek w procesie identyfikacji.Parametry pamięci GSDM wynosiły odpowiednio:dokładność rozpoz<strong>na</strong>nych próbek =0.95,liczba iteracji w algorytmie genetycznym =100,współczynnikmutacjiw algorytmie genetycznym =0.01, próg odległościHamminga =25, liczba z<strong>na</strong>ków kategoriidźwięku =5, rozmiar pamięci GSDM =1000.Wymienione parametry miały duŜy wpływ <strong>na</strong>rozpoz<strong>na</strong>wanie dźwięku.Skuteczność rozpoz<strong>na</strong>wania dźwięku wynosiła90% dla dźwięku <strong>silnika</strong> <strong>synchronicznego</strong> bezuszkodzeń. Skuteczność rozpoz<strong>na</strong>wania dźwiękuwynosiła 60% dla dźwięku <strong>silnika</strong> <strong>synchronicznego</strong>ze zwartymi zezwojami stoja<strong>na</strong>. Skutecznośćrozpoz<strong>na</strong>wania dźwięku wynosiła 50%dla dźwięku <strong>silnika</strong> <strong>synchronicznego</strong> z jednąprzerwą w uzwojeniu jednej fazy stoja<strong>na</strong>. Skutecznośćrozpoz<strong>na</strong>wania dźwięku wynosiła 90%dla dźwięku <strong>silnika</strong> <strong>synchronicznego</strong> z trzemaprzerwami w uzwojeniach trzech faz stoja<strong>na</strong>.4. PodsumowanieSystem rozpoz<strong>na</strong>wania dźwięku został zaprojektowanyi zaimplementowany dla <strong>silnika</strong> <strong>synchronicznego</strong>.Otrzymano dobre wyniki dla algorytmuMFCC i klasyfikatora GSDM. Zastosowanofiltrację w zakresie od 100 Hz do 7134Hz. Skuteczność rozpoz<strong>na</strong>wania dźwięku wynosiłaod 50% do 90% dla próbek o długości 5sekund. System moŜe być przydatny do wykrywaniauszkodzeń i zabezpieczania silników.W przyszłości system rozpoz<strong>na</strong>wania dźwięku<strong>silnika</strong> <strong>synchronicznego</strong> moŜ<strong>na</strong> wyposaŜyć winne skuteczne algorytmy przetwarzania danych.Literatura[1]. Głowacz Z., Zdrojewski A.: A<strong>na</strong>liza spektral<strong>na</strong>syg<strong>na</strong>łów <strong>silnika</strong> komutatorowego prądu stałego zasilanegoze źródła <strong>na</strong>pięcia stałego, Przegląd Elektrotechniczny;82 (2006) nr 11, 76–79.[2]. Antal M., Antal L., Zawilak J.: Badania eksperymentalne<strong>silnika</strong> indukcyjnego z uszkodzoną klatkąwirnika, Prace Naukowe Instytutu Maszyn, Napędówi Pomiarów Elektrycznych Politechniki Wrocławskiej;nr 59, Studia i Materiały, Oficy<strong>na</strong> Wydaw.PWroc., 2006, s. 69-77.[3]. Kowalski C. T.: Monitorowanie i diagnostykauszkodzeń silników indukcyjnych z wykorzystaniemsieci neuronowych, Wyd. Pol. Wrocławskiej, Monografie,t. 57, nr 18, Wrocław, 2005.[4]. Sałat R., Osowski S., Siwek K.: Principal ComponentA<strong>na</strong>lysis for feature selection at the diagnosisof electrical circuits, Przegląd Elektrotechniczny,2003, No 10, pp. 667-670.[5]. Mitrovic D., Zeppelzauer M., Eidenberger H.:A<strong>na</strong>lysis of the Data Quality of Audio Features ofEnvironmental Sounds, Jour<strong>na</strong>l of Universal KnowledgeMa<strong>na</strong>gement, Vol. 1, No. 1(2006), 4-17.[6]. Yoshii K., Goto M. and Okuno H. G.: DrumSound Recognition for Polyphonic Audio Sig<strong>na</strong>ls byAdaptation and Matching of Spectrogram Templateswith Harmonic Structure Suppression, IEEE Transactionson Audio, Speech, and Language Processing,Vol. 15, No. 1, January 2007, 333-345.