Asistensi Laporan KP

Sistem mekanik dan Signal Processing ∎ (∎∎∎∎) ∎∎∎ - ∎∎∎
daftar isi yang tersedia di ScienceDirect
Sistem mekanik dan Signal Processing
jurnal homepage: www.elsevier.com/locate/ymssp
Metodologi untuk deteksi kesalahan dalam motor induksi melalui suara dan getaran
sinyal
Paulo Antonio Delgado-Arredondo untuk . Daniel Morinigo-Sotelo b .

Alfredo Roque Osornio-Rios c . Juan Gabriel Avina-Cervantes untuk .
Wajah-Gonzalez Horacio untuk . Rene de Jesus Romero-Troncoso untuk . n
untuk HSPdigital - CA Telematika, Digital Signal Processing, Medici, Universitas Guanajuato, Carr. Salamanca-Valle km 3,5 þ 1,8, Palo Blanco, 36700 Salamanca, Gto., Mexico
b HSPdigital - Departemen Teknik Elektro, Universitas Valladolid, UVa., 47011 Valladolid, Spanyol
c HSPdigital - CA Mekatronika, Fakultas Teknik, Universitas Autonoma de Queretaro, San Juan del Rio Kampus, Rio Moctezuma 249, 76.807 San Juan del Río,
Qro., Mexico
articleinfo abstrak
Pasal sejarah:
Menerima Januari 2016 22 yang
Saat ini, pemeliharaan tepat waktu motor listrik sangat penting untuk menjaga Proses kompleks produksi industri. Ada Saat
diterima dalam bentuk direvisi 7 Mei
berbagai Metodologi untuk diagnosis kesalahan. Biasanya, diagnosis dilakukan dengan menganalisis sinyal arus pada
2016
mesin operasi steady-state atau start-up Selama transien. Metode ini dikenal sebagai mesin analisis tanda tangan saat ini,
Diterima 20 Juni 2016
yang Mengidentifikasi Dengan frekuensi terkait kesalahan dalam domain frekuensi atau pada saat - frekuensi dekomposisi
sinyal saat ini. Juga Patahan identificationmay mungkin dengan menganalisis suara akustik dan sinyal getaran, yang
Kata kunci:
merupakan informasi yang berguna esta Karena kadang-kadang adalah satu-satunya yang tersedia. Kontribusi Karya ini
Kesalahan diagnosis
adalah metodologi untuk mendeteksi kesalahan dalam motor induksi dalam operasi mapan berdasarkan analisis akustik
Induksi motor spektral
suara dan getaran sinyal. Pendekatan ini diusulkan menggunakan Lengkap Ensemble empiris Modus penguraian untuk
analisis Getaran
Acoustic suara CEEMD
membusuk sinyal ke mode intrinsik Beberapa fungsi. Selanjutnya, frekuensi marjinal representasi Gabor Dihitung untuk
Mendapatkan isi spektral dari IMF dalam domain frekuensi. Proposal ini Menyediakan hasil kesalahan pendeteksian baik
Dibandingkan dengan karya yang diterbitkan lainnya di Addition untuk identifikasi lebih frekuensi terkait dengan kesalahan.
& 2016 Elsevier Ltd All rights reserved.
1. Pendahuluan
Saat ini, aplikasi sinyal suara monitoring yang beragam dan hadir setiap hari dalam kehidupan modern. Dalam pengobatan, itu adalah elemen kunci untuk diagnosis dan analisis dalam
bentuk USG Bergema [1] . Dalam industri bidang, digunakan dalam berbagai macam aplikasi dalam bentuk akustik, emisi akustik dan USG [2] . Dalam industri konstruksi, digunakan
n Sesuai penulis.
alamat E-mail: pa.delgadoarredondo@ugto.mx (Delgado-Arredondo PA), daniel.morinigo@eii.uva.es (D. Morinigo-Sotelo),

