The Development of an Automated Fault Detection System for Electronically Commutated Motors Using a Product Design and Development Approach
Abstract
ความต้องการกระบวนการผลิตที่มีประสิทธิภาพและเชื่อถือได้เพิ่มมากขึ้นทำให้จำเป็นต้องมีการพัฒนาระบบตรวจจับข้อบกพร่องแบบอัตโนมัติสำหรับมอเตอร์แบบสับเปลี่ยนทางอิเล็กทรอนิกส์ งานวิจัยนี้มุ่งเน้นการออกแบบและพัฒนาระบบที่ทนทาน คุ้มค่า เป็นมิตรกับผู้ใช้ และมีความแม่นยำในการตรวจจับข้อผิดพลาดมากกว่ามนุษย์ ด้วยการใช้หลักการออกแบบและพัฒนาผลิตภัณฑ์ ความต้องการของผู้มีส่วนได้ส่วนเสียจะถูกแปลเป็นข้อกำหนดทางเทคนิคเพื่อใช้ในกระบวนการออกแบบ ต้นแบบที่พัฒนาขึ้นประกอบด้วย ตู้เก็บเสียง ไมโครโฟนคอนเดนเซอร์ คอมพิวเตอร์ และอัลกอริทึมการเรียนรู้ของเครื่องที่ใช้ Support Vector Machine (SVM) ซึ่งช่วยให้การตรวจจับข้อผิดพลาดมีความแม่นยำสูงในการทดสอบถึง 94.54% ซึ่งเหนือกว่าประสิทธิภาพของผู้ปฏิบัติงานที่เป็นมนุษย์ซึ่งอยู่ที่ 86.00% ระบบมีส่วนต่อประสานกราฟิกกับผู้ใช้ที่ใช้งานง่ายเพื่อสามารถใช้กระบวนการควบคุมคุณภาพอย่างมีประสิทธิภาพ ระบบตรวจจับข้อผิดพลาดแบบอัตโนมัตินี้ได้รับการทดสอบประสิทธิภาพการใช้งานเพื่อช่วยปรับปรุงกระบวนการควบคุมคุณภาพสำหรับมอเตอร์แบบสับเปลี่ยนทางอิเล็กทรอนิกส์ ในอนาคตสามารถปรับปรุงอัลกอริทึมสำหรับแยกและลดเสียงรบกวนเพื่อให้สามารถใช้งานในสภาพที่มีเสียงรบกวนได้ดีขึ้น และการทดสอบระบบในสภาพแวดล้อมการผลิตแบบต่าง ๆ งานวิจัยนี้ยังแสดงให้เห็นว่าระบบตรวจจับข้อผิดพลาดแบบอัตโนมัติมีศักยภาพในการปฏิวัติการควบคุมคุณภาพการผลิต รวมทั้งการส่งเสริมให้มีการพัฒนาเทคโนโลยีใหม่ ๆ เพื่อปรับปรุงระบบการผลิตเพิ่มเติม
The growing demand for efficient and reliable manufacturing processes necessitates the development of automated fault detection systems for Electronically Commutated (EC) motors. This research focuses on designing and developing a robust, cost-effective, and user-friendly system that surpasses human accuracy in fault detection. Utilizing a product design and development methodology, stakeholder needs are translated into technical specifications to inform the design process. The prototype integrates a soundproofing enclosure, condenser microphone, computer, and a Support Vector Machine (SVM)-based machine learning algorithm, achieving an impressive testing accuracy of 94.54%. This results in high accuracy in fault detection, surpassing human performance, which stands at 86.00%. The system features a user-friendly Graphical User Interface (GUI) to ensure efficient quality control. Proven to be reliable and efficient, the automated fault detection system enhances the quality control process for EC motors. Future refinements could include improving noise isolation and cancellation algorithms and testing the system in various real-world manufacturing environments. This research suggests that automated fault detection systems have the potential to revolutionize manufacturing quality control and encourages further exploration of emerging technologies for production system enhancement.
