TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.5, May 2014, pp . 3570 ~ 35 7 7   DOI: http://dx.doi.org/10.11591/telkomni ka.v12i5.4915          3570     Re cei v ed O c t ober 2 4 , 201 3; Revi se d Decem b e r  15, 2013; Accept ed Ja nua ry 5,  2014   Fault Diagnosis Based on Wavelet Genetic Neural  Network for Motor      Ke y ong Shao*, Lijuan Ha n, Yang Liu,  Xinmin Wang, Feng w u  Z h ang   Schoo l of Elect r ical a nd Infor m ation En gi ne erin g, Northea st Petroleum U n iversit y ,   NO.199, F a zha n  Roa d , Daq i n g , Chin a, 86-0 459- 650 40 62   *Corres p o ndi n g  author, e-ma i l : 1783 81 123 5 @ qq.com       A b st r a ct  In the motor fault di ag nosis  techno lo gy, vibratio n sig nals  can fully refl e c t the motor  o perati o n   cond itions. I n   this p aper,  a  l i ne ar  motor  fa ult d i ag nos is  meth od  bas ed  on  w a velet  p a cket a nd  ne u r al  netw o rk w a s presente d . The improv e d  ne ur al netw o rk system w a s desi g ned w i th vari a b le h i dd en l a y e r  neur ons. T he  netw o rk chose  different nu merical v a lu es  d epe ndi ng o n  d i fferent situati o ns to reach th e  requ ire m e n ts that i m pr ovin g  dia gnostic  acc u racy a nd  sh o r tenin g  the  dia gnos is ti me. T he li ne ar  moto r ’ s   nor mal  a nd t w o common  faults vi brati o n  sign als  w e re  an aly z e d  a n d  the  vibr atio n sig n a l s e n e r gy   character i stics w e re extracted  through w a vel e t packe t, then ide n tified fau l t through n eur al netw o rk. T h e   exper imenta l  results show  that this meth od  can effe ctively  improve th e motor fault dia g n o sis accur a cy.     Ke y w ords : w a velet pack e t, fault dia g n o sis, g enetic n eur al n e tw ork, vibratio n sign als      Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  The moto r  wo rks a s  the m a in po wer  equi pment of  mo d e rn in du strie s , and its  role i s  self- evident [1-3].  As the motor’s st ru ctural  cha r a c te ri stics, installation  environme n t, load con d itio ns  and  other fa ctors, the  mo tor’s si gnal s  often contain  a lot  of n o ise. Sometime s the  noi se   will   make  the  useful si gnal s u n re cog n ized [ 4 ]. Someti me s  tra d itional  Fouri e r analy s is  metho d  can  not meet the   requi rem ents.  Espe cially,  whe n  mo re  u s eful info rmat ion in the  si g nal is disto r te d,  the Fou r ier  a nalysi s  is p o w erl e ss. Wavelet  analysi s  has  e n joyed increa singly and  wi dely  u s e  with its uniq u e  advantag es on pro c e ssi n g  non-station a ry sign als [5 ].  Referen c e [6 ] propo se d feature  extra c tion method  for motor’ s f ault sig nal b a se d on   optimal wave let basi s . This method id e n tifies the  opt imal wavelet  basi s  for spe c ific moto r fault  sign al but  di dn’t diag no se spe c ifically  the fault s .  Referen c e [7 ] prop osed f eature  extra c tion   method for m o tor’s inte r-tu r n sh ort ci rcui t based o n  wavelet packet .  It diagno sed  inter-turn sh ort   circuit fault according to the  contra distin ction of band’ s energy featu r e.   In this  pap er,  wavel e t db 6  whi c h  ha s hig h  ad aptability  for th e fault s  sig nal s i s   co mbined  with BP neural network. A method of wavelet and neu ral n e twork sy ste m  with Gen e tic  Algorithm s to  optimize  the  weig hts a nd  threshold s , variabl e hid d e n  layer n e u r o n s i s  introdu ced  at the sa me  time. So that accu racy  of the diag no sis and p e rfo r m ances  of time are  imp r oved.   Analyze  norm a l sig nal a nd  two fault  sign als of lin ea r  motor  with wavelet pa cket’s go od a nalytica l   perfo rman ce  of signal’ s  sli ght cha nge a nd mutati on. Extract feature vect ors of sign al ene rgy .   The feature vectors a r e u s ed as n eural netwo rk’ s  inp u t vectors.  Train the netwo rk to re ach the  requi rem ents of fault dia gno sis. A c co rding  to the   test, this m e thod  can  dia gno se the  fa ult  effec t ively.      2. Rese arch  Metho d   Multi-re sol u tion a nalysi s   can b e  a n  eff e ctiv e  time -freque ncy de compo s ition of  sig nal s.  