raosornio@hspdigital.org (RA Osornio-Rios) avina@ugto.mx (JG Avina-Cervantes), hrostrog@ugto.mx (H. Gonzalez-Face),
troncoso@hspdigital.org (RDJ Romero-Troncoso).
http://dx.doi.org/10.1016/j.ymssp.2016.06.032
0888-3270 / & 2016 Elsevier Ltd All rights reserved.
Silakan mengutip artikel ini sebagai :. PA Delgado-Arredondo, et al, Metodologi untuk deteksi kesalahan dalam motor induksi melalui suara dan getaran sinyal, Mech. Syst. Proses
sinyal. (2016), http://dx.doi.org/10.1016/j.ymssp.2016.06.032 saya
2 Arredondo-PA Delgado et al. / Sistem Mekanikal dan Signal Processing ∎ (∎∎∎∎) ∎∎∎ - ∎∎∎
untuk analisis struktural [3] , Sedangkan aplikasi militer termasuk suara [4] . Di samping, suara adalah fenomena fisik yang Memberikan Informasi Tentang perilaku sistem dan dapat
digunakan sebagai parameter untuk Menentukan kondisi tersebut. Dengan Mengingat suara sebagai propagasi gelombang suara akustik yang dihasilkan oleh getaran mekanik, dapat
diharapkan Bahwa gelombang suara akustik yang dihasilkan oleh mesin Mengandung Tentang informasi perilaku mesin dan kondisi operasi [5] . Mesin listrik tidak terkecuali, dan getaran
yang dihasilkan oleh cacat pada bantalan, unbalances mekanik dan bar rotor patah menghasilkan suara Dengan frekuensi karakteristik terkait Dengan setiap kesalahan [6] . Korelasi antara
kesalahan dan frekuensi karakteristik untuk menentukan kemungkinan Membuat kondisi operasi mesin listrik melalui analisis spektral dari sinyal suara akustik. Selain itu, diagnosis melalui
analisis sinyal suara akustik adalah metode non-invasif Itu Bisa Mudah Diimplementasikan.
Teknik yang paling populer untuk mendeteksi kesalahan dalam motor induksi adalah MCSA (motor analisis tanda tangan saat) dan analisis sinyal getaran. Di sisi lain, analisis suara
akustik atau sinyal emisi akustik untuk mendeteksi kesalahan dalam motor induksi telah-telah digunakan kurang. Semua teknik ini untuk diagnosis kesalahan Memiliki kelebihan dan
Kekurangan. Teknik MCSA memiliki keuntungan menjadi non-invasif dan mudah untuk Melaksanakan, memberikan hasil yang baik dalam diagnosis kesalahan [7] ; Namun, dalam kondisi
tertentu aplikasi ITS tidak cukup sensitif di rendah Karena memiliki rasio signalto-noise, Mana yang lebih jelas dalam motor inverter-makan. Kekurangan Dikenal lainnya terkait dengan
kebocoran spektral dan resolusi frekuensi rendah Its. analisis getaran memiliki keuntungan yang hasil ITS independen dari jenis power supply mesin dan menghasilkan hasil yang baik [8] ,
Tapi implementasi tidak memerlukan menggunakan accelerometers ITS sebagai sensor dasar harus ditempatkan dekat itu atau pada mesin, yang kadang-kadang sulit untuk dicapai.
Analisis sinyal suara akustik untuk diagnosis kesalahan pada motor induksi Juga memiliki keuntungan yang hasilnya independen dari jenis power supply; Selain itu, sensor utama adalah
mikrofon akustik standar yang Bisa Dipasangkan di dekat mesin di bawah analisis, Belum Tentu di kontak langsung, yang menyederhanakan instalasi ITS. Namun demikian, kelemahan dari
analisis sinyal suara akustik adalah kepekaan terhadap kebisingan eksternal STI, Yang Harus dihindari sebisa mungkin [6] . Kelemahan ini Atasi dengan teknik emisi akustik, yang mengukur
sinyal akustik di kisaran ultrasonik memberikan rasio signal-to-noise tinggi, tetapi memiliki kelemahan Membutuhkan implementasi yang lebih kompleks [9] .
Teknik MCSA Melibatkan analisis sinyal saat stator dengan penjepit saat Dikumpulkan. Akuisisi sinyal dapat Dilakukan Selama transien startup atau Entah mapan rezim motor induksi. Untuk sinyal yang diperoleh Selama
steady state, diharapkan Waktu itu konten frekuensi tetap invariant, dan analisis dilakukan Dengan Yang Menyediakan metode yang efisien dengan baik toleransi frekuensi dekomposisi ke rendah rasio signal-to-noise. Fourier
Transform adalah teknik yang paling umum dalam analisis sinyal stasioner. Tapi, itu memiliki kelemahan resolusi yang terbatas frekuensi, kebocoran spektral, dan toleransi kebisingan yang rendah. Metode lain yang digunakan
untuk analisis sinyal stasioner adalah MUSIC. Teknik ini didasarkan pada dekomposisi harmonik dari sinyal, di mana kebisingan dapat dibedakan. Ini memberikan resolusi tinggi spektrum estimasi Itulah dibebaskan dari
kebisingan. Namun demikian, juga memiliki beberapa kelemahan. Algoritma ini didasarkan pada pengetahuan sebelumnya dari jumlah komponen spektral dari sinyal. Jika nomor ini tidak diketahui, dapat menghasilkan frekuensi
palsu jika estimasi spektrum dilakukan dengan urutan yang tinggi, yang dapat menyebabkan interpretasi yang salah, karena ini Apakah Itu tidak benar-benar frekuensi yang terkandung dalam sinyal. MUSIC Algoritma
Menyediakan pseudospectrum sebuah, Dan ini Membuat up kelemahan ITS lainnya. Dalam pseudospectrum sebuah, amplitudo dari komponen frekuensi tidak langsung berhubungan dengan yang sebenarnya Jika nomor ini
tidak diketahui, dapat menghasilkan frekuensi palsu jika estimasi spektrum dilakukan dengan urutan yang tinggi, yang dapat menyebabkan interpretasi yang salah, karena ini Apakah Itu tidak benar-benar frekuensi yang
terkandung dalam sinyal. MUSIC Algoritma Menyediakan pseudospectrum sebuah, Dan ini Membuat up kelemahan ITS lainnya. Dalam pseudospectrum sebuah, amplitudo dari komponen frekuensi tidak langsung berhubungan
dengan yang sebenarnya Jika nomor ini tidak diketahui, dapat menghasilkan frekuensi palsu jika estimasi spektrum dilakukan dengan urutan yang tinggi, yang dapat menyebabkan interpretasi yang salah, karena ini Apakah Itu
tidak benar-benar frekuensi yang terkandung dalam sinyal. MUSIC Algoritma Menyediakan pseudospectrum sebuah, Dan ini Membuat up kelemahan ITS lainnya. Dalam pseudospectrum sebuah, amplitudo dari komponen
frekuensi tidak langsung berhubungan dengan yang sebenarnya [10 . 11] . Jadi, amplitudo ini tidak dapat digunakan sebagai bukti perubahan Langsung dalam komponen sinyal frekuensi yang sebenarnya dari satu sama lain
Dibandingkan dengan. Sebagai perbandingan, representasi Gabor ,, Meskipun didasarkan pada Fourier Transform, memiliki toleransi kebisingan yang lebih tinggi, Anda memiliki resolusi yang lebih baik daripada transformasi
Fourier, tidak menghasilkan frekuensi palsu dan hasil Hadir spektrum merapikan melalui penggunaan jendela Gaussian [12] . Namun, waktu - distribusi frekuensi dan untuk mengambil keuntungan dari Karakteristik ini Bila
diterapkan sinyal stasioner, ITS representasi frekuensi Dihitung sebagai frekuensi marjinal. Spektrum sinyal kualitas yang lebih baik daripada Diperoleh Dengan Transformasi Fourier dan tanpa frekuensi palsu seperti di MUSIC.
Jika mesin Beroperasi di rezim non-stabil, Beberapa metode pengolahan Telah Usulan. Sinyal Dilihat waktu -
teknik frekuensi dekomposisi: seperti waktu singkat Fourier transform [13 - 15] , The transformasi wavelet diskrit (DWT)
[16 - 19] , The wavelet kontinyu transform (CWT) [20 - 23] , The Hilbert transform [24 . 25] , The Hilbert-Huang transform [24 . 25] , TheWigner-Ville distribusi [23 - 32] , Distribusi Choi-Williams [24 - 26]
, Dan klasifikasi beberapa sinyal (MUSIC) [33] . Beberapa teknik ini bekerja Bersama (AI) pengklasifikasi kecerdasan buatan untuk pengambilan keputusan atau tanda tangan Tentang
komponen yang hadir dalam Itu sinyal untuk Mengidentifikasi kesalahan dan tingkat keparahan mereka. AI ini pengklasifikasi termasuk jaringan saraf tiruan (JST), logika fuzzy, jaringan
kabur saraf, dan algoritma genetika [14 . 18 . 20 . 21 . 28 . 34 . 35] .
analisis getaran memerlukan penggunaan accelerometer yang terpasang pada motor. Beberapa metode Telah dimanfaatkan adalah frekuensi dan waktu - Diukur dekomposisi frekuensi
sinyal. di [36] , Waktu - distribusi frekuensi Gabor (TFDG) dan MUSIK diterapkan getaran Apakah Selama sinyal transien startup. Dalam karya-karya lain, Fast Fourier Transform (FFT) [37] ,
The Zhao-Atlas-Marks (ZAM) distribusi [38] , MUSIK [6] , Dan DWT yang [39] Digunakan untuk pemrosesan sinyal.
Mengenai analisis sinyal suara akustik, Yumi et al. [40] Mengusulkan metode untuk mendeteksi suara abnormal dari mesin untuk pemantauan kondisi dan diagnosa kesalahan. Sistem
akurasi untuk Anomaly Detection itu DITINJAU Dengan F-nilai. Karya lain yang dilakukan oleh Salazar-Villanueva dan Ibarra-Manzano [41] , Dimana Mereka Usulan pendekatan berdasarkan
pada EMD (empiris Modus Dekomposisi) dan FFT untuk mendeteksi cacat mekanik di unbalance dan bantalan motor induksi. Ackay dan Germen [42] Usulan metodologi untuk
mengidentifikasi identitas rusak bar rotor dan kesalahan bearing pada motor induksi diuji di bawah kondisi beban yang berbeda. Sinyal suara akustik yang diperoleh Apakah Ditempatkan
hemispherically Dengan lima mikrofon di sekitar mesin. Mereka menggunakan algoritma hybrid untuk menghitung PSD (daya kerapatan spektral) dan
Arredondo-PA Delgado et al. / Sistem Mekanikal dan Signal Processing ∎ (∎∎∎∎) ∎∎∎ - ∎∎∎ 3
perubahan yang diamati kepadatan untuk menentukan adanya kesalahan. Glowacz [43] Mengusulkan metode non-invasif untuk kesalahan awal deteksi rusak bar rotor dan kumparan rotor
korsleting. Analisis dilakukan Mempekerjakan daerah log koefisien rasio dan musik, dan klasifikasi dilakukan Dengan klasifikasi tetangga terdekat-dan classifier Bayes. Benih et al. [44] menggunakan
metode untuk deteksi kesalahan dan DWT berdasarkan analisis korelasi untuk mengekstrak fitur dari sinyal, yang digunakan untuk klasifikasi kesalahan Dengan metode peta mengorganisir
diri. Garcia-Perez et al. [6] Diusulkan untuk menggunakan MUSIC Itu analisis metodologi suara dan getaran sinyal untuk deteksi kesalahan dalam motor induksi, mekanik Termasuk
unbalance, bar rotor rusak dan cacat bantalan. Dalam karya-karya yang dikutip, akustik suara dan getaran sinyal Diobati dan Analisa secara terpisah sebagai fenomena independen. Untuk
Meningkatkan pendeteksian diperoleh dalam karya-karya sebelumnya (yaitu [6] ), Metodologi dikembangkan Itu Meningkatkan jumlah komponen spektral terkait Dengan kesalahan, yang
dapat dicapai dengan akustik Termasuk Kedua suara dan getaran sinyal dalam analisis.
Kontribusi pekerjaan ini adalah pengembangan metodologi analisis untuk mendeteksi kesalahan dalam motor induksi beroperasi pada kondisi mapan, yang menganalisis akustik suara dan getaran sinyal. Pendekatan yang
Diusulkan menawarkan pendeteksian baik Membandingkan hasil dengan FFT dan MUSIC analisis yang diterbitkan dalam [6] , Dan identifikasi lebih frekuensi terkait dengan kesalahan. Analisis sinyal suara akustik dan getaran
disajikan Dalam makalah ini menunjukkan Bahwa fenomena itu dapat ditentukan Dengan sinyal getaran, yang merupakan teknik yang berharga dan Banyak digunakan, dapat Accomplished Juga Dengan sinyal suara akustik. Di
samping, analisis sinyal dalam kombinasi Dengan Ensemble Empiris Modus penguraian (CEEMD) Izin Lengkap untuk membuang komponen sinyal yang tidak diinginkan, dan mengisolasi informasi yang relevan. Beberapa percobaan
untuk memperoleh Bersamaan Dilakukan Were suara akustik dan sinyal getaran triaksial. Sinyal-sinyal ini terkait dengan Dikumpulkan bar rusak rotor, ketidakseimbangan mekanik dan bantalan cacat pada motor induksi Selama
rezim mapan. Pendekatan yang Diusulkan menggunakan CEEMD untuk sinyal dekomposisi ke mode intrinsik Beberapa fungsi (IMF) yang memisahkan Diinginkan komponen frekuensi terkait kesalahan melestarikan waktu
Características. Selanjutnya, frekuensi marjinal representasi Gabor Dihitung untuk Mendapatkan isi spektral dari IMF dalam domain frekuensi. Tepi frekuensi representasi Gabor digunakan karena kemampuannya ITS untuk
mengurangi gangguan, Juga dikenal sebagai cross-hal Antara paralel berkembang Harmonisa, yang merupakan representasi PALING tepat untuk sinyal SteadyState Memiliki perilaku yang lebih baik daripada transformasi klasik
seperti Fast Fourier Transform. frekuensi marjinal representasi Gabor Dihitung untuk Mendapatkan isi spektral dari IMF dalam domain frekuensi. Tepi frekuensi representasi Gabor digunakan karena kemampuannya ITS untuk
seperti Fast Fourier Transform. frekuensi marjinal representasi Gabor Dihitung untuk Mendapatkan isi spektral dari IMF dalam domain frekuensi. Tepi frekuensi representasi Gabor digunakan karena kemampuannya ITS untuk
seperti Fast Fourier Transform.
Sisa kertas ini disusun sebagai berikut: bagian 2 Menyediakan informasi Mengenai untuk kesalahan dianalisis dalam pekerjaan ini. bagian 3 dan 4 Memberikan latar belakang teoritis
kerja esta. bagian 5 menggambarkan bangku eksperimental tes, tes yang dilakukan, generasi kesalahan dan metodologi untuk melakukan pekerjaan ini. di bagian 6 Hasil dan pembahasan
disajikan dan bagian 7 Memberikan beberapa kesimpulan.
2. Deskripsi kesalahan Ditangani
Tiga kesalahan umum dalam motor induksi Diobati Dalam tulisan ini: kondisi ketidakseimbangan (UNB), bantalan kesalahan (BDF), dan rusak bar rotor (BRB).
2.1. Teknik ketidakseimbangan (UNB)
keseimbangan mekanik dalam rotor motor induksi Melibatkan Seluruh struktur terdiri dari beberapa bagian yang, memperlakukan termasuk poros, laminasi rotor, kepala akhir, rotor
bar, konektor akhir, cincin mempertahankan dan penggemar. Ini banyak item harus dikontrol dalam desain dan diproduksi untuk Mencapai akurasi keseimbangan stabil. Ketika motor benar
seimbang dan selaras amplitudo frekuensi, terkait dengan kesalahan, hampir tidak berubah dan tetap dibatasi ke tingkat tertentu. Namun, ketidakseimbangan mekanik di induksi Melibatkan
getaran radial kecil motor struktur stator. Tingkat getaran Membawa Ketika kecepatan rotasi maksimum ITS sama dengan frekuensi sistem alami yang didefinisikan oleh ω 0 ¼ km
/; dimana k adalah kekakuan