[7]. Lee K.: Effective Approaches to Extract Featuresand Classify Echoes in Long Ultrasound Sig<strong>na</strong>lsfrom Metal Shafts, Ph. D. dissertation, Brisbane,Australia, 2006.[8]. The MARF Development Group, Modular AudioRecognition Framework v.0.3.0-devel-20050606and its Applications, Application note, Montreal,Quebec, Ca<strong>na</strong>da, 2005.[9]. Kinnunen T., Karpov E., Fränti P.: Real-TimeSpeaker Identification and Verification, IEEETransactions on Audio, Speech, and Language Processing,Vol. 14, No. 1, Jan 2006, 277- 288.[10]. Tadeusiewicz R.: Speech recognition versusunderstanding of the <strong>na</strong>ture of speech deformationin pathological speech a<strong>na</strong>lysis (Abstract), Archivesof Acoustics, Vol. 28, No. 3, 2003, pp. 260.[11]. Głowacz A., Głowacz W.: DC machine diagnosticsbased on sound recognition with applicationof FFT and fuzzy logic, Przegląd Elektrotechniczny(Electrical Review), R. 84, NR 12/2008, pp.43-46.[12]. Głowacz A., Głowacz W.: Sound recognitionof dc machine with application of FFT and back-
190Zeszyty Problemowe – Maszyny Elektryczne Nr 87/2010propagation neural network, Przegląd Elektrotechniczny(Electrical Review), R. 84, NR 9/2008,pp.159-162.[13]. Sutowski P.: Wykorzystanie wartości skutecznejsyg<strong>na</strong>łu emisji akustycznej oraz metodsztucznej inteligencji do oceny zuŜycia ściernicy,Pomiary Automatyka Kontrola, Vol. 55, 4/2009,255-258.[14]. Pasko M., Walczak J.: Teoria Syg<strong>na</strong>łów,Wydawnictwo Politechniki Śląskiej, 2007.[15]. Mrówka P., Algorytmy kompensacji warunkówtransmisyjnych i cech osobniczych mówcyw systemach automatycznego rozpoz<strong>na</strong>wania mowy.Rozprawa Doktorska, Politechnika Wrocławska,Wrocław 2007.[16]. Ganchev T., Fakotakis N., Kokki<strong>na</strong>kis G.,Comparative evaluation of various MFCC implementationson the speaker verification task. Proceedingsof 10th Inter<strong>na</strong>tio<strong>na</strong>l Conference on Speech andComputer (SPECOM 2005), Vol. 1, pp. 191–194.[17]. Sigurdsson S., Brandt Petersen K., Lehn-Schiøler T., Mel Frequency Cepstral Coefficients:An Evaluation of Robustness of MP3 Encoded Music.Proceedings of ISMIR 2006, 7th Inter<strong>na</strong>tio<strong>na</strong>lConference on Music Information Retrieval, Victoria,Ca<strong>na</strong>da, 8-12 October 2006.[18]. Slaney M. Auditory Toolbox. Version 2,Technical Report #1998-010, Interval ResearchCorporation, 1998.[19]. Fan K.-C., Wang Y.-K., A Genetic SparseDistributed Memory Approach To The ApplicationOf Handwritten Character Recognition. PatternRecognition, Volume 30, Number 12, December1997 , pp. 2015-2022(8).[20]. Mizera P., Rozpoz<strong>na</strong>wanie mówcy z wykorzystaniemGSDM, Praca dyplomowa, PolitechnikaKrakowska, Kraków 2006.AutorzyMgr inŜ., Adam Głowacz, doktorant, Akademia Górniczo-Hutnicza, al. Mickiewicza 30, 30-059 Kraków,adglow@agh.edu.plMgr inŜ., Witold Głowacz, doktorant, Akademia Górniczo-Hutnicza,al. Mickiewicza 30, 30-059 Kraków,wglowacz@agh.edu.plDr hab. inŜ., Zygfryd Głowacz, profesor <strong>na</strong>dzwyczajny,Akademia Górniczo-Hutnicza, al. Mickiewicza 30, 30-059Kraków, glowacz@agh.edu.plRecenzentProf. dr hab. inŜ. Jan Zawilak