Keywords
[1] S. M. Lu, “A review of high-efficiency motors: Specification, policy, and technology,” Renewable and Sustainable Energy Reviews, vol. 59, pp. 1–12, 2016.
[2] D. Yu, J. Guo, Q. Zhao, D. Zhao, and J. Hong, “Fault diagnosis for underdetermined multistage assembly processes via an enhanced Bayesian hierarchical model,” Journal of Manufacturing Systems, vol. 58, pp. 280–290, 2021.
[3] S. Yin, X. Li, H. Gao, and O. Kaynak, “Data-based techniques focused on modern industry: An overview,” IEEE Transactions on Industrial Electronics, vol. 62, no. 1, pp. 657–667, 2015.
[4] A. Abid, M. T. Khan, and J. Iqbal, “A review on fault detection and diagnosis techniques: Basics and beyond,” Artificial Intelligence Review, vol. 54, pp. 3639–3664, 2021.
[5] Y. Lei, B. Yang, X. Jiang, F. Jia, N. Li, and A. K. Nandi, “Applications of machine learning to machine fault diagnosis: A review and roadmap,” Mechanical Systems and Signal Processing, vol. 138, p. 106587, 2020.
[6] R. R. Da Silva and M. Giesbrecht, “Detection of broken rotor bars in induction motors through the k-NN algorithm combined with a deterministic-stochastic subspace method for system identification,” presented at the IECON 2021 – 47th Annual Conference of the IEEE Industrial Electronics Society, Toronto, ON, Canada, Oct. 13–16, 2021.
[7] H. Yetis, M. Karakose, I. Aydin, and E. Akin, “Bearing fault diagnosis in traction motor using the features extracted from filtered signals,” presented at the 2019 International Artificial Intelligence and Data Processing Symposium (IDAP), Malatya, Turkey, Sep. 21–22, 2019.
[8] C. P. Priyanka and P. Sanjeevikumar, “Real- Time estimation of bearing fault in Inverter-Fed Three-Phase induction motor,” presented at the 2023 IEEE 14th International Conference on Power Electronics and Drive Systems (PEDS), Montreal, QC, Canada, Aug. 07–10, 2023.
[9] T. Lu, F. Yu, B. Han, and J. Wang, “A generic intelligent bearing fault diagnosis system using convolutional neural networks with transfer learning,” IEEE Access, vol. 8, pp. 164807– 164814, 2020.
[10] M. Sameh, A. Tarek, and K. Yassine, “Bearing and rotor faults detection and diagnosis of induction motors using statistical neural networks,” presented at the 2020 20th International Conference on Sciences and Techniques of Automatic Control and Computer Engineering (STA), Monastir, Tunisia, Dec. 20–22, 2020.
[11] M. A. R. Alicando, G. M. Ramos, and C. F. Ostia, “Bearing fault detection of a Single-phase induction motor using acoustic and vibration analysis through Hilbert-Huang transform,” presented at the 2021 IEEE 13th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM), Manila, Philippines, Nov. 28–30, 2021.
[12] A. Das and S. Ray, “A Review on diagnostic techniques of bearing fault and its modeling in induction motor,” presented at the 2020 IEEE Calcutta Conference (CALCON), Kolkata, India, Feb. 28–29, 2020.
[13] S. Zhang, B. Wang, M. Kanemaru, C. Lin, D. Liu, M. Miyoshi, K. H. Teo and T. G. Habetler., “Model-Based analysis and quantification of bearing faults in induction machines,” IEEE Transactions on Industry Applications, vol. 56, no. 3, pp. 2158–2170, 2020.
[14] P. Wisbrock, D. Pelkmann, and Y. Richter, “Discussion of features for acoustic anomaly detection under industrial disturbing noise in an End-of-Line test of geared motors,” presented at the 2023 IEEE 21st International Conference on Industrial Informatics (INDIN), Lemgo, Germany, Jul. 18–20, 2023.