faktor dan m adalah massa unbalance [45 . 46] . Di samping, sinyal getaran ini berosilasi pada frekuensi rotasi; Getaran ini meningkat, amplitudo frekuensi rotasi dan sama terjadi
Meningkatkan Dengan harmoniknya [47] . Analisis sinyal getaran bisa Memberikan cara cepat dan mudah untuk mengekstrak informasi yang memungkinkan diagnosis Tentang kehadiran
ketidakseimbangan dalam motor induksi. speed produsen mesin dinilai Menyediakan ITS, biasanya Disajikan dalam putaran per menit. Dalam motor asynchronous, kecepatan ini adalah
sedikit di bawah kecepatan sinkron, n s, Yang terkait dengan frekuensi pasokan listrik F s SEBAGAI BERIKUT:
120 f
s
n =
s
P ()1
dimana P mesin adalah jumlah kutub, dan konstanta "120" digunakan untuk menyatakan kecepatan mesin sinkron n s dalam satuan revolusi per menit.
2.2. Bantalan kesalahan (BDF)
McFadden dan Smith [48] membuat review tentang penyebab dan frekuensi yang diharapkan getaran akibat bantalan bergulir-elemen. Berbagai frekuensi berhubungan Dengan rotasi
mesin dapat Dihitung dari geometri
bantalan ,: seperti ras luar dan unsur-unsur dalam melewati frekuensi, frekuensi rotasi untuk kandang, dan rolling elemen berputar frekuensi. Sebuah cacat pada balapan luar menyebabkan
impuls setiap kali bergulir elemen menghubungi cacat. Kecepatan rotor ( F r) Yang merupakan frekuensi di berputar raceway batin, yang harus frekuensi poros. Fenomena fisik getaran yang
dihasilkan elemen: seperti untuk bantalan rolling di bawah kondisi bisa sehat sebagai kombinasi dari sumber yang berbeda Dijelaskan: seperti modulasi akibat pembebanan non-seragam,
mode lentur bantalan, dan mesin induksi getaran dan kebisingan. Beban bantalan Diasumsikan menjadi kekuatan tidak seimbang; OLEH KARENA ITU, beban radial sekitar Bergerak
lingkar cincin luar sebagai berputar poros. Beban tunggal radial mengubah ke beban didistribusikan Karena cincin bagian dalam Kontak dengan lebih dari satu bola Selama rotasi. Namun,
untuk kondisi kesalahan bantalan Ketika cacat di salah satu permukaan bantalan menyerang permukaan kawin, impuls diproduksi Yang menggairahkan resonansi dalam sistem. Sistem
mekanik simetris Tentang garis beban yang diterapkan. Sebagai berputar bantalan, di dampak Terjadi raceway luar bola-pass frekuensi ( F BPOF) Diberikan oleh [49] :
NF ••• D SM •••
Br
F
BPOF
= - sebabθ
1 Feb D ()2
dimana θ adalah sudut kontak antara permukaan bantalan, D C adalah diameter kandang bantalan dan bola Diukur dari pusat ke pusat bola yang berlawanan, D B adalah diameter bola,
dan N B adalah jumlah bola di bantalan.
2.3. Patah rotor bar (BRB)
Dalam kasus rotor bar, dapat diketahui bahwa arus simetris dalam rotor simetris motor induksi menginduksi maju resultan berputar medan magnet di sinkron bar kecepatan rotor
Dengan sehat. Motor induksi beroperasi dengan patah rotor bar cacat Menciptakan urutan negatif dari arus rotor karena asimetri rotor. Ini menginduksi komponen utama dalam spektrum
stator saat ini, yang naik sampai frekuensi ( -)
1 Feb ssfdan dekat dengan kunci yang
frekuensi. Karena refleksi, frekuensi rotor yang Asimetri - KSF 2 s, dimana = k 1,2,3, ... adalah setiap bilangan bulat positif dan s adalah
slip. DEMIKIAN, dalam kasus bar rotor rusak, ada osilasi kecepatan, yang bertindak sebagai modulasi frekuensi pada frekuensi rotasi dan dua frekuensi band sisi sekitar Muncul F r dalam
spektrum getaran [50] Yang Diberikan oleh
F
BB
= ±Fr 2 KSF
s ()3
dimana F BB frekuensi sideband terkait Dengan bar rotor rusak. slip s didefinisikan sebagai kecepatan relatif dari mesin mekanik n m Sehubungan dengan kecepatan mesin sinkron n s SEBAGAI
BERIKUT:
SNN
=-
s lebih
n ()4
3. latar belakang teoretis
3.1. waktu - representasi frekuensi Gabor
Versi diperpanjang dari STFT (Short-time Fourier transform) adalah waktu - representasi frekuensi Gabor, yang menggunakan jenis jendela Gaussian dan Fourier Transform (FT) untuk
Mencapai waktu - analisis frekuensi [51] . Representasi Gabor memiliki tradeoff kelemahan sebagai STFT, Disebabkan oleh lebar tetap jendela, tetapi memiliki resolusi yang lebih baik di
frekuensi dari STFT.
Representasi Gabor Dijelaskan oleh persamaan berikut:
∞--- 2
π (τ ) j2 πFτ
Gxtf . () = ∫ xd()τ τ
t
dan dan
-∞ ()5
Seperti dalam kasus terus menerus, representasi diskrit Gabor identik dengan diskrit STFT, dengan karakteristik khusus dari jendela Gaussian. Representasi diskrit Gabor dapat
memperluas sebagai kombinasi linear dari koefisien Gabor dan fungsi dasar [52 . 53] . Untuk satu set terbatas data x [n], ekspansi Gabor adalah Diperoleh dari:
j 2k πkn
ΣΣ
/
xn[] = AGN
mk. mN
(- e )
mm
= =0 k N 0 ()6
Di mana array untuk mk .

. periodik di k Dengan periode dan K. Urutan ( ) gn Dikenal sebagai jendela sintesis. array
koefisien Gabor untuk mk .
. dapat ditemukan melalui representasi Gabor:
- j 2knπ K
Σ xnwn
/
untuk
mk. = [] * (-mN e )
n n= -0 1 ()7
Mana urutan ( ) wn adalah jendela analisis. The Zak transformasi digunakan untuk Mendapatkan koefisien Gabor. diskrit
Zak mengubah jendela didefinisikan sebagai berkala satu Fourier diskrit dimensi transformasi dari urutan W n(+mN. )
N 1
- l 2j mn
π MN( /
Σ
)
Z = W n(- mN dan )
m = -0 ()8
dimana n dan l adalah parameter penyesuaian, M adalah periode, N adalah panjang sampel.
3.2. frekuensi marjinal waktu - representasi frekuensi
The marginals waktu - representasi frekuensi dapat Memberikan Informasi Penting Tentang sinyal sebagai frekuensi sesaat atau kepadatan spektral daya. Untuk kasus waktu - representasi
frekuensi dapat Dianggap perhitungan dua marginal. Sebuah marjinal terkait dengan waktu dan frekuensi lainnya. marginals ini didefinisikan sebagai:
mtF () =∫ df tf( TFR

. ) waktu marginal
-∞ ∞ ()9
mft () =∫ TFR
( dt
. tf) frekuensi marjinal
-∞ ∞ ( 10 )
dimana mt F () Waktu adalah marjinal, mf t () frekuensi marjinal, TFR adalah waktu - representasi frekuensi, t adalah waktu
dan F adalah frekuensi. Ini berarti bahwa dengan Mengintegrasikan representasi sepanjang satu variabel energi didistribusikan sepanjang variabel lainnya. Marjinal yang Diperoleh
Mengintegrasikan Sehubungan dengan frekuensi waktu marjinal dan sesuai dengan daya sesaat dari sinyal. Mengintegrasikan waktu - representasi frekuensi bersama untuk waktu yang
Memperoleh marjinal dan esta frekuensi sesuai dengan kepadatan spektral energi [54] :
2
mtF () = ( ) xt ( 11 )
dan ( ) = ( )
2
mft Xf ( 12 )
4. Lengkap Ensemble Empiris Modus penguraian
4.1. metode empiris untuk dekomposisi
The Empiris Modus Dekomposisi (EMD) telah Diusulkan oleh Huang et al. [55] . metode dekomposisi ini Ditujukan
Bahwa sinyal adalah untuk non-linear dan non-stasioner. Huang Berpendapat Bahwa usulan-Nya adalah intuitif, langsung, pos dan metode adaptif didasarkan pada Yang hanya dan
berasal dari sinyal data. Metode ini Terdiri dalam pemisahan sinyal ke sejumlah LKM. IMF pertama akan Mengandung cepat osilasi sampai IMF terakhir itu akan mencakup lambat osilasi.
Komponen end, yang memiliki periode terpanjang, adalah Dianggap sebagai residu, tidak LKM. Biasanya EMD terurai sinyal ke dalam sejumlah kecil dari LKM atau mode. The MDTs, di
bawah kriteria yang ditentukan, dapat didefinisikan oleh ITS sebagai perilaku filter bank: seperti di Wavelets [56] . Namun, EMD memiliki beberapa ketidaknyamanan; Ini adalah Itu modus
tunggal dengan osilasi besar dapat Mengandung Perbedaan, atau seperti osilasi dapat membagi Antara modus yang berbeda. Fenomena ini disebut modus pencampuran, yang merupakan
kelemahan utama dari EMD [57] .
Wu dan Huang Ensemble empiris Modus Usulan tersebut penguraian (EEMD) untuk memecahkan kelemahan dari modus pencampuran di MDTs [58] . Dalam algoritma ini, yang EMD
diterapkan untuk satu set sinyal yang dihasilkan dari sinyal asli akan terurai white noise Gaussian menambahkan. Rata-rata dari realisasi ini akan menjadi hasil akhir dekomposisi.
Penambahan white noise memperkaya konten spektral sinyal di seluruh spektrum Dengan tujuan untuk Mencegah modus pencampuran. Algoritma ini mengasumsikan jumlah yang
memadai realisasi memastikan Bahwa white noise dihilangkan dengan rata-rata sisa-sisa asli dan hanya sinyal. , Meskipun algoritma ini adalah sebuah peningkatan yang substansial ke
EMD, ini dapat menimbulkan masalah baru: seperti kenyataan Bahwa rekonstruksi sinyal dari kebisingan berasal meliputi sisa IMF, dan realisasi yang berbeda dari dekomposisi EEMD
dapat menghasilkan nomor yang berbeda dari mode.
Torres et al. [56] Usulan Lengkap Ensemble Empiris Modus penguraian (CEEMD) untuk memecahkan masalah-masalah MDTs dan EEMD. Dalam algoritma baru ini, kebisingan
ditambahkan dalam setiap dekomposisi panggung, dan mengakhiri dekomposisi didasarkan pada residu tunggal untuk Mendapatkan setiap mode. Perbaikan algoritma esta, ITS
Dibandingkan dengan pendahulunya, adalah Bahwa rekonstruksi sinyal selesai, dekomposisi sinyal menghasilkan sejumlah kecil mode dari EEMD, dan jumlah iterasi adalah setengah
Dibandingkan Dengan EEMD [57] . Deskripsi matematis ke CEEMD termasuk dalam bagian berikutnya.
4.2. deskripsi matematis
The Complete Ensemble Empiris Modus penguraian (CEEMD) adalah metode suara-dibantu [56] , Memiliki berikut
prosedur:
Pertama, persentase tetap dari white noise Gaussian ditambahkan ke sinyal target untuk Mendapatkan komponen pertama Empiris Modus penguraian (EMD) dari Data dengan
kebisingan. dekomposisi yang berulang saya kali menggunakan realisasi suara yang berbeda. Kemudian, dihitung rata-rata ensemble mendefinisikannya sebagai yang pertama LKM 1 dari
sinyal sasaran. kemudian,
1
LKM 1
= EΣ1xt
••
() ••
+ ε w saya
saya ( 13 )
i I= 1
dimana LKM 1 EMD adalah komponen pertama dari sinyal sasaran ( ) xt, w saya Gaussianwhite adalah-mean nol variansi noise Dengan unit, ε
adalah koefisien tetap, E saya menghasilkan i- th komponen IMF dan saya adalah jumlah realisasi. Kemudian residu sinyal pertama r 1 dihitung sebagai berikut
r1 = xt() - LKM 1 ( 14 )
Berikutnya, membusuk Realisasi E1 +r wi

