Komputerowe techniki analizy informacji zawartej w sygnałach akustycznych maszyn elektrycznych dla celów diagnostyki stanów przedawaryjnych

mgr inż. Adam Głowacz

Promotor: Dr hab. inż. Grzegorz Dobrowolski, prof. nadzw. AGH
Dyscyplina: Informatyka


Celem pracy doktorskiej było udowodnienie tezy, że zastosowanie algorytmów rozpoznawania umożliwia użycie metod analizy sygnału akustycznego do efektywnej diagnostyki stanów przedawaryjnych maszyn elektrycznych. Aby osiągnąć ten cel, zrealizowano następujące zadania badawcze: przeanalizowano problemy rozpoznawania stanów przedawaryjnych maszyn elektrycznych, przedyskutowano możliwości zastosowania wybranych metod przetwarzania i analizy sygnału akustycznego, dokonano implementacji poszczególnych metod, opracowano projekt stanowiska diagnostycznego do badania sygnałów akustycznych maszyn elektrycznych, przeprowadzono badania sygnałów akustycznych zmierzające do skonfigurowania metod przetwarzania i analizy w celu uzyskania najlepszej metody rozpoznawania dla wybranych typów maszyn elektrycznych, przeprowadzono weryfikację wyników rozpoznawania sygnałów akustycznych oraz przedstawiono projekt urządzenia monitorującego maszynę elektryczną w trakcie jej eksploatacji.

Rozważania prowadzone w pracy doktorskiej dotyczyły dwóch wybranych maszyn elektrycznych. Przeprowadzone badania pokazały, że stany pracy maszyn testowych znajdowały odbicie w sygnałach akustycznych przez nie generowanych w stopniu wystarczającym, aby metody rozpoznające z zadawalającą precyzją wskazywały pojawianie się monitorowanych uszkodzeń.

Istotnym czynnikiem wpływającym na uzyskanie wysokiej skuteczności rozpoznawania sygnału akustycznego była długość próbki dźwięku stosowana do rozpoznawania. Wykazano również, iż zmodyfikowany klasyfikator NM z metrykami Manhattan, Euklidesa i Minkowskiego działał najlepiej przy wypracowanych metodach obróbki. Dobre wyniki zostały otrzymane dla przypadku z klasyfikatorem opartym na słowach. Sieć neuronowa z algorytmem wstecznej propagacji błędów miała niższą skuteczność rozpoznawania niż pozostałe klasyfikatory. Spośród algorytmów FFT, LPCC, LPC najlepszą skuteczność rozpoznawania sygnału akustycznego dawały FFT i LPCC.

Pełna wersja autoreferatuautoreferat_ag.pdf

• dr hab. inż. Marek Skomorowski, prof. n. UJ Recenzja nr 1
  
• prof. dr hab. inż. Ewa Dudek-Dyduch Recenzja nr 2
  

1. A. Głowacz: Rozpoznawanie dźwięków maszyny prądu stałego z zastosowaniem algorytmów sztucznej inteligencji, Zeszyty Studenckiego Towarzystwa Naukowego – Publikacje Laureatów IX edycji konkursu DIAMENTY AGH, Nr 14, Kraków, 2008, s. 39-45.
2. A. Głowacz: Rozpoznawanie dźwięków maszyny prądu stałego z zastosowaniem LPC i algorytmu wstecznej propagacji błędów, Materiały konferencji: Telekomunikacja i Systemy Bezpieczeństwa w Górnictwie (ATI 2008), Szczyrk, 28-30 maja 2008, s. 223-230.
3. A. Głowacz: Diagnostyka silnika synchronicznego oparta na rozpoznawaniu dźwięku z zastosowaniem FFT i GSDM. Materiały konferencji: Telekomunikacja i Systemy Bezpieczeństwa w Górnictwie (ATI 2009), Szczyrk, 30.09-2.10 2009 s. 167-174.
4. A. Głowacz, G. Dobrowolski: Oprogramowanie i integracja stanowiska do badania sygnałów akustycznych stanów przedawaryjnych maszyn elektrycznych. XVIII Międzynarodowe sympozjum – Zastosowania Teorii Systemów Zakopane 27-29 września 2009. Półrocznik Automatyka AGH, Tom 13, Zeszyt 2, Uczelniane Wydawnictwo Naukowo-Dydaktyczne, Kraków 2009, s. 267-274.
5. A. Głowacz, W. Głowacz: New Approach to Diagnostics of DC Machines by Sound Recognition Using Linear Predictive Coding. Human-Computer Systems Interaction, Advances in Soft Computing, Springer Berlin / Heidelberg, Volume 60/2009, October 13, 2009, pp. 529-540.
6. A. Głowacz, W. Głowacz: Shape Recognition of Film Sequence with Application of Sobel Filter and Backpropagation Neural Network. Human-Computer Systems Interaction, Advances in Soft Computing, Springer Berlin / Heidelberg, Volume 60/2009, October 13, 2009, pp. 505-516.
7. A. Głowacz: Diagnostyka silnika indukcyjnego oparta na analizie sygnałów akustycznych z użyciem dyskretnej transformaty falkowej Haara i klasyfikatora najbliższej średniej z metryką Euklidesa, XIV Krajowa konferencja elektryki górniczej: Zakopane, 10–12 października 2012 r., s. 51-59.
8. A. Głowacz, Z. Głowacz: Diagnostics of DC machine based on analysis of acoustic signals with application of MFCC and classifier based on words, Archives of Metallurgy and Materials, 2012 vol. 57 iss. 1 pp. 179–183.
9. A. Głowacz, W. Głowacz: Diagnostics of Direct Current motor with application of acoustic signals, reflection coefficients and K-Nearest Neighbor classifier, Przegląd Elektrotechniczny, 2012 R. 88 nr 5a pp. 231–233.
10. A. Głowacz: Diagnostics of induction motor based on analysis of acoustic signals with the application of eigenvector method and K-Nearest Neighbor classifier, Archives of Metallurgy and Materials, 2012 vol. 57 iss. 2 pp. 403–407.