[15] P. B. Sangeetha and S. Hemamalini, “Rationaldilation wavelet transform based torque estimation from acoustic signals for fault diagnosis in a three-phase induction motor,” IEEE Transactions on Industrial Informatics, vol. 15, no. 6, pp. 3492–3501, 2019.
[16] K. T. Ulrich, S. D. Eppinger, and M. C. Yang, Product Design and Development, 7th ed. New York, NY: McGraw-Hill Education, 2019.
[17] J. R. Hauser and D. Clausing, The house of quality. Harvard Law Review, 1988, pp. 63–73.
[18] M. Jongprasithporn, N. Yodpijit, J. Pinitlertsakun, J. Siriwatsopon, G. Guerra, and T. Sittiwanchai, “Human factors approach for powered transfemoral prostheses conceptual design,” presented at the 2018 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), Bangkok, Thailand, Dec. 16–19, 2018 (in Thai).
[19] N. Yodpijit, M. Jongprasithporn, U. Khawnuan, T. Sittiwanchai, and J. Siriwatsopon, “Humancentered design of computerized prosthetic leg: A questionnaire survey for user needs assessment, In: T. Ahram, C. Falcão, Advances in Usability,” User Experience and Assistive Technology. AHFE 2018. Advances in Intelligent Systems and Computing, vol 794. Springer, Cham., 2018.
[20] T. Sittiwanchai and N. Yodpijit, “Incorporating the concepts of quality function deployment for identifying needs of powered prosthetic knee,” Suranaree Journal of Science and Technology, vol. 29, no. 6, pp. 1–30, 2022 (in Thai).
[21] J. Wang, F. Yang, Z. Yan, and J. Yang, “Design of frequency-invariant uniform concentric circular arrays with first-order directional microphones,” Signal Processing, vol. 217, p. 109330, 2024.
[22] X. Luo, J. Jin, G. Huang, J. Chen, and J. Benesty, “Design of steerable linear differential microphone arrays with omnidirectional and bidirectional sensors,” IEEE Signal Processing Letters, vol. 30, pp. 463–467, 2023.
[23] J. Wang, J. A. Zhang, P. Samarasinghe, and T. Abhayapala, “Time-Domain wideband image source method for spherical microphone arrays,” presented at the 2023 IEEE 25th International Workshop on Multimedia Signal Processing (MMSP), Poitiers, France, Sep. 27–29, 2023.
[24] D. Ren, X. Liu, M. Zhang, R. Gao, and Z. M. Qi, “Low-frequency bi-directional microphone based on a combination of bionic mems diaphragm and fiber acousto-optic transducer,” IEEE Sensors Journal, vol. 21, no. 13, pp. 14655–14665, 2021.
[25] O. Yaman, F. Yol, and A. Altinors, “A fault detection method based on embedded feature extraction and SVM classification for UAV motors,” Microprocessors and Microsystems, vol. 94, p. 104683, 2022.
[26] W. L. Martinez, “Graphical user interfaces,” Wiley Interdisciplinary Reviews: Computational Statistics, vol. 3, no. 2, pp. 119-133, 2011.
[27] M. Mir, F. Nasirzadeh, S. Lee, D. Cabrera, and A. Mills, “Construction noise management: A systematic review and directions for future research,” Applied Acoustics, vol. 197, p. 108936, 2022.
[28] K. Haruehansapong, W. Roungprom, M. Kliangkhlao, K. Yeranee, and B. Sahoh, “Deep Learning-Driven Automated Fault Detection and Diagnostics Based on a Contextual Environment: A Case Study of HVAC System,” Buildings, vol. 13, no. 1, pp. 27, 2022.
DOI: 10.14416/j.kmutnb.2024.01.005
ISSN: 2985-2145
Email this article 
Hide
Show all