ε •• •• . = ...1.2, . saya
Dilakukan di luar Sampai Mereka mencapai kondisi IMF pertama mereka dan mendefinisikan
1 saya
ansambel rata-rata sebagai yang kedua LKM 2.
1
LKM 2
= Σ E1rFeb
[+ ε E1w
[]] saya
saya ( 15 )
i I= 1
untukk= ... 2,3, . K , yang k- th residu Menghitung: = rk r (-)k 1

- LKM k , Kemudian pertama LKM komponen r k + []ε E kw saya
i = ... 1.2, . saya
adalah
Diekstrak dan rata-rata ensemble mereka dihitung lagi untuk Mendapatkan LKM (+)
k 1 dari sinyal sasaran:
1
LKM (+)
k 1
= Σ Ek + 1
[+r k ε Ek w
[]] saya
saya ( 16 )
i I= 1
Proses penyaringan dilanjutkan Sampai residu terakhir tidak Memiliki lebih dari dua ekstrim, memproduksi
R xt
= () Σ- LKM K
k K= 1 ( 17 )
dimana R adalah akhir residual, dan K adalah Total jumlah LKM. OLEH KARENA ITU, sinyal target dapat Dinyatakan sebagai Kemudian
xt() Σ= LKM K + R
k K= 1 ( 18 )
Persamaan sebelumnya Membuat CEEMD untuk menyelesaikan metode dekomposisi, dan Dibandingkan Dengan metode EMD dan EEMD, yang CEEMD tidak hanya memecahkan
masalah modus pencampuran, Tapi Juga Menyediakan rekonstruksi yang tepat dari sinyal asli [59] .
4.3. Validasi dari Metodologi Usulan
Bagian ini menyajikan perbandingan efektivitas dalam Antara Metodologi Usulan pekerjaan ini dan Fourier Transform, yang merupakan teknik klasik untuk analisis spektral sinyal
stasioner. Sebuah sinyal sintetis dianalisis untuk memvalidasi metodologi Usulan. Ini memiliki sinyal yang sama dengan sinyal Karakteristik Diperoleh dari motor induksi Selama operasi
tunak, dan itu Terdiri dari satu set sinusoid Pure Dengan frekuensi konstan sebesar 60, 200, 780 dan 800 Hz masing-masing. Hal ini dihasilkan dengan frekuensi sampling =
Fs 2000 Hz dan durasi 4 detik. Akhirnya, Gaussian

white noise ( n G) ditambahkan ke sinyal untuk meniru konten kebisingan sinyal ditangkap dari motor nyata. Ini akan membantu untuk mempelajari perilaku dari metodologi Dengan sinyal
rendah dengan rasio signal-to-noise. Rasio signal-to-noise dari sinyal yang digunakan sesuai dengan sintetik
SNR =- 15 dB. Eq. (19) mendefinisikan sinyal sintetik yang dihasilkan:
xk() = sin 2( π fk
1
) + sin 2( π fk
2
) + sin 2( π fk
3
) + sin 2( π fk
4 ) + nG ( 19 )
dimana = F 60 hz = F 200 hz = F 780 hz = F 800 Hz dan = KNF / s (= ...

