دانشجو: آقای میرربیع سیدعلیرضا
استاد راهنما: دکتر رویا امجدی فرد
زمان: پنجشنبه ۳۰ بهمن ماه ۱۴۰۴ ساعت: ۰۹:۳۰
مکان: دانشکده فنی و مهندسی کلاس ۲۰۳
چکیده:موتورهای القایی سه فاز به عنوان اصلیترین محرکهای صنعتی شناخته میشوند و پایش وضعیت آنها برای جلوگیری از توقفهای ناگهانی و خسارات اقتصادی حیاتی است. در میان عیبهای رایج، عیب شکستگی میله روتور به دلیل ماهیت پنهان خود در مراحل اولیه و دشواری تفکیک فرکانسهای جانبی در روشهای سنتی مانند تبدیل فوریه، چالشی جدی محسوب میشود. اگرچه رویکردهای نوین مبتنی بر یادگیری عمیق نتایج درخشانی ارائه کردهاند، اما ادبیات موجود عمدتاً بر استفاده از شبکههای سنگین و از پیش آموزش دیده مانند VGG یا ResNet (با میلیونها پارامتر) و انتقال دانش از حوزههای نامرتبط (مانند ImageNet) تمرکز دارد که منجر به بار محاسباتی بالا در پیادهسازیهای صنعتی میشود. در این پایاننامه، یک چارچوب تشخیص عیب هوشمند، سبک و کارآمد ارائه شده است که بر کیفیت ورودی و انتقال دانشِ دامنه-محور تمرکز دارد. در مرحله پیشپردازش از تبدیل موجک همزمان فشردهشده (SSWT) استفاده شده است تا سیگنالهای جریان یکبعدی به تصاویر زمان-فرکانس دو بعدی با وضوح و تمرکز انرژی بالا تبدیل شوند. در بخش مدل سازی یک شبکه عصبی پیچشی (CNN) سبک طراحی شده است که با تعداد پارامترهای بسیار کمتر طراحی شده که قابلیت استخراج ویژگیهای زمان-فرکانسی را دارد. جهت غلبه بر چالش کمبود داده در موتورهای صنعتی خاص، از استراتژی یادگیری انتقالی همگن استفاده شده است؛ بدین صورت که شبکه ابتدا روی دادههای یک موتور مرجع آموزش دیده و سپس دانشِ فیزیک عیب به موتور هدف منتقل میشود. نتایج شبیهسازی و تحلیلهای مقایسهای نشان میدهد که روش پیشنهادی با وجود داشتن حجم محاسباتی به مراتب کمتر نسبت به مدلهای مشهور (مانند VGG۱۹)، به دقت تشخیص و طبقهبندی برتر نسبت به این مدلها دست مییابد. همچنین، استفاده از یادگیری انتقالی موجب افزایش چشمگیر سرعت همگرایی و دقت در موتور هدف شده است. این پژوهش اثبات میکند که ترکیب پردازش سیگنال پیشرفته (WSST) با یادگیری انتقالی همگن، راهکاری عملیتر و دقیقتر برای سیستمهای پایش وضعیت در صنعت است. در فرایند آموزش شبکه از دو مجموعه داده (یک مجموعه داده از موتور واقعی و یک مجموعه داده از شبیه سازی ?? موتور القایی) استفاده شده.
|