23510

MEC2 246

كارشناسي ارشد

مهندسي مكاترونيك

فني و مهندسي

دي ماه 1402

103 ص.

حامد شهبازي , حسين كريم پور

شبكه عصبي , ارتعاشات , مشاهده¬گر , پايش وضعيت , ماشين لباسشويي , نابالانسيكوپل

امروزه يكي از اهداف اصلي پروژه‌هاي دانشگاهي برطرف‌كردننيازها و چالش‌هاي صنعتگران و انجام پژوهش در بالاترين سطح علمي مي‌باشد.ماشينلباسشويي جز كالاهايي مي‌باشد كه بايد دوام زيادي داشته باشد. پس تلاش مي¬شود ايندستگاه‌هابه‌گونه‌اي توليدمي‌شوند كه دوام داشته باشند و سال‌ها عمر كنند. بااين‌حال، ناهنجاري‌هاي جزئي در شرايط كاري، مانند عدم تعادل بار داخل ماشين لباسشويي (نابالانسي) كه به طور مكرر در طول مدت استفاده رخ مي‌دهد، مي‌تواند بر عملكرد و طول عمر آن‌ها تأثير منفي بگذارد. در حال حاضر روش‌هايي براي تشخيص نابالانسي و نابالانسيكوپل در ماشين لباسشويي وجود دارد؛ اما روش‌هايموجود در حالتي كه هيچ حس‌گر اضافي وجود ندارد، براي تشخيص نابالانسيكوپل دچار خطا مي‌شوند؛ لذا هدفاينپروژهتشخيص توزيعبارغيريكنواختبه‌صورتدو‌جهته (نابالانسيكوپل)بررويشافتموتورمي‌باشد. بيشتر كارهاي قبلي در مورد تشخيص عدم تعادل درماشين‌هايلباسشويي بر روي تشخيص عدم تعادل بار و فرموله‌كردن آن تمركز دارد. با اين حال، محدوديت اصلي بيشترروش‌هاي پيشنهادي اين است كه يا بر مدل‌هاي پيچيده رياضي (رويكرد اول) ماشين تكيهمي‌كننديا از داده‌هاي چندينحسگر واقع در موقعيت‌هاي مختلف در ماشين (رويكرد دوم) براي رسيدن به كار استفاده شده است. در پژوهش حاضر به اين صورت عمل شده است كه با استفاده از ابزار شبكه عصبي مصنوعي و بدون اضافه‌كردن و حتي حذف حس‌گرارتعاشي و تنها با استفاده از داده‌هايراه‌انداز موتور ماشين لباسشويي، تشخيص نابالانسيكوپل بار داخل ماشين لباسشويي انجام شده است.در اين پژوهش به بررسي و مقايسه‌يشبكه‌هاي عصبي مصنوعي مختلف مانند خانواده‌يNARX ،GRU ها، LSTM ها و روشي تركيبي به كمك شبكه عصبي CNN پرداخته شده است. تبديل سري‌هاي زماني به تصاوير و تعليم تصاوير به شبكه عصبي CNNبه‌عنوان يك روش متفاوت به‌دقت 86.5 درصد رسيده و در كل اين شبكه عصبي نتايج مقبولي ارائه داد. همچنين مهم‌ترين مشكل اين شبكه عصبي دشوار بودن تبديل اين روش و شبكه عصبي به كد Cمي‌باشد. شبكه عصبي NAR به دليل ويژگي‌هاي ذاتي و همچنين ارائه نتايج خوب مانند دقت 88.5 درصدي، در پاسخ به تشخيص حالت بالانس و نابالانسيكوپل، مناسب‌ترين روش و شبكه عصبي مصنوعي مورد استفاده در اين پژوهش بوده است. با اين حال يكي از معايب اصلي آن طولاني بودن زمان آموزش در صورت وجود نظر به گذشته‌هاي زياد است؛ اما ساده‌ترين روش براي پياده‌سازي روي سخت‌افزار ماشين لباسشويي، اين شبكه عصبي مي‌باشد.

1403/03/07

همدم نوروزي

: Neural network , Vibration , Observer , Condition monitoring , Washing machine , Couple unbalance

Predicting the dynamic behavior of a system with a state observer using recurrent neural networks and Implementation on a laboratory device: a case study on a washing machine

مهندسي مكانيك

Today, one of the main goals of university project is to solve the needs and the challenges of industries and to conduct research at the highest scientific level. A washing machine is one of the most essential durable goods found in any modern home. These devices are manufactured to be durable and last for years. However, slight abnormalities in working conditions, such as load imbalance inside the washing machine (unbalance) that occurs repeatedly during use, can negatively affect their performance and lifespan. Currently, there are methods to detect unbalance and unbalance couple in washing machine, but the existing methods fail to detect unbalance couple in the case where there is no additional sensor. Therefore, the aim of this project is to detect non-uniform load distribution in two directions (unbalanced coupling) on the motor shaft. Most previous works on unbalance detection in washing machines focus on load unbalance detection and formulation. However, the main limitation of most of the proposed methods is that they either rely on complex mathematical models of the car (first approach) or data from several sensors located in different positions in the car (second approach) are used to achieve the task. In the present research, it has been done in such a way that by using the artificial neural network tool and without adding or even removing the vibration sensor and only by using the starting data of the washing machine motor, the load unbalance couple inside the washing machine has been detected. In this research, various artificial neural networks such as NARX family, GRUs, LSTMs and a hybrid method using CNN neural network have been investigated and compared. Converting the time series to images and training the images to the CNN neural network as a different method reached 86.5% accuracy and in general this neural network provided acceptable results. Also, the most important problem of this neural network is the difficulty of converting this method and neural network to C code. NAR neural network has been the most appropriate method and artificial neural network used in this research due to its inherent characteristics and also providing good results such as 88.5% accuracy in response to the detection of balance and imbalanced couples. However, one of its main disadvantages is the long training time if there are many views of the past, but the simplest method to implement on the washing machine hardware is this neural network

شركت اسنوا

5