n 0,1, 8000) adalah waktu diskrit. di Gambar. 1 (A), sinyal
1 2 3 4
dihasilkan ditampilkan. di Gambar. 1 (B), spektrum sinyal yang sempurna ditampilkan. itu Gambar. 1 (C) menunjukkan spektrum sinyal Diperoleh Dengan Fast Fourier Transform. di Gambar. 1 (D)
yang terlihat spektrum diperoleh setelah perhitungan frekuensi Gabor distribusi marginal dari LKM dipilih untuk frekuensi MENURUT bunga. Dalam hal ini, LKM 1 dipilih untuk
Mengidentifikasi frekuensi sinusoidal dari 780 fungsi Dengan dan 800 Hz, LKM 3 untuk komponen Hz 200 dan LKM 5 untuk komponen 60 Hz. Seperti ditunjukkan dalam Gambar. 1 (D)
komponen spektral terkait dengan empat fungsi sinus dapat Jelas Diidentifikasi menggunakan metodologi Usulan dalam pekerjaan ini, TIDAK SEPERTI spektrum diperoleh Dengan FFT di
mana tidak mungkin untuk membedakan apa komponen spektral milik kebisingan yang terkandung dalam komponen sinyal sinusoidal dari fungsi.
Pemilihan LKM tidak dapat dilakukan apriori Biasanya karena Karakteristik CEEMD, di mana band atau mode tidak cocok dekomposisi band-band yang telah ditentukan, seperti dalam
kasus wavelet. Mode yang berbeda di mana sinyal membusuk adalah variabel adaptif dan sepenuhnya tergantung pada sinyal [54] . Jadi berdasarkan fakta ini, cara terbaik
Gambar. 1. Perbandingan Antara metodologi Usulan dan FFT. (A) Signal; (B) spektrum Ideal; (C) Dengan Spectrum FFT diperoleh; (D) Frekuensi marjinal dari TFDG dari LKM yang dipilih.
untuk memilih mode yang menarik adalah memilih mereka a posteriori, membuat analisis dari semua LKM AKIBAT dari dekomposisi sinyal. Untungnya, ada beberapa petunjuk untuk
menemukan frekuensi yang menarik dan untuk memilih modus khusus. IMF pertama Mengandung paling cepat osilasi (komponen sinyal frekuensi yang lebih tinggi) dan IMF yang lebih
lambat osilasi terakhir (komponen sinyal frekuensi yang lebih rendah).
5. Setup Eksperimental
Sebuah sinyal suara ditangkap untuk Mengidentifikasi Karakteristik Dinamis dari motor induksi. Juga sinyal getaran yang diperoleh untuk memverifikasi hasil diperoleh. Empat puluh
pengujian dilakukan untuk suara dan getaran pada setiap kondisi untuk memvalidasi metodologi Usulan. Gambar. 2 menunjukkan setup percobaan Dimana berbeda motor induksi tiga fase
(WEG Model 00136APE48T, 740 Watts) digunakan untuk menguji kinerja metodologi Usulan Mengidentifikasi kondisi kesalahan dalam Ditangani Karya ini. Motor memiliki dua kutub diuji,
28 bar dan diberi makan dengan catu daya dari 220 VAC pada 60 Hz. Beban mekanik diterapkan Itu suatu alternator biasa. Sinyal audio diperoleh dengan menggunakan kondensor
mikrofon model JST CX-509, yang memiliki polarisasi pola cardioid. mikrofon Ditempatkan di posisi yang nyaman Dimana getaran mesin tidak Memiliki pengaruh di mikrofon. Di sisi lain,
sinyal getaran diperoleh menggunakan berbasis MEMS triaksial accelerometer (model LIS3L02AS4) dari STMicroelectronics seperti yang ditunjukkan pada Ditempatkan Gambar. 2
(A). Dari akselerasi tiga sumbu ( x, y dan z) dari sinyal getaran, hasil terbaik yang diperoleh Dengan sinyal Sesuai dengan x axis (AX). Sinyal audio diperkuat memanfaatkan model Marshall
amp MG15CDR listrik. A 12-bit 4-channel serial keluaran analog ke digital (ADC) (ADS7841) digunakan untuk akuisisi data audio dan getaran. Sistem instrumentasi menggunakan frekuensi
sampling 2 kHz untuk Memperoleh 16.384 sampel 4.096 sampel adalah audio Sedangkan diperoleh pada sampling rate 1500 Hz sinyal dari getaran Selama steady state motor induksi. Gambar.
2 (B) dan (c) menunjukkan orientasi sumbu dalam accelerometer getaran. Tiga kondisi gangguan yang berbeda Dirawat dalam pekerjaan ini:
5.1. bar rotor rusak
Kondisi bar rusak diproduksi artifisial dengan pengeboran dua lubang Dengan 7938 mm diameter tanpa merugikan poros rotor. Gambar. 3 Dimanfaatkan menunjukkan rotor dengan
dua bar rotor rusak. Mesin ini berjalan pada 3465 RPM di sistem 60 Hz; diuji motor induksi rotor Anda frekuensi =
fr 57,75 Hz. DEMIKIAN, slip s adalah 0,0356 dan frekuensi sideband
Asosiasi bar rotor rusak Dihitung dengan menggunakan Persamaan yang. (3) , AKIBAT di = F 53,5 Hz dan F = 62,1 Hz .
bBL BBU
Gambar. 2. Tes yang digunakan untuk pengujian bangku motor. (A) General view. (B) Tampak depan mesin yang menunjukkan orientasi sumbu accelerometer. (C) Lateral pandangan dari mesin yang menunjukkan
orientasi sumbu accelerometer.
5.2. kesalahan unbalance
Kondisi unbalance hadir Ketika motor induksi beban mekanik tidak terdistribusi secara merata, mengambil pusat massa dari poros mesin. Gambar. 4 menunjukkan katrol Dengan
massa tambah digunakan untuk menghasilkan unbalance pada motor induksi. Tanda tangan dari ketidakseimbangan dalam sinyal getaran biasanya memiliki bentuk Peningkatan amplitudo
frekuensi sepanjang rotor, yang terletak dalam kasus esta 57,75 di Hz.
Gambar. 3. Dua rotor bar rusak.
Gambar. 4. katrol tidak seimbang.
Gambar. 5. ras bantalan luar rusak.
5.3. cacat bantalan
Untuk melaksanakan tes bantalan yang rusak, bearing rusak oleh pengeboran dua lubang artifisial Dengan 1.191 mm diameter ras luar ITS menggunakan bor tungsten. Gambar. 5 menunjukkan
rusak artifisial bantalan 6203-2ZNR digunakan dalam pekerjaan ini.
Getaran frekuensi cacat karakteristik dari elemen bergulir bantalan ras luar Dihitung dengan menggunakan Persamaan. (2) . diuji motor induksi rotor Anda frekuensi =
fr 57,75 Hz dan bantalan uji bola diameter Memiliki delapan 6,5 mm dan
diameter kandang bantalan dari 28 mm Dengan sudut kontak = b 0 DEMIKIAN, bola melewati frekuensi raceway luar cacat
( F BPOF) ditemukan menjadi 177,7 Hz.
5.4. metodologi
Gambar. 6 menunjukkan metodologi diikuti untuk mengetahui kondisi mesin dan Evaluasi kelayakan metode Usulan. Pertama, dalam diagram blok, itu disajikan pelaksanaan bangku
uji Dengan Beberapa motor induksi Dengan studi kasus yang berbeda: mesin sehat, motor dengan dua bar rotor rusak, bantalan kesalahan dalam perlombaan luar dan ketidakseimbangan
di katrol. Langkah selanjutnya adalah akuisisi sinyal getaran dan suara akustik. sinyal getaran yang diperoleh dengan accelerometer triaksial dan suara akustik dengan mikrofon. Sinyal
yang ditangkap Selama mesin operasi mapan. sinyal getaran ditangkap pada frekuensi sampling 1,5 kHz untuk waktu akuisisi 2,73 s untuk mendapatkan 4.096 sampel dan sinyal suara
akustik pada frekuensi sampling 2 kHz Selama 8192 s untuk mendapatkan 16.384 sampel. Setelah proses akuisisi dan penyimpanan sinyal selesai, sinyal yang diperoleh diproses dan
Analisa. Pada tahap ini, waktu CEEMD dilakukan melalui dekomposisi dan selanjutnya LKM diperoleh Berubah ke domain frekuensi. Transformasi ini ke domain frekuensi dilakukan dengan
menggunakan perhitungan frekuensi marjinal waktu - representasi frekuensi Gabor (TFDG). Akhirnya, sebelas spektrum IMF Diperoleh, kondisi mesin yang DITINJAU dengan menganalisis
frekuensi terkait dengan kesalahan. Sebuah dibandingkan dengan karya-karya sebelumnya dibuat untuk memvalidasi efektivitas metodologi Usulan.
Gambar. 6. Blok diagram dari metodologi Usulan.
6. Hasil dan diskusi
Pada bagian ini, hasil analisis disajikan. Akustik suara dan getaran sinyal dianalisis Dengan CEEMD dan frekuensi marjinal waktu - representasi frekuensi Gabor. Sinyal-sinyal ini
Apakah Ditangkap Selama operasi SteadyState dari motor dan di bawah empat kondisi yang berbeda: sehat, dua bar rotor rusak, ketidakseimbangan dan cacat bantalan. LKM dipilih untuk
sesuai konten spektral mereka Yang Ditentukan dengan menganalisis IMF AKIBAT dari dekomposisi suara dan getaran sinyal dari mesin sehat dan motor rusak. LKM yang dipilih berisi
frekuensi berhubungan dengan induksi Dianggap kerusakan mesin: rusak rotor bar, ketidakseimbangan dan cacat bantalan. Dalam kasus sinyal suara, tiga pertama Mengandung IMF
informasi yang diinginkan untuk frekuensi diagnosis kesalahan. Dalam kasus sinyal getaran, empat pertama itu informasi yang terkandung IMF. OLEH KARENA ITU, LKM dipilih
Tergantung pada konten spektral mereka Yang Dihitung setelah itu. Dalam beberapa kasus, lebih dari satu LKM dipilih karena frekuensi yang menarik di wilayah frekuensi Apakah umum
untuk beberapa IMF berturut-turut. Hasil terbaik diperoleh dari sinyal getaran di z
axis, az, dan ini adalah karena getaran motor induksi dalam Getaran adalah radial Biasanya (vertikal atau az axis). Kekuatan-kekuatan radial, yang bekerja pada stator dan rotor, yang
terkait dengan fluks magnetik memasuki atau meninggalkan permukaan besi di motor induksi, dan adanya komponen spektral yang dihasilkan oleh distribusi kerapatan fluks dan arus stator
dan rotor slotting. Saturasi magnetik Juga memperkenalkan komponen tambahan di angkatan yang tidak diinginkan radial [60] . Hasilnya disajikan untuk empat kasus studi, dan analisis
kualitatif kondisi operasi mesin Given.
6.1. Kasus studi: sehat
di Gambar. 7 , Tiga LKM pertama untuk sinyal suara akustik dari mesin sehat ditampilkan. di Gambar. 8 , Hal ini ditunjukkan akustik
spektrum sinyal suara, dapat diamati Dimana tiga komponen frekuensi utama, satu berlokasi di kisaran 230 -
235 Hz. Komponen frekuensi ini dikaitkan Dengan harmonik keempat frekuensi rotasi rotor, yang terletak di 231 Hz. Ada juga komponen lain dari besarnya lebih besar Diposisikan pada
frekuensi sekitar 660 Hz dan komponen frekuensi ketiga yang terletak di 787 Hz. penerapan CEEMD untuk sinyal ini Memberikan empat belas IMF. Hanya, spektrum dari tiga LKM pertama
dihitung dengan frekuensi marjinal Gabor Karena Mereka Memiliki kandungan frekuensi yang menarik dan PALING dari kandungan energi dari sinyal.
Gambar. 9 menunjukkan empat dekomposisi pertama dari sinyal getaran dari mesin sehat. Isi spektral, Menunjukkan di
Gambar. 10 Anda hanya memiliki satu komponen yang terletak di 668 Hz. CEEMD ini memberikan sinyal empat belas IMF, tetapi hanya empat pertama Apakah Dianggap Mendapatkan
frekuensi marjinal. Studi tentang mesin sehat tidak menghasilkan komponen-komponen frekuensi yang signifikan lainnya, dan representasi ini ( Buah ara. 8 dan 10 ) Akan menjadi acuan
untuk mesin lainnya Membandingkan kondisi rusak.
Gambar. 7. Pertama tiga LKM Meraih untuk sinyal suara akustik dari kasus yang sehat.
Gambar. 8. Spektrum tiga IMF suara pertama dari sinyal akustik untuk kasus yang sehat.
Gambar. 9. Pertama empat LKM Meraih untuk sinyal getaran dari kasus yang sehat.
6.2. Kasus studi: dua rotor bar rusak (2BRB)
Seperti disebutkan di atas, frekuensi kritis terkait dengan kesalahan ini terletak di 53,5 Hz dan 62,1 Hz. Gambar. 11
IMF menunjukkan tiga pertama dari 2BRB sinyal suara akustik. spektrum adalah pertama IMF Dihitung Mengingat hanya, yang merupakan salah satu wadah yang berisi informasi yang
berhubungan dengan kesalahan ini. Gambar. 12 (B) di atas agen diperoleh spektrum, ada beberapa Dimana komponen tidak hadir dalam spektrum kondisi mesin sehat (spektral Gambar. 12
(A)). Komponen pertama terletak di 435 Hz, Sesuai dengan harmonik ketujuh dari frekuensi 62,1 Hz. Dua sepasang komponen terletak di 588,5 Observed Juga Hz dan 621 Hz, Sesuai
dengan harmonik kesebelas frekuensi pada 53,5 Hz dan harmonis sepersepuluh dari frekuensi pada 62,1 Hz, masing-masing. Akhirnya, satu set harmonik Dengan amplitudo lebih tinggi
dari set sebelumnya adalah melihat. Ini terletak di 695 Hz dan 745 Hz dan Sesuai dengan harmonik ketiga belas dari frekuensi di
53,5 Hz dan harmonik kedua belas dari frekuensi pada 62,1 Hz, masing-masing.
Gambar. 13 menunjukkan empat LKM pertama dari sinyal getaran untuk kesalahan dan 2BRB Gambar. 14 Sesuai spektrum IMF pertamanya. di Gambar. 14 (B) dapat diamati tiga
komponen spektral terkait Dengan kesalahan BRB. Yang pertama adalah frekuensi 489 Hz, yang tidak hadir dalam sinyal dari motor yang sehat ( Gambar. 14 (A)). Komponen spektral
kedua, terletak di
Gambar. 10. Spektrum dari empat LKM dari sinyal getaran dari mesin kasus yang sehat.
Gambar. 11. Pertama tiga LKM suara dari sinyal akustik dari kasus 2BRB.