But becau se  of its scali ng function  cha nge s ba sed on bina ry, it has a highe r frequ ency  resolution in t he low fre q u ency ban d, while in the high frequ en cy band freq ue ncy re solutio n  is  poor  and th e sig nal’s f r eque ncy b a n d  is divide d  at index eq ual interval s.  Wavelet p a c ket  analysi s  provides a m o re m e ticulo us met hod of anal y s is for the si gn al. By dividing the frequ en cy  band i n to m u lti-levels, th e high -fre que ncy pa rt whi c h i s  n o t bro k en  do wn  by multi-resolut i on  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Fault Diag no sis Ba sed o n  Wa velet Ge n e tic Ne ural  Network for M o tor (Ke y ong S hao)  3571 analysi s  ca n be furthe r de comp osed. And adaptivel y  sele ct the frequen cy band  according to the   cha r a c teri stics of the sign al. Make it match wi th t he sig nal sp ectru m  and i n crea se the  time- freque ncy resolution. The r e f ore wavel e t packet an alysis ha s wid e r p r acti cal value.   In the multi-resol u tion ana lysi s, sh ows that multi-re so luti on analysi s  divide s the squ a re - integra b le sp ace   into orth ogon al sum of  all sub s p a c e s ,  of whi c h   is  th e wavel e t  su bspa ce of  wavelet functi on. Subdivide  the wavelet sub s p a ce s a c cording to bin a ry form and  so imp r ove the  freque ncy  re solutio n . Sca l e su bspa ce  and  wavel e t sub s pa ce   are  ch ara c te rize d by a  n e w  s u bs pa ce . T h e r e f or e ,  w e  ha ve :    0 jj 1 j j UV UW                                                                                                                                                  (1)    Then   j- 1 j j VV W  , the orthogon al d e compo s ition  of  the  sp ace R L 2 , can b e   unified  a s   00 1 1 jj j UU U   by  U n j . Define  the sub s pa ce   U n j   as clo s u r e spa c e of  the function   x u n ,  U n j 2  is   the  clo s ure sp ace of the function   x u n 2 , let  x u n  satisf y the followin g  two-scale e quation s :       Z k n k n Z k n k n k x x k x x u g u u h u 2 2 1 2 2                                                                                                        (2)    Whe r e   h g k k k 1 1 , the  two co efficie n ts also have an ortho g o nal relatio n sh ip. When   n=0, by the a bove formul a, we have:       Z k k Z k k k x x k x x u u u h u 2 2 0 1 0 0 g                                                                                                              (3)    Equation  (3 )  is the t w o - scale eq uation   of scaling  fu nction  x u 0  an d  wavelet fun c t i on    x u 1 . By  Equation  (2) an d Equa tion (3), spa c e decompo sit i on ca n be ob tained a s  follows:    22 1 1 nn n jj j UU U                                                                                                                                         (4)    A sequ en ce  x u n constructe d by  Eq. 2 and E q . 3 is  calle d  wavelet p a cket determi ne d   by basi s  funct i on  x x u 0 .  Wavelet  pa cket de comp osi t ion algo rithm :  we  get  ,2 j n l d and ,2 1 jn l d by 1, jn l d , where  d   is  wavelet pac k et c oeffic i ent.      ,2 1 , 2 ,2 1 1 , 2 jn j n lk l l k jn j n ll kl k dh d g dd                                                                                                                    (5)    By the inverse of the above formula e , the wa velet pa cket re con s tru c tion alg o rith m is:    1 , ,2 ,2 2 2 2 jn j n j n ll k l k lk k g dh d d                                                                                                      (6)    Wavelet  anal ysis i s   esse n t ially decomp o se d th e  si g nal into  ap proximate pa rt s of l o w- freque ncy a n d  detail p a rts of high-f r eq uen cy, and t hen o n ly to the lo w freq u ency p a rt for the  se con d  de co mpositio n, wh ile the high freque ncy pa rt without de co mpositio n. And so o n , we  ca n   get the  co efficient s of  wav e let de com p o s ition. T he  wavelet pa cket  analy s is is n o t only to th e  low  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3570 – 35 77   3572 freque ncy pa rt of the decompositio n, bu t also to  the seco nda ry decompo sition of  high frequ en cy  part. It is  sh o w n i n  Fig u re   1, with th ree   layers of  wav e let pa cket d e com p o s ition  as an  exam ple   sho w s the  proce s s of  wav e let pa cket d e com p o s ition .  