Diagnostics of Direct Current motor with application of acoustic signals, reflection coefficients and K-Nearest Neighbor classifier

One of the main problems faced by engineers, is to ensure the operation of Direct Current motors. In this paper a pattern recognition method was used to provide the diagnostics of dc motor. This method is based on a study of acoustic signal. Plan of study of acoustic signals for two conditions of Direct Current motor was proposed. Studies were carried out for algorithms of data processing: reflection coefficients and K-Nearest Neighbor classifier with Manhattan distance. Developed method can be performed automatically. This system is a significant step towards the maintenance-free diagnostic systems of Direct Current motors. Streszczenie. Jednym z podstawowych problemow, z jakim spotykają sie inzynierowie, jest zapewnienie funkcjonowania silnikow elektrycznych. W niniejszej pracy metoda rozpoznawania wzorcow zostala uzyta do diagnostyki silnika prądu stalego. Metoda ta oparta jest na badaniu sygnalu akustycznego. Zaproponowano plan badania sygnalow akustycznych dla dwoch stanow silnika prądu stalego. Badania zostaly przeprowadzone dla algorytmow przetwarzania danych: wspolczynnikow odbiciowych i klasyfikatora K-Najblizszego Sąsiada z metryką Manhattan. Opracowana metoda moze byc wykonywana automatycznie. System ten jest istotnym krokiem w kierunku bezobslugowych systemow diagnostycznych silnikow prądu stalego.(Diagnostyka silnika prądu stalego z zastosowaniem sygnalow akustycznych, wspolczynnikow odbiciowych i klasyfikatora KNajblizszego Sąsiada).

[1]  D. Lisjak,et al.  The prediction of the microstructure constituents of spheroidal graphite cast iron by using thermal analysis and artificial neural networks , 2010 .

[2]  P. Niedziejko,et al.  Współczesne metody analizy dźwięku serca , 2011 .

[3]  S. Cieślik,et al.  Application of genetic algorithm for optimal placement of generators in the MV power grid , 2011 .

[4]  Z. Głowacz,et al.  Automatic recognition of armature current of Dc Motor with application of FFT and GSDM , 2011 .

[5]  L. Wyse,et al.  SOUND TEXTURE MODELING AND TIME-FREQUENCY LPC , 2004 .

[6]  S. Osowski,et al.  Diagnostic feature selection for efficient recognition of different faults of rotor bars in the induction machine , 2010 .

[7]  Zbigniew Gomolka,et al.  Bezinwazyjna diagnostyka uzwojeń magnesujących przy użyciu sztucznych sieci neuronowych , 2011 .

[8]  A. Głowacz.  Diagnostyka maszyny prądu stałego oparta na rozpoznawaniu dźwięku z zastosowaniem LPC i GSDM , 2010 .

[9]  F. Itakura.  Line spectrum representation of linear predictor coefficients of speech signals , 1975 .

[10]  M. Suliga.  The influence of the High Drawing Speed on Mechanical-Technological Properties of High Carbon Steel Wires , 2011 .

[11]  Z. Głowacz,et al.  Analiza spektralna sygnałów silnika komutatorowego prądu stałego zasilanego ze źródła napięcia stałego , 2006 .

[12]  M. Gutten,et al.  Measurement of Electrical Parameters of Breakdown in Transformer Oil , 2009 .

[13]  Bogdan Sapiński,et al.  Analiza generatora z magnesami trwałymi i cewką z uzwojeniem foliowym dla tłumika MR przy okresowych wymuszeniach kinematycznych , 2010 .

[14]  Miroslav Gutten,et al.  Mechanical effects of short-circuit currents analysis on autotransformer windings , 2011 .

[15]  Wojciech Pietrowski.  Application of Radial Basis Neural Network to diagnostics of induction motor stator faults using axial flux , 2011 .

[16]  M. Negrea.  Electromagnetic flux monitoring for detecting faults in electrical machines , 2006 .

[17]  S. Derlecki,et al.  Właściwości materiałów magnetycznych i ich wpływ na konstrukcję maszyn elektrycznych , 2010 .

[18]  Dariusz Borkowski,et al.  Specialized diagnostic system for induction motors , 2010 .

[19]  A. Skrzat.  Fuzzy Logic Application to Strain-Stress Analysis in Selected Elastic-Plastic Material Models , 2011 .

[20]  Azah Mohamed,et al.  Application of artificial intelligent techniques in PSS design: A survey of the state-of-the-art methods , 2011 .