592 Hz, memiliki amplitudo energi yang lebih tinggi. Akhirnya, ada komponen lain pada frekuensi 724 Hz. Komponen yang terletak di 668 Hz adalah satu-satunya hadir dalam sinyal getaran
untuk motor sehat ( Gambar. 14 (A)).
6.3. Kasus studi: ketidakseimbangan (UNB)
Gambar. 15 menunjukkan tiga pertama IMF yang disediakan oleh analisis CEEMD dari sinyal suara akustik. Dalam ini studi kasus, hanya dua yang pertama Dianggap karena LKM
adalah orang-orang yang mereka Mengandung Informasi yang relevan untuk kesalahan ini. Frekuensi dasar kesalahan esta adalah frekuensi rotasi dari rotor, yang dalam hal ini adalah
57,75 Hz. Gambar. 16 menunjukkan spektrum diperoleh dengan menghitung frekuensi marjinal dari dua LKM pertama. di Gambar. 16 (B) dapat dilihat Cleary empat komponen spektral di
wilayah frekuensi yang menarik. Komponen pertama adalah pada 340 Hz Sesuai dengan harmonik keenam frekuensi rotasi rotor. Komponen kedua, yang terletak di 395 Hz, sesuai dengan
harmonik ketujuh. Komponen ketiga memiliki amplitudo lebih kecil dari komponen sebelumnya, dan itu terletak di 450 Hz. Frekuensi ini sesuai dengan harmonik kedelapan. Akhirnya, dapat
diidentifikasi harmonik kesembilan terletak di 510 Hz.
Gambar. 12. Spektrum sinyal suara akustik untuk (a) mesin sehat dan (b) mesin dengan dua bar rotor rusak.
Gambar. 13. Pertama empat LKM dari sinyal getaran untuk kasus 2BRB.
Gambar. 14. Spektrum sinyal getaran untuk (a) mesin sehat dan (b) mesin dengan dua bar rotor rusak.
Gambar. 15. Pertama tiga LKM dari sinyal suara akustik untuk kasus UNB.
Gambar. 16. Spektrum sinyal suara menggunakan dua LKM pertama untuk (a) mesin sehat dan (b) Dengan mesin unbalance.
Gambar. 17 menggambarkan empat pertama LKM Diperoleh Dengan CEEMD dari sinyal getaran mesin Dengan unbalance. Keempat IMF digunakan untuk menghitung spektrum dari
sinyal getaran adalah satu-satunya Karena itu berisi Salah satu informasi yang menarik.
di Gambar. 18 (B) itu terbukti pada 57,75 komponen Hz, yang tidak hadir dalam spektrum dari sinyal getaran untuk motor sehat ( 18 (A)), mengungkapkan kehadiran kesalahan Cleary
unbalance.
6.4. Kasus studi: bantalan kesalahan (BDF)
Tiga pertama dekomposisi LKM, Meraih Dengan CEEMD diterapkan pada sinyal suara akustik, ditunjukkan pada Gambar. 19 . di
kasus esta, Informasi Relevan Tentang kesalahan dalam dua dekomposisi pertama.
Sebagai Disebutkan Sebelumnya, cacat pada balapan luar menyebabkan impuls setiap kali bergulir kontak elemen cacat. DEMIKIAN, frekuensi terkait dengan kesalahan ini dikaitkan
dengan rotasi poros dan frekuensi terkait kesalahan raceway luar ballpass ( F BPOF) Yang terletak di 177,7 Hz. Untuk studi kasus ini, spektrum Diperoleh dari sinyal suara akustik ditunjukkan
pada Gambar. 20 . Dalam gambar ini, tiga harmonik terkait Dengan kesalahan terlihat: harmonik ketiga yang terletak di 533,1 Hz; harmonik keempat terletak di 710,8 Hz dan harmonik
amplitudo lain lebih rendah Dengan diposisikan pada
888,5 Hz, terkait Dengan harmonik kelima. Ketiga komponen spektral tidak Diamati dalam spektrum dari sinyal suara akustik dari motor yang sehat ( Gambar. 20 (B)), menunjukkan adanya
kesalahan.
di Gambar. 21 , Empat pertama dekomposisi LKM, diperoleh dari penerapan CEEMD ke sinyal getaran motor
Dengan bantalan cacat, yang akan ditampilkan. Dalam hal ini, informasi yang menarik adalah di IMF pertama.
di Gambar. 22 (A), terlihat spektrum IMF pertama dari sinyal getaran dari mesin sehat dan dalam Gambar. 22 (B), itu adalah
Gambar. 17. Pertama empat LKM dari sinyal getaran untuk kasus UNB.
Gambar. 18. Spektrum sinyal getaran menggunakan IMF keempat untuk (a) mesin sehat dan (b) Dengan mesin unbalance.
Gambar. 19. suara tiga LKM pertama dari sinyal akustik dari kasus BDF.
menunjukkan spektrum IMF pertama untuk mesin dengan cacat bantalan. Dalam Orang, dua komponen spektral terkait Dengan kesalahan ini Diamati: satu Sesuai dengan harmonik ketiga F
BPOF dan satu lagi Sesuai dengan harmonik keempat ITS. dibandingkan dengan Gambar. 22 (A), teramati bahwa komponen ini tidak hadir dalam spektrum IMF mesin sehat.
Sebagai kesimpulan dari semua kasus Belajar, analisis sinyal suara akustik dengan menggunakan CEEMD dalam kombinasi dengan frekuensi marjinal Gabor adalah metodologi layak
untuk deteksi kesalahan dalam IM. Hal ini-telah dikuatkan oleh analisis sinyal getaran. CEEMD Difasilitasi oleh sinyal deteksi Menghilangkan komponen spektral yang tidak diinginkan.
Dalam PALING kasus Belajar, Beberapa komponen spektral terkait Dengan kesalahan Apakah berada. Rusak rotor bar kesalahan menghasilkan tanda tangan lemah dalam spektrum sinyal
suara dari dalam spektrum dari sinyal getaran. Hal ini mungkin karena kontribusi mereka kepada generasi yang lebih rendah dari getaran mekanik, yang juga mempengaruhi produksi suara
akustik. Dalam kesalahan penelaahan lainnya (UNB dan BDF), frekuensi berhubungan kesalahan dipamerkan konten energi yang lebih besar, tabel 1 menunjukkan perbandingan dari
pendeteksian Antara teknik Usulan dan hasil Dilaporkan di [6] . pendeteksian yang Dihitung sebagai rasio amplitudo (dalam dB) antara rusak selama kondisi sehat.
Ini Telah Menunjukkan Bahwa metodologi Usulan untuk menganalisis suara dan getaran sinyal dari motor induksi Selama operasi steady state, Cleary lebih baik dari FFT. Kombinasi
dari CEEMD dan frekuensi marjinal dari TFDG menawarkan keuntungan dalam sinyal bising terhadap teknik klasik analisis spektral oleh FFT. The CEEMD menghilangkan komponen sinyal
yang tidak diinginkan, dan frekuensi TFDG menunjukkan toleransi kebisingan marjinal dan Menyediakan smoothing dari spektrum yang dihasilkan.
7. Kesimpulan
Dalam karya ini, ia Menunjukkan kelayakan mendeteksi kesalahan, Seperti bar rotor rusak, cacat pada bantalan atau unbalance mekanik, di motor induksi beroperasi pada kondisi
mapan dengan menganalisis akustik sinyal suara. Hasil menggunakan sinyal getaran berdasarkan pada yang menguatkan sinyal suara akustik. Penggunaan CEEMD Membantu untuk
memisahkan sinyal ke IMF. Hal ini dimungkinkan untuk memilih IMF tertentu Mereka Itu Mengandung informasi Diperlukan untuk mendeteksi kesalahan dan Menghilangkan, pada saat
yang sama, komponen sinyal yang tidak diinginkan. CEEMD digunakan sebagai tahap preprocessing dan Meningkatkan estimasi spektrum diperoleh dengan menghitung frekuensi marjinal.
Pilihan menghitung frekuensi marjinal representasi Gabor dibenarkan oleh fakta-fakta berikut: (i) memiliki toleransi kebisingan lebih baik dari FFT; (Ii) spektrum AKIBAT merapikan, yang
memudahkan interpretasi-Nya; (Iii) ada frekuensi kurang palsu, yang merupakan kelemahan hadir dalam metode lain. Akibatnya, Karakteristik spektrum diperoleh Memfasilitasi observasi
dan identifikasi komponen spektral terkait Dengan kesalahan penelaahan.
Metodologi ini terbukti sangat berguna dalam kasus Dimana akustik suara atau getaran sinyal adalah satu-satunya
Gambar. 20. Spektrum sinyal suara menggunakan dua LKM pertama untuk (a) mesin sehat dan (b) Dengan cacat mesin bantalan.
Gambar. 21. Pertama empat LKM dari sinyal getaran untuk kasus BDF.
Gambar. 22. Spektrum sinyal getaran menggunakan dua LKM pertama untuk (a) mesin sehat dan (b) Dengan cacat mesin bantalan.
tabel 1
Pendeteksian dalam dB untuk kesalahan penelaahan.
kondisi Motor Frekuensi TFDG marjinal FFT Wigner-Ville MUSIK
BRB 28 1 5 20
UNB 37 0 - 30
BDF 39 8 15 20
FFT: Fast Fourier Transform, MUSIK: klasifikasi Multiple-sinyal.
sinyal yang tersedia. Selain itu, analisis sinyal suara akustik adalah teknik non-invasif, AKIBAT dalam keuntungan besar karena itu TIDAK perlu untuk campur tangan dengan cara apapun
Dengan beroperasinya motor. Berdasarkan hasil yang diperoleh, metodologi Usulan digunakan untuk mengidentifikasi identitas Bisa jenis lain dari kesalahan dalam motor induksi dan
Umumnya, dalam setiap peralatan di mana suara dan getaran yang dipancarkan sebagai konsekuensi tegas rusak.
Namun, metodologi Usulan memiliki beberapa keterbatasan. Yang pertama adalah terkait dengan penggunaan CEEMD. Hal ini tidak mungkin untuk mengetahui apriori jumlah mode di
mana sinyal membusuk dan Yang modus atau IMF akan komponen spektral yang menarik baik Mengandung. Semua ini Membuat Diperlukan untuk menganalisa setiap LKM, atau PALING
dari mereka, untuk Mengidentifikasi spektral
konten. Ada batasan lain yang juga hadir dalam banyak karya yang berkaitan dengan kesalahan deteksi di IM. Lokalisasi frekuensi kesalahan tergantung pada pengetahuan tentang
kecepatan mesin atau slip. Dalam aplikasi lapangan, kecepatan mesin tidak selalu tersedia, dan itu harus melalui identifikasi Perkiraan harmonik slot yang utama atau komponen frekuensi
berhubungan dengan campuran eksentrisitas.
Ucapan Terima Kasih
Penelitian ini sebagian didukung oleh CONACYT Beasiswa 237.491, Universitas Guanajuato PIFI-SEP-2014 hibah, Universitas Valladolid, dan MINECO DP2014-52842-P Grant.
Referensi
[1] S. Monteith, J. Sheehan, R. Medel, M. Wintermark, M. Eames, J. Snell, et al., Potensi aplikasi intrakranial magnetic resonance-dipandu terfokus
operasi USG, J. Neurosurg. 118 (2013) 215 - 221, http://dx.doi.org/10.3171/2012.10.JNS12449 .
[2] G. Harvey, A. Gachagan, T. Mutasa, Ulasan daya tinggi USG-industri aplikasi dan metode pengukuran, IEEE Trans. Ultrason. fermentasi
roelectr. Freq. Control. 61 (2014) 481 - 495, http://dx.doi.org/10.1109/TUFFC.2014.2932 .
[3] A. Behnia, HK Chai, T. Shiotani, Advanced pemantauan kesehatan struktural dari struktur beton Dengan bantuan emisi akustik, constr. Membangun. Mater.
65 (2014) 282 - 302, http://dx.doi.org/10.1016/j.conbuildmat.2014.04.103 .
[4] R. Hansen, T. Sato, M. Ueda, S. Fukuda, sintetis aperture suara Technology Review, Maret Technol. Soc. J. (2013)
799 - 802, http://dx.doi.org/10.4031/MTSJ.47.5.5 .
[5] Seo DH, JH Jeon, YH Kim, Sebuah metode baru kesalahan penginderaan dalam bergerak mesin, Mech. Syst. Proses sinyal. 45 (2014)
154 - 169, http://dx.doi.org/10.1016/j.ymssp.2013.10.022 .
[6] A. Garcia-Perez, RJ Romero-Troncoso, E. Cabal-Yepez, RA Osornio-Rios, Lucio JA-Martinez, Penerapan analisis spektral resolusi tinggi untuk
Mengidentifikasi kesalahan dalam motor induksi dengan Sarana suara, J. VIB. Control. 18 (2011) 1585 - 1594 http://dx.doi.org/10.1177/1077546311422925 .
[7] V. Ghorbanian, J. Faiz, Sebuah survei pada waktu dan induksi frekuensi motor Karakteristik rotor bar dengan garis putus-putus-start dan mode inverter-makan,
Mech. Syst. Proses sinyal. 54 - 55 (2015) 427 - 456, http://dx.doi.org/10.1016/j.ymssp.2014.08.022 .
[8] A. Prudhom, J. Antonino-Daviu, H. Razik, V. Climente-Alarcon, analisis getaran Waktu-frekuensi untuk mendeteksi kerusakan mesin Disebabkan oleh
bantalan arus, Mech. Syst. Proses sinyal. (2015) 1 - 16, http://dx.doi.org/10.1016/j.ymssp.2015.12.008 .
[9] W. Zhou, Habetler TG, RG Harley, Bearing metode pemantauan kondisi untuk mesin listrik: tinjauan umum, di: Prosiding 2007 IEEE
Simposium Internasional Diagnostik Listrik Mesin Power Electronics dan Drives, 2007, hlm. 3 - 6. doi: < http://dx.doi.org/10.1109/DEMPED.2007. 4393062 >.
[10] T. Cai, S. Duan, B. Liu, F. Liu, C. Chen, bernilai real MUSIC algoritma untuk harmonik kekuasaan dan interharmonics estimasi, Int. J. Sirkuit Teori Appl. 39
(2011) 1023 - 1035, http://dx.doi.org/10.1002/cta.684 .
[11] MH Hayes, statistik Digital Signal Processing dan Modeling, 1st ed. John Wiley & Sons, Inc., New York, NY, USA, 1996 . [12] L. Auslander, C. Buffalano, RS Orr, R. Tolimieri, Perbandingan Gabor dan pendek-waktu
transformasi Fourier untuk deteksi sinyal dan ekstraksi fitur
di lingkungan yang bising, Proc. SPIE 1348 (1990) 230 - 247, http://dx.doi.org/10.1117/12.23480 .
[13] A. Gandhi, T. Corrigan, L. Parsa, kemajuan terbaru dalam pemodelan dan deteksi online kesalahan stator di motor interturn listrik, IEEE Trans. Ind.
Elektron. 58 (2011) 1564 - 1575 http://dx.doi.org/10.1109/TIE.2010.2089937 .
[14] H. Su, KT Chong, R. Ravi Kumar, analisis sinyal getaran untuk deteksi kesalahan listrik dari mesin induksi menggunakan jaringan saraf, Neural Comput.
