تشخیص اختلالات بارگیری مشخص در موتور القایی با ترکیب SWPT بهینه شده و SVM aiNet-DAG

تقاضا برای پایش وضعیت موتورهای القایی (IM)به تدریج افزایش می‌یابد تا عملکرد بخش‌های مهم در صنعت حفظ شود.این مساله از اهمیت زیادی برخوردار است زیرا مانع از شکست و درهم شکستن آن می‌شود.از آنجا که بیشتر خطاهای IM در یاتاقان رخ می‌دهند، تشخیص خطای یاتاقان (BFD)موضوع اصلی هدف قرار دادن زمانبندی تعمیرات و نگهداری برنامه‌ریزی نشده و هزینه تعمیر و نگهداری IM است.علاوه بر این، تاکید بر علل و پیش‌بینی پیامدهای شکست به شناسایی نوع خطا بستگی دارد.این مقاله با پیشرفت تکنیک‌های پردازش سیگنال و سیستم‌های یادگیری ماشین انگیزه دارد.این مطالعه یک روش ترکیبی جدید برای BFD مبتنی بر تبدیل بسته های ثابت موجک برای استخراج ویژگی و سیستم ایمنی مصنوعی تودرتو در درون ماشین‌های بردار پشتیبان برای طبقه‌بندی خطا پیشنهاد می‌کند.تحلیل رمزهای جریان موتور یک روش مقرون‌به‌صرفه برای BFD ارایه می‌دهد.برای ارزیابی این رویکرد، سیگنال‌های جریان تحت شرایط باره‌ای مختلف و سطوح بار جمع‌آوری شدند.نتایج آزمایش کارایی روش پیشنهادی را اثبات می‌کند.

true