Diagnostyka silnika synchronicznego oparta na rozpoznawaniu dźwięku z zastosowaniem LPCC i GSDM

• Autorzy: Głowacz A. , Głowacz W.

Warianty tytułu

EN

Diagnostics of a synchronous motor based on sound recognition with application of LPCC and GSDM

• Języki publikacji: PL

Abstrakty

PL

Zaprezentowano koncepcję badania sygnałów akustycznych stanów przedawaryjnych silnika synchronicznego. Oprogramowanie do rozpoznawania dźwięku zostało zaimplementowane. Algorytmy przetwarzania i analizy sygnałów akustycznych zostały zastosowane. System jest oparty na algorytmie LPCC (Współczynniki cepstralne liniowego kodowania) i GSDM (Genetyczna rozrzedzona pamięć rozproszona). Badania zostały przeprowadzone dla sygnałów akustycznych stanów przedawaryjnych. Zmiany w sygnale akustycznym spowodowane były przez zwarcia i przerwy w obwodzie stojana. Analiza wyników pokazuje wrażliwość metody opartej na LPCC i GSDM w zależności od danych wejściowych. Wyniki badań potwierdzają poprawne działanie systemu rozpoznawania dźwięku silnika synchronicznego.

EN

In recent years the methods of sound recognition have been de-veloped. Hence, there is an idea to use them in case of machines. The paper describes the concept of investigations of acoustic signals of synchronous motor imminent failure conditions. Measurements were taken with a recorder OLYMPUS WS-200S. Sound recognition software was implemented. Algorithms of signal processing and analysis were used. The system is based on the LPCC (Linear Predictive Cepstrum Coefficients) algorithm and GSDM (Genetic Sparse Distributed Memory). Investigations were carried out for acoustic signals of imminent failure conditions. The following plan of investigations of a synchronous motor acoustic signal was proposed: recording of audio track, sound track division, sampling, quantization, normalization, filtration, windowing, feature extraction, classification (Fig. 2). Figs. 3, 4, 5 and 6 show changes of the LPCC values for four types of the categories recognized. Changes in the acoustic signal were caused by short circuit and broken coils in the stator circuit. The sound recognition efficiency depending on the acoustic signal and the sample length is presented in Fig. 8. The sound recognition system was built for a synchronous motor. There were used 39 band-pass filters in investigations. Analysis of the results shows the sensitivity of the method based on LPCC and GSDM, depending on the input data. The results confirm correct operation of the synchronous motor sound recognition system. These studies can be used for diagnostics based on acoustic emission in electrical, mechanical, hydraulic and pneumatic machines.

Słowa kluczowe

PL

silnik synchroniczny; rozpoznawanie dźwięku; LPCC; GSDM; diagnostyka

EN

synchronous motor; sound recognition; LPCC (Linear Predictive Cepstrum Coefficients); GSDM (Genetic Sparse Distributed Memory); diagnostics

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2010
• Tom: R. 56, nr 5
• Strony: 479--482
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Głowacz A.

autor

Głowacz W.

• Wydział Elektrotechniki, Automatyki, Informatyki i,

Bibliografia

• [1] Mitrovic D., Zeppelzauer M., Eidenberger H.: Analysis of the Data Quality of Audio Features of Environmental Sounds, Journal of Universal Knowledge Management, vol. 1, no 1 (2006), 4-17.
• [2] Yoshii K., Goto M. and Okuno H. G.: Drum Sound Recognition for Polyphonic Audio Signals by Adaptation and Matching of Spectrogram Templates With Harmonic Structure Suppression, IEEE Transactions on Audio, Speech, and Language Processing, Vol. 15, No 1, January 2007, 333-345.
• [3] Dubois D., Guastavino C.: Cognitive evaluation of sound quality: Bridging the gap between acoustic measurements and meanings. Proceedings of 19th International Congress on Acoustics - ICA07, September 2-8 2007, Madrid, Spain.
• [4] Lee K.: Effective Approaches to Extract Features and Classify Echoes in Long Ultrasound Signals from Metal Shafts, Ph. D. dissertation, Brisbane, Australia, 2006.
• [5] The MARF Development Group: Modular Audio Recognition Framework v.0.3.0-devel-20050606 and its Applications, Application note, Montreal, Quebec, Canada, 2005.
• [6] Sutowski P.: Wykorzystanie wartości skutecznej sygnału emisji akustycznej oraz metod sztucznej inteligencji do oceny zużycia ściernicy, Pomiary Automatyka Kontrola, vol. 55, 4/2009, 255-258.
• [7] Tadeusiewicz R.: Speech recognition versus understanding of the nature of speech deformation in pathological speech analysis (Abstract), Archives of Acoustics, vol. 28, No 3, 2003, pp. 260.
• [8] Głowacz A., Głowacz W.: Dc machine diagnostics based on sound recognition with application of FFT and fuzzy logic, Przegląd Elektrotechniczny (Electrical Review), R. 84, NR 12/2008, pp. 43-46.
• [9] Głowacz A., Głowacz W.: Sound recognition of dc machine with application of FFT and backpropagation neural network, Przegląd Elektrotechniczny (Electrical Review), R. 84, NR 9/2008, pp. 159-162.
• [10] Kościelny J. M.: Diagnostyka zautomatyzowanych procesów przemysłowych, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001.
• [11] Uhl T., Barszcz T.: Informatyczne aspekty projektowania systemów monitorowania stanu maszyn - sprzęt i oprogramowanie, Diagnostyka, 2001 vol. 24 s. 13-22.
• [12] Strzyżakowski Z., Szulc W.: Komputerowe sterowanie i nadzór w zintegrowanych systemach bezpieczeństwa, Prace Naukowe Politechniki Radomskiej, Transport 1(17), Radom 2003.
• [13] Kaczorek T.: Wektory i macierze w automatyce i elektrotechnice, WNT Warszawa, 1998.
• [14] Klamka J., Ogonowski Z., Jamicki M., Stasik M.: Metody numeryczne, Wydawnictwo Politechniki Śląskiej, 2004.
• [15] Kowal M., Korbicz J.: Robust fault detection using neuro-fuzzy models, Przegląd Elektrotechniczny, 2006, No 1, pp. 32-36.
• [16] Zielonko R., Kowalewski M.: Nowa, metrologicznie zorientowana sieć neuronowa i metoda diagnostyki obiektów technicznych, Pomiary Automatyka Kontrola, vol. 54, 3/2008, 174-177.
• [17] Corneliu M., Costinescu B.: Implementing the Levinson-Durbin Algorithm on the StarCore™ SC140/SC1400 Cores, Application Note Freescale Semiconductor AN2197, 1/2005.
• [18] Antoniol G., Rollo F., Venturi G.: Linear Predictinve Coding and Cepstrum Coefficients for Mining Time Variant Information from Software Repositories, Second International Workshop on Minig Software Repositories , St. Louis, USA, May, 17, 2005, pp. 74-78.
• [19] Fan K. -C., Wang Y. -K.: A Genetic Sparse Distributed Memory Approach To The Application Of Handwritten Character Recognition. Pattern Recognition, Volume 30, Number 12, December 1997 , pp. 2015-2022(8).
• [20] Mizera P.: Rozpoznawanie mówcy z wykorzystaniem GSDM, Praca dyplomowa, Politechnika Krakowska, Kraków 2006.