Diseño, implementación y validación de herramienta de diagnóstico temprano de motores eléctricos basado en audio.

Abstract

Este documento presenta el diseño, implementación y validación de herramienta de diagnostico temprano de motores eléctricos basado en audio para compresores de referencia NC4AV80ALR de la marca SAMSUNG, los cuales se encuentran en neveras. El diseño se basa en un análisis preliminar de la señal acústica emitida por el compresor en campo cercano mediante el uso de un micrófono, con el fin de seleccionar el punto en el espacio que presente las mejores características en pro de la calidad en la toma de las muestras, para esto, se analizan características como el valor RMS, frecuencia de roll-off y el centroide espectral. Como siguiente paso se crea un conjunto de datos de audio que consta de 25 compresores distribuidos equitativamente en 5 clases de las cuales 2 clases pertenecen a compresores que operan dentro de sus parámetros normales y las 3 clases restantes provienen de compresores que presentan fallas en su funcionamiento. Posteriormente se extrae la transformada discreta de Fourier mediante la técnica de windowing, la cual es la característica de la señal, lo que permite entrenar un clasificador random forest y k-nearest neighbors para posteriormente evaluar y validar el rendimiento del sistema de clasificación.

La implementación del sistema se realiza usando elementos comerciales y la validación del sistema consiste en cruzar el resultado de la clasificación con los reportes técnicos que ratifican el estado de los compresores en cuestión. (Texto tomado de la fuente)

This document presents the design, implementation and validation of an audio based tool for early diagnosis of electric motors used in compressors NC4AV80ALR of SAMSUNG which are found in refrigerators of the same brand. The proposed design consists in a preliminary analysis of the acoustic signal emitted by the compressor in a near field captured using a microphone in order to select the spot with the best characteristics in terms of sample quality. The features taken into account are the RMS value, roll-off frequency and spectral centroid. After the samples were taken we built a dataset with the data of 25 different compressors equally distributed in 5 classes from which 2 of them correspond to compressors running under normal conditions and the 3 remaining came from compressors with malfunctions. We make the fourier transform and with that data we trained some random forests and k-nearest neighbors classifiers and then we evaluate and validate the performance of this training.

The system implementation is made using commercially available elements and the validation consists in relating the results from the classification with the technical reports of the compressors that confirm said state.