Appl. 20 (2011) 183 - 194, http://dx.doi.org/10.1007/s00521-010-0512-3 .
[15] S. Nandi, TC Ilamparithi, Bin S. Lee, Hyun D., Deteksi kesalahan dalam mesin induksi eksentrisitas berdasarkan parameter papan nama, IEEE Trans. Ind.
Elektron. 58 (2011) 1673 - 1683 http://dx.doi.org/10.1109/TIE.2010.2055772 .
[16] K. Yahia, JM Cardoso, A. Ghoggal, SE Zouzou, induksi motor deteksi airgap-eksentrisitas melalui transformasi wavelet dari jelas diskrit
kekuatan sinyal di bawah kondisi operasi non-stasioner, ISA Trans. 53 (2014) 603 - 611, http://dx.doi.org/10.1016/j.isatra.2013.12.002 .
[17] PS Panigrahy, P. Konar, P. Chattopadhyay, Broken bar DWT deteksi kesalahan menggunakan Fused-FFT platform FPGA, di: Prosiding 2014 International
Konferensi Power, Tertanam Sistem Pengendalian, IEEE 2014, pp. 1 - 6. doi: < http://dx.doi.org/10.1007/978-3-642-22098-2 >.
[18] IS Lee, HCI Internasional 2011 - poster ' Abstrak diperpanjang, Springer Berlin Heidelberg, Berlin, Heidelberg (2011) http://dx.doi.org/10.1007/
978-3-642-22098-2 .
[19] SK Ahamed, S. Karmakar, M. Mitra, S. Sengupta, diagnosis kesalahan motor induksi karena rusak rotor bar dan rotor unbalance massa melalui
transformasi wavelet diskrit dari mulai saat tanpa beban, J. Electr. Syst. 6 (2010) 442 - 456 < http://www.scopus.com/inward/record.url?eid ¼ 2-s2.0-78651566865
& PARTNERID ¼ tZOtx3y1 > .
[20] A. Saghafinia, S. Kahourzade, A. Mahmoudi, WP Hew, MN Uddin, On line dilatih adaptif fuzzy logic dan wavelet kontinyu transformasi berdasarkan tinggi
deteksi kesalahan ketepatan IM dengan bar rotor rusak, di: Prosiding 2012 Aplikasi IEEE Industri Masyarakat Pertemuan Tahunan, IEEE 2012, pp. 1 - 8. doi: < http://dx.doi.org/http://dx.doi.org/10.1109/IAS.2012.6374027
>.
[21] A. Saghafinia, S. Kahourzade, A. Mahmoudi, WP Hew, MN Uddin, rotor bar deteksi kesalahan Patah motor induksi 3-Phase menggunakan wavelet kontinyu transformasi adaptif secara online dan logika fuzzy, Int.
Pdt Electr. Eng. 7 (2012) 4383 - 4394 .
[22] S. Das, C. Koley, P. Purkait, S. Chakravorti, SVM classifier untuk Wavelet dibantu antar-turn pemantauan kesalahan stator di motor induksi, IEEE PES Jenderal Temui.
PES 2010 (2010) 10 - 15, http://dx.doi.org/10.1109/PES.2010.5589595 .
[23] A. Pilloni, A. Pisano, M. Riera-Guasp, R. Puche-Baker, M. Pineda-Sanchez, deteksi kesalahan dalam motor induksi, dalam: Prosiding AC Listrik
Motor Control, John Wiley & Sons Ltd, 2013, hlm. 275 - 309. doi: < http://dx.doi.org/10.1002/9781118574263.ch14 >.
[24] metode berbasis Hilbert-Huang JA-Daviu Antonino, M. Riera-Guasp, M. Pineda-Sanchez, RB Perez, Sebuah perbandingan kritis Antara DWT dan untuk
diagnosis kegagalan rotor bar di mesin induksi, IEEE Trans. Ind. Appl. 45 (2009) 1794 - 1803 http://dx.doi.org/10.1109/TIA.2009.2027558 .
[25] ZK Peng, PW Tse, FL Chu, Sebuah studi perbandingan Hilbert-Huang ditingkatkan transformasi wavelet dan transformasi: aplikasi untuk kesalahan diagnosis untuk bergulir
bantalan, Mech. Syst. Proses sinyal. 19 (2005) 974 - 988, http://dx.doi.org/10.1016/j.ymssp.2004.01.006 .
[26] V. Climente-Alarcon, Antonino-Daviu JA, M. Riera-Guasp, M. Vlcek, Induksi mesin diagnosis oleh FIR filter takik maju dan Wigner - ville
distribusi, IEEE Trans. Ind. Electron. 61 (2013) 4217 - 4227, http://dx.doi.org/10.1109/TIE.2013.2286581 .
[27] SS Refaat, H. Abu-Rub, MS Saad, EM Aboul-Zahab, A. Iqbal, ANN berbasis untuk deteksi, diagnosis kesalahan bearing untuk motor induksi tiga fasa
menggunakan sinyal arus, di: Prosiding 2013 IEEE Konferensi Internasional tentang Teknologi Industri, 2013, hlm. 253 - 258. doi: < http://dx.doi.org/10. 1109 / ICIT.2013.6505681 >.
[28] V. Climente-Alarcon, Antonino-Daviu JA, M. Riera-Guasp, R. Puche-Baker, L. Escobar, Penerapan distribusi Wigner-Ville untuk deteksi
asimetri rotor dan eksentrisitas melalui high-order harmonik, Electr. Kekuatan Syst. Res. 91 (2012) 28 - 36, http://dx.doi.org/10.1016/j.epsr.2012.05.001
.
[29] V. Climente-Alarcon, J. Antonino-Daviu, M. Riera-Guasp, J. Pons-Llinares, J. Roger-Folch, P. Jover-Rodriguez, et al., Pelacakan Transient penerbangan dan tinggi
memesan komponen terkait eksentrisitas dalam motor induksi melalui alat TFD, Mech. Syst. Proses sinyal. 25 (2011) 667 - 679, http://dx.doi.org/10.1016/j.ymssp.2010.08.008
.
[30] V. Climente-Alarcon, Antonino-Daviu JA, M. Riera-Guasp, R. Puche, L. Escobar-Moreira, N. Wiener, et al., Diagnosis stator sirkuit pendek melalui
Wigner-Ville berbasis transient analisis, dalam: Prosiding 2009 Konferensi Tahunan IEEE-35 pada Industri Elektronik, 2009, hlm. 1097 - 1102. doi:
< http://dx.doi.org/10.1109/IECON.2009.5414677 >.
[31] M. Blödt, D. Bonacci, J. Regnier, M. Chabert, J. Faucher, On-line monitoring kesalahan mekanik di Variable kecepatan motor induksi drive menggunakan
distribusi Wigner, IEEE Trans. Ind. Electron. 55 (2008) 522 - 533, http://dx.doi.org/10.1109/TIE.2007.911941 .
[32] S. Rajagopalan, JM Aller, JA Restrepo, TG Habetler, RG Harley, Deteksi rotor brushless DC motor kesalahan dalam beroperasi di bawah nonstationary
kondisi, IEEE Trans. Ind. Appl. 42 (2006) 1464 - 1477 http://dx.doi.org/10.1109/TIA.2006.882613 .
[33] A. Garcia-Perez, R., J. Romero-Troncoso, E. Cabal-Yepez, RA Osornio-Rios, Penerapan analisis spektral resolusi tinggi untuk Mengidentifikasi
dikombinasikan beberapa kesalahan dalam motor induksi, IEEE Trans. Ind. Electron. 58 (2011) 2002 - 2010 http://dx.doi.org/10.1109/TIE.2010.2051398 .
[34] S. Bindu, VV Thomas, Diagnosis kesalahan internal tiga fase motor induksi sangkar tupai - untuk meninjau, dalam: Prosiding 2014 International
Konferensi Muka Energi Teknologi Konversi - Energi Intelligence Teknologi Manajemen Tantangan, ICAECT 2014, 2014, hlm. 48 - 54. doi:
< http://dx.doi.org/10.1109/ICAECT.2014.6757060 >.
[35] P. Zhang, Y. Du, TG Habetler, B. Lu, Sebuah survei pemantauan dan perlindungan metode kondisi motor induksi mediumvoltage, di: Prosiding
2009 IEEE Konversi Energi Kongres dan Pameran, ECCE 2009, 2009, hlm. 3165 - 3174 doi: < http://dx.doi.org/10.1109/ECCE.2009.5316083 >.
[36] Arredondo-PA Delgado, A. Garcia-Perez, D. Morinigo-Sotelo, RA Osornio-Rios, JG Avina-Cervantes, H. Wajah-Gonzalez, et al., Studi komparatif
waktu - teknik frekuensi dekomposisi untuk deteksi kesalahan dalam motor induksi menggunakan analisis getaran selama startup transien, Shock VIB. 2015 (2015) 1 - 14, http://dx.doi.org/10.1155/2015/708034 .
[37] A. Bellini, C. Concari, G. Franceschini, C. Tassoni, A. Toscani, Getaran, arus dan sinyal fluks liar untuk menilai induksi kondisi motor rotor, di:
IECON Industri Elektronik Prosiding Konferensi, vol. 2, 2006, pp. 4963 - 4968. doi: < http://dx.doi.org/10.1109/IECON.2006.347365 >.
[38] V. Climente-Alarcon, JA-Daviu Antonino, F. Vedreño-Santos, R. Puche-Baker, deteksi Getaran sementara bar rotor rusak oleh sidebands PSH,
IEEE Trans. Ind. Appl. 49 (2013) 2576 - 2582, http://dx.doi.org/10.1109/TIA.2013.2265872 .
[39] RK Pate, VK Giri, induksi diagnosis kesalahan bermotor menggunakan mengalir bantalan EMD dan teknik DWT, Int. J. Appl. Eng. Res. 10 (2015)
28.317 - 28.330 < http://www.scopus.com/inward/record.url?eid ¼ 2-s2.0-84937935869 & PARTNERID ¼ tZOtx3y1 > .
[40] Y. Ono, Y. Onishi, T. Koshinaka, S. Takata, O. Hoshuyama, deteksi Anomali motor Dengan rutin penekanan fitur hanya menggunakan suara, di: Pro
ceedings dari 2013 IEEE International Conference on Akustik Pidato dan Signal Processing, IEEE, 2013, hlm. 2800 - 2804. doi: < http://dx.doi.org/10. 1109 / ICASSP.2013.6638167 >.
[41] F. Salazar-Villanueva, OG Ibarra-Manzano, analisis spektral untuk Mengidentifikasi kesalahan dalam motor induksi dengan Sarana suara, di: Prosiding
CONIELECOMP 2013, 23 Konferensi Internasional Elektronik Komunikasi Computing, IEEE, 2013, hlm. 149 - 153. doi: < http://dx.doi.org/10.1109/ CONIELECOMP.2013.6525776 >.
[42] H. Akcay, E. Germ, Identifikasi spektrum akustik untuk deteksi kesalahan dalam motor induksi di: Africon 2013, IEEE 2013, pp. 1 - 5. doi: < http: //dx.doi.
org / 10,1109 / AFRCON.2013.6757650 >.
[43] A. Glowacz, Diagnostik dari DC dan motor induksi berdasarkan analisis dari sinyal akustik, Meas. Sci. Wahyu 14 (2014)
257 - 262, http://dx.doi.org/10.2478/msr-2014-0035 .
[44] E. Germ, M. Ba þ aran, M. Fidan, berdasarkan diagnosis kesalahan mesin Suara menggunakan induksi Kohonen mengorganisir diri peta, Mech. Syst. Proses sinyal. 46
(2014) 45 - 58, http://dx.doi.org/10.1016/j.ymssp.2013.12.002 .
[45] WR Finley, MM Hodowanec, WG Holter Sebuah pendekatan analitis untuk memecahkan getaran masalah mesin, IEEE Trans. Ind. Appl. 36 (2000)
217 - 232, http://dx.doi.org/10.1109/28.871297 .
[46] M. Salah, Bacha K., A. Chaari, penyelidikan Perbandingan media untuk mesin diagnosis induksi kesalahan mekanis unbalance, ISA Trans. 52 (2013)
888 - 899, http://dx.doi.org/10.1016/j.isatra.2013.07.011 .
[47] HP Bloch, Kegagalan Mesin Analisis dan Pemecahan Masalah, 3rd ed. Teluk Publishing Company, Houston, Tx, USA, 1999 . [48] PD McFadden, JD Smith, The getaran yang dihasilkan
oleh beberapa cacat titik di bantalan elemen bergulir, J. Suara VIB. 98 (1985)
263 - 273, http://dx.doi.org/10.1016/0022-460X(85)90390-6 .
[49] Z. Kiral, H. Karagülle, Simulasi dan analisis sinyal getaran yang dihasilkan oleh bergulir elemen bantalan Dengan cacat, Tribol. Int. 36 (2003)
667 - 678, http://dx.doi.org/10.1016/S0301-679X(03)00010-0 .
[50] A. Sadoughi, M. Ebrahimi, E. Rezaei, Sebuah pendekatan baru untuk motor induksi dengan menggunakan pecahan bar getaran diagnosis spektrum, di: Prosiding
2006 Pemelihara kuda-ICASE International Joint Conference 2006, pp. 4715 - 4720. doi: < http://dx.doi.org/10.1109/SICE.2006.314735 >.
[51] SH Cho, G. Jang, SH Kwon, Waktu - analisis frekuensi gangguan kualitas daya melalui Gabor - Wigner mengubah, IEEE Trans. Kekuatan deliv. 25
(2010) 494 - 499, http://dx.doi.org/10.1109/TPWRD.2009.2034832 .
[52] PL Søndergaard, algoritma yang efisien untuk Gabor diskrit transformasi dengan jendela cemara panjang, J. Fourier Anal. Appl. 18 (2011)
456 - 470, http://dx.doi.org/10.1007/s00041-011-9210-5 .
[53] MJ Bastiaans, MCW geilen, Di Gabor diskrit transformasi dan diskrit Zak transformasi, Proses Signal. 49 (1996)
151 - 166, http://dx.doi.org/10.1016/0165-1684(96)00014-X .
[54] AFO Lemoine, P. Flandrin, P. Goncalves Waktu - Frekuensi Toolbox Untuk Gunakan Whit MatLab, Paris, Perancis; Houston, Tx, USA, 1996. [55] N. Huang, Z. Shen, S. panjang, M. Wu, H. Shih, T. Zheng, et al.,
The empiris modus dekomposisi dan spektrum Hilbert untuk Nonlinear dan non-
analisis time series stasioner, Proc. R. Soc. A Math. Phys. Eng. Sci. 454 (995) (1998) 903, http://dx.doi.org/10.1098/rspa.1998.0193 .
[56] Torres ME, MA Colominas, G. Schlotthauer, P. Flandrin, A lengkap ensemble empiris modus dekomposisi Dengan kebisingan adaptif, dalam: Prosiding
Konferensi 2011 IEEE International pada Akustik Pidato dan Signal Processing, IEEE 2011: pp. 4144 - 4147. doi: < http://dx.doi.org/10.1109/ICASSP.
2011.5947265 >.
[57] P. Flandrin, G. Rilling, P. Goncalves, modus empiris dekomposisi sebagai bank filter, Proses IEEE Signal. Lett. 11 (2004)
112 - 114, http://dx.doi.org/10.1109/LSP.2003.821662 .
[58] Z. Wu, NE Huang, Ensemble modus empiris dekomposisi: metode analisis data suara-dibantu, Adv. ADAPT. Data Anal. 01 (2009)
1 - 41, http://dx.doi.org/10.1142/S1793536909000047 .
[59] A. Garcia-Perez, O. Ibarra-Manzano, RJ Romero-Troncoso, Analisis bar rotor sebagian rusak dengan menggunakan sebuah novel empiris modus dekomposisi
Metode, Prosiding IECON 2014 - 40 IEEE Konferensi Tahunan Industri Elektronik Society, 2014, hlm. 3403 - 3408. doi: < http://dx.doi.org/
10,1109 / IECON.2014.7049002 >.
[60] R. Miceli, Y. Gritli, A. Di Tommaso, F. Filippetti, C. Rossi, analisis tanda tangan Getaran untuk memantau rotor bar rusak di ganda induksi sangkar tupai
berdasarkan motor analisis wavelet, memaksa - Int. J. Comput. Matematika. Electr. Elektron. Eng. 33 (2014) 1625 - 1641 http://dx.doi.org/10.1108/COMPEL-09-2013-0304
.

