Modul pro detekci elektrické poruchy pohonu s využitím mechanických a akustických veličin

​Softwarová komponenta pro detekci základní elektrické poruchy pohonu realizovaná jako konvoluční neuronová síť umožňující zpracovávat heterogenní informace z měření mechanických a akustických veličin. Diagnostická data získaná měřením časových průběhů vibrací a/nebo hluku pomocí akcelerometrů nebo mikrofonů, případně jejich kombinace, jsou normalizována, rozdělena na definované časové úseky a následně transformována do tvaru 2D obrazu ve stupních šedi reprezentující okamžité hodnoty zrychlení nebo akustického tlaku. Takto předpřipravená data jsou předkládána jako vstup do 2D konvoluční neuronové sítě (2D-CNN), která představuje model diagnostikovaného systému. Neuronová síť je naučena na data z trénovací množiny vytvořené při měření na reálném pohonu při emulaci elektrické poruchy ve vinutí (mezizávitový zkrat) a při různých pracovních režimech pohonu (moment, otáčky). Experimentální data byla získána s využitím několika akcelerometrů umístěných na motoru a jednoho mikrofonu umístěného v blízkosti zařízení. Vytvořený model tedy obsahuje informace z akustické oblasti i z oblasti mechanických vibrací. Model CNN byl vytvořen v prostředí TensorFlow/Keras v jazyce Python a trénování a validace modelu probíhala na osobním počítači s výkonnou grafikou kartou nVidia GeForce RTX 2080T. Vstupní data jsou definována typem byte a počet trénovaných parametrů sítě je přibližně 150 tisíc. Model dosahuje spolehlivosti detekce poruchy lepší než 99% při použití vstupních vibračních dat a nad 90% při použití dat z akustických měření.