ارائه یک روش مبتنی بر صدا برای تشخیص عیب با استخراج ویژگی های آماری در موتورهای پهپاد

موتورهای هواپیمای بدون سرنشین قطعات حیاتی هستند، به ویژه هنگامی که در کاربردهایی مانند سیستم های نظامی و دفاعی استفاده می شوند. این واقعیت که موتورهای بدون جاروبک DC (BLDC) مورد استفاده در پهپادها با سرعت بالا کار می کنند باعث ایجاد نقص می شود. در این تحقیق خرابی های پروانه، برون از مرکز و یاتاقان که به طور مکرر در موتورهای پهپاد دیده می شود، ایجاد شد. سپس با اعمال روش توصیه شده بر روی داده های صوتی دریافتی از موتورها، تشخیص عیب انجام شد. روش های پیش پردازش سیگنال، استخراج ویژگی و یادگیری ماشین برای مجموعه داده های صوتی به دست آمده اعمال شد. الگوریتم های درخت تصمیم (DT)، ماشین های بردار پشتیبانی (SVM) و k الگوریتم های نزدیک ترین همسایه (KNN) برای یادگیری ماشین استفاده می شوند. نتایج با استفاده از سه موتور پهپاد مختلف ۱۴۰۰ کیلوولت، ۲۲۰۰ کیلوولت و ۲۷۰۰ کیلوولت به دست آمده است. برای موتور ۲۲۰۰ کیلوولت، دقت ۹۹.۱۶، ۹۹.۷۵ و ۹۹.۷۵ درصد به ترتیب در الگوریتم های DT، SVM و KNN محاسبه شد. دقت بالای روش پیشنهادی حاکی از آن است که مطالعه به مطالعات در زمینه مربوطه کمک خواهد کرد. مزیت دیگر این است که این روش سریع و قادر به کار در زمان واقعی بر روی سیستم های جاسازی شده است.

کلیدواژه ها:

وتورهای پهپاد ، استخراج ویژگی های آماری ، فراگیری ماشین ، تشخیص عیب مبتنی بر صدا