Asistensi Laporan KP

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Asistensi Laporan KP

Enviado por

Direitos autorais:

Formatos disponíveis

Sistem mekanik dan Signal Processing ∎ (∎∎∎∎) ∎∎∎ - ∎∎∎

daftar isi yang tersedia di ScienceDirect

Sistem mekanik dan Signal Processing

jurnal homepage: www.elsevier.com/locate/ymssp

Paulo Antonio Delgado-Arredondo untuk . Daniel Morinigo-Sotelo b .

& 2016 Elsevier Ltd All rights reserved.

alamat E-mail: pa.delgadoarredondo@ugto.mx (Delgado-Arredondo PA), daniel.morinigo@eii.uva.es (D. Morinigo-Sotelo),

seperti Fast Fourier Transform.

2. Deskripsi kesalahan Ditangani

2.1. Teknik ketidakseimbangan (UNB)

/; dimana k adalah kekakuan

2.2. Bantalan kesalahan (BDF)

2.3. Patah rotor bar (BRB)

3. latar belakang teoretis

3.1. waktu - representasi frekuensi Gabor

Representasi Gabor Dijelaskan oleh persamaan berikut:

Di mana array untuk mk .

3.2. frekuensi marjinal waktu - representasi frekuensi

mtF () =∫ df tf( TFR

4. Lengkap Ensemble Empiris Modus penguraian

4.1. metode empiris untuk dekomposisi

4.2. deskripsi matematis

Berikutnya, membusuk Realisasi E1 +r wi

ansambel rata-rata sebagai yang kedua LKM 2.

untukk= ... 2,3, . K , yang k- th residu Menghitung: = rk r (-)k 1

4.3. Validasi dari Metodologi Usulan

Fs 2000 Hz dan durasi 4 detik. Akhirnya, Gaussian

dimana = F 60 hz = F 200 hz = F 780 hz = F 800 Hz dan = KNF / s (= ...

5.1. bar rotor rusak

5.2. kesalahan unbalance

Gambar. 3. Dua rotor bar rusak.

Gambar. 4. katrol tidak seimbang.

Gambar. 5. ras bantalan luar rusak.

5.3. cacat bantalan

rusak artifisial bantalan 6203-2ZNR digunakan dalam pekerjaan ini.

Gambar. 6. Blok diagram dari metodologi Usulan.

6. Hasil dan diskusi

6.1. Kasus studi: sehat

6.2. Kasus studi: dua rotor bar rusak (2BRB)

6.3. Kasus studi: ketidakseimbangan (UNB)

6.4. Kasus studi: bantalan kesalahan (BDF)

kondisi Motor Frekuensi TFDG marjinal FFT Wigner-Ville MUSIK

FFT: Fast Fourier Transform, MUSIK: klasifikasi Multiple-sinyal.

dari mereka, untuk Mengidentifikasi spektral

Ucapan Terima Kasih

Você também pode gostar