Details

The aim of this study is to detect the faults as well as real time monitoring of the motor based on digital techniques. The following objectives are set for this study: 1. To study the inner workings of conversion of one-dimension vibration signals into two dimensional time-frequency signals. 2. To analyze the modern researches on motor fault detection. 3. To develop a methodology for motor fault detection based on digital techniques implementing neural networks to find defects. 4. Development of software implementation of the methodology and practical application of the model. 5. Evaluating the accuracy and speed of defect scanning of the developed software implementation. During the work, we studied the implementation and architecture of the VGG network stack and analyzed the latest research results in the field of VGG motor fault detection. In this research, a tool incorporating neural networks for motor fault detection was developed. The tool not only achieved satisfactory results in terms of fault detection quality, but also performed well in terms of efficiency. The results of the study can be used as a basis for the design of an analytical mechanism for motor fault detection in VGG networks.

Целью данного исследования является обнаружение неисправностей, а также мониторинг электродвигателя в реальном времени на основе цифровых технологий. В рамках данного исследования поставлены следующие задачи: 1. Изучить внутреннее устройство преобразования одномерных вибрационных сигналов в двумерные время-частотные сигналы. 2. Проанализировать современные исследования по обнаружению неисправностей электродвигателей. 3. Разработка методики обнаружения неисправностей электродвигателей на основе цифровых методов, реализующих нейронные сети для поиска дефектов. 4.Разработка программной реализации методики и практическое применение модели. 5. Оценка точности и скорости сканирования дефектов разработанной программной реализации. В ходе работы были изучены реализация и архитектура сетевого стека VGG, а также проанализированы результаты последних исследований в области обнаружения дефектов двигателей с помощью VGG.В рамках данного исследования был разработан инструмент, включающий нейронные сети для обнаружения неисправностей двигателя. Инструмент не только показал удовлетворительные результаты с точки зрения качества обнаружения неисправностей, но и продемонстрировал высокую эффективность. Результаты исследования могут быть использованы в качестве основы для разработки аналитического механизма обнаружения неисправностей двигателя в сетях VGG.

• РЕФЕРАТ
• ABSTRACT
• INTRODUCTION
• 1. Background
  • 1.1 Research Status of Motor Fault Diagnosis Technology
  • 1.2 Current status of domestic and foreign research
    • 1.2.2 Signal-based Fault Diagnosis of Conventional Motor Bearings
    • 1.2.3 Research on deep learning-based fault diagnosis of motor bearings
    • 1.2.4 Research on Motor Bearing Fault Diagnosis Based on Information Fusion
    • 1.2.5 Current status of simulation-based fault diagnosis research
  • 1.3 Deficiencies of existing research
  • 1.4 Main Research Contents
  • 2.1 Motor Bearing Analysis
  • 2.2 Causes of rolling bearing failures and common forms of failure
  • 2.3 Rolling bearing failure characteristic frequency
• 3. Vibration Signal to Image Conversion
  • 3.1 Continuous Wavelet Transform
  • 3.2 Complex Wavelet Transform
  • 3.3 Flow of converting time-frequency diagram of vibration signal
• 4 Deep Learning Related Theories
  • 4.1 Overview of Deep Learning
  • 4.2 Convolutional Neural Network
    • 4.2.1 Convolutional Layer
    • 4.2.2 Pooling layer
    • 4.2.3 Fully connected layer
  • 4.3 Activation function
    • 4.3.1 Leaky ReLu activation function
    • 4.3.2 Sigmoid activation function
    • 4.3.3 Tanh hyperbolic tangent activation function
    • 4.3.4 ReLU activation function
  • 4.4 Loss Function
  • 4.5 Optimization Algorithms and Strategies
    • 4.5.1 SGD Optimizer
    • 4.5.2 Adam optimizer
  • 4.6 Dropout layer
  • 4.7 VGGNet
  • 4.8 Optimization of VGG16 network structure
  • 4.9 Experimental Procedure
  • 4.10 Experimental Results Analysis
• 5. Simulink modeling
  • 5.1 Principle of motor operation
  • 5.2 Park transformation
  • 5.4 Experimental Analysis
• CONCLUSION
• REFERENCE LIST