Module for detection of electrical fault in the propulsion using mechanical and acoustical quantities
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F22%3APR36998" target="_blank" >RIV/00216305:26620/22:PR36998 - isvavai.cz</a>
Výsledek na webu
<a href="http://ai4csm.ceitec.cz/vysledky" target="_blank" >http://ai4csm.ceitec.cz/vysledky</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Module for detection of electrical fault in the propulsion using mechanical and acoustical quantities
Popis výsledku v původním jazyce
A software component for detection of a basic electric fault of the propulsion, implemented as a convolutional neural network, enabling the processing of heterogeneous information from the measurement of mechanical and acoustic quantities. Diagnostic data obtained by measuring the time series of vibrations and/or noise using accelerometers or microphones, or their combination, are normalized, divided into defined time periods and subsequently transformed into a 2D image in grayscale representing instantaneous values of acceleration or sound pressure. These prepared data are fed as input to a 2D convolutional neural network (2D-CNN), which represents a model of the diagnosed system. The neural network is trained on data from a training set created during measurements on a real electrical drive while emulating an electrical fault in the winding (inter-turn short circuit) and during different operating modes of the drive (torque, speed). Experimental data was obtained using several accelerometers located on the motor and one microphone located nearby. The created model therefore contains information from the acoustic area as well as from the area of mechanical vibrations. The CNN model was created in the TensorFlow/Keras environment in Python, and the training and validation of the model took place on a personal computer with a powerful nVidia GeForce RTX 2080T graphics card. The input data is defined as a byte type, and a number of trained network parameters is approximately 150 thousand. The model achieves fault detection accuracy of better than 99% when using input vibration data and over 90% when using data from acoustic measurements.
Název v anglickém jazyce
Module for detection of electrical fault in the propulsion using mechanical and acoustical quantities
Popis výsledku anglicky
A software component for detection of a basic electric fault of the propulsion, implemented as a convolutional neural network, enabling the processing of heterogeneous information from the measurement of mechanical and acoustic quantities. Diagnostic data obtained by measuring the time series of vibrations and/or noise using accelerometers or microphones, or their combination, are normalized, divided into defined time periods and subsequently transformed into a 2D image in grayscale representing instantaneous values of acceleration or sound pressure. These prepared data are fed as input to a 2D convolutional neural network (2D-CNN), which represents a model of the diagnosed system. The neural network is trained on data from a training set created during measurements on a real electrical drive while emulating an electrical fault in the winding (inter-turn short circuit) and during different operating modes of the drive (torque, speed). Experimental data was obtained using several accelerometers located on the motor and one microphone located nearby. The created model therefore contains information from the acoustic area as well as from the area of mechanical vibrations. The CNN model was created in the TensorFlow/Keras environment in Python, and the training and validation of the model took place on a personal computer with a powerful nVidia GeForce RTX 2080T graphics card. The input data is defined as a byte type, and a number of trained network parameters is approximately 150 thousand. The model achieves fault detection accuracy of better than 99% when using input vibration data and over 90% when using data from acoustic measurements.
Klasifikace
Druh
R - Software
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/8A21013" target="_blank" >8A21013: Automotive Intelligence for Connected Shared Mobility</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Interní identifikační kód produktu
HYBRID-ELDIAG
Technické parametry
Softwarová komponenta pro detekci základní elektrické poruchy pohonu realizovaná jako konvoluční neuronová síť umožňující zpracovávat heterogenní informace z měření mechanických a akustických veličin: - vstupní data: časové průběhy vibrací a/nebo hluku pomocí akcelerometrů nebo mikrofonů, případně jejich kombinace - předzpracování: normalizace, rozdělení na časové úseky délky 80 ms, transformace do 2D obrazu ve stupních šedi 64x64 - model: 2D konvoluční neuronová sít (2D-CNN) s 150 tisíci trénovaných parametrů - implementace: v jazyce Python v prostředí TensorFlow/Keras - trénování: datat vytvořená při měření na reálném pohonu při emulaci elektrické poruchy ve vinutí (mezizávitový zkrat) a při různých pracovních režimech pohonu (moment, otáčky) pomocí akcelerometrů a mikrofonu - validace: spolehlivosti detekce poruchy lepší než 99% při použití vstupních vibračních dat, nad 90% při použití dat z akustických měření
Ekonomické parametry
Softwarový modul pro detekci základní elektrické poruchy pohonu se používá pro další výzkum a vývoj, komerční využití se zatím nepředpokládá.
IČO vlastníka výsledku
00216305
Název vlastníka
Vysoké učení technické v Brně