After S is  d e com p o s ed  i n to lo w fre q u ency  A1 and hi gh  freque ncy  D1 , A1 and  D1  will be  de co mposed into  more  detaile d, low freque ncy,   high freq uen cy compon ent s, and can be  continu o u s ly decompo se d down.  In Figure 1, A is an exploded outlin e sign al  of the low-fre que n c y, D is the explode d  detail si gnal   of the hig h  freque ncy. Th e  numb e rs  b e h ind in dicate  the layer nu mbers  of wav e let  packet de co mpositio n.   The de com p o s ition ha s the  following rela tionshi p:  S= AAA3+DAA3+ A DA3+DDA3+ A A D 3+DAD3+ A DD3+ DDD3          Figure 1. Wa velet Packet  De comp ositio n      The  sig nal  e nergy  feature  vecto r   whi c h got  from  wavelet pa cket  de com p o s ition a nd  recon s tru c tio n  can provid e a sample f o r BP neural  netwo rk. So that wavelet can com b ine  with   neural netwo rk. BP Netwo r k i s  an erro r back-p r o pag ation network. In the forwa r d propa gatio n ,   Input inform a t ion is h andl e d  from the  in put layer to t he hid den l a yer, an d then i s  pa ssed to t he  output layer.  If  you cann ot get  the desired outp u t in the output  layer, then turn to ba ck- prop agatio n, return the differen c e b e twe en the  actual  output value and the expe cted value al ong  the origin al con n e c ting chann els. The  erro r  re ach e s the allo wable ra nge b y  modifying the  con n e c tion weights of ne urons b e twe en  layers. Netwo r k trai ning i s  compl e ted.   As multi-hi dd en layers net work i s  high  accu r a cy  b u t  ov erly  com p lex ,  t hat  makes t h e   training  time i n crea sed.  In  this p ape r, d e sig n  a nd  use a  sin g le  hid den l a yer ne ural  net work  wit h   variable hi dd en layer ne u r on s and o p timized by Ge netic Algorith m s. The abili ty that network  obtain s  information from t he traini ng i s  con c e r ne d a bout the n u m ber of n ode s on the hi dd en  layer. The m o re no de s the hidden laye r has, the  stronge r the abi lity to  acce ss information, and   vice versa.  If the nu mbe r  o f  node s i n  the  hidd en l a yer  is too  ma ny, the  compl e xity of trai ning  wi ll   increa se  and  so me  non co here n t fa ctors  will  appe ar  and  affe ct the e n tire  net work, th en  cau s e   exce ssive a n a stomo s i s . So the desi gn  of hidden  lay e r mu st con s i der multipl e  factors.   In this pa per,  firstly determi ne the rang e  of  the numb e r  of neu ro ns  based o n  exp e rien ce   formula, and  then determine the num b e r of neuron s in the hidde n layer by co mpari ng the error  ratio.The em pirical formul ae are:     2 2 lo g 21 0. 43 0 . 12 2. 5 4 0 . 7 7 0. 86 lm lm lm n a lm n n m n                                                                                              (7)    Whe r e is the  number of n euro n s in the  input  layer, is the numbe r of neuro n s  in the  output layer, is the numb e r  of neuro n s in  the hidde n la yer, the rang e of is 1~1 0 .  The e n e r gy o f  vibration  sig nal i s  chan ge d.  The  main  compon ent of t he vibration  signal i s   the non statio nary vibratio n sign al, noise and lo w  freque ncy inte rfere n ce wh e n  away from  the  force  of the p u lse. Sign al energy is sm all. The ene rgy of the vibration sig nal i s  rel a tively large  whe n  ne ar th e force  of the  pul se. So yo u can u s e  th e chan ged  e nergy  of ea ch freq uen cy  band    A1   S  D1   DA2 AA A3   D AA3   AD 2 AA 2   AD D 3   DDA3   DDD3   DD2 DA D 3   AA D 3 AD A 3   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Fault Diag no sis Ba sed o n  Wa velet Ge n e tic Ne ural  Network for M o tor (Ke y ong S hao)  3573 to extract th e fault featu r es. T he e n e rgy of  ba n d s  can b e   obtaine d by wavelet pa cket  decompo sitio n  coeffici ents.  Specific  step s are a s  follo ws.       Table 1. Freq uen cy Ran g e   Signal Freque nc y   r ange   S0 0~0.125f   S1 0.125f~0.250f   S2 0.250f~0.375f   S3 0.375f~0.500f   S4 0.500f~0.625f   S5 0.625f~0.750f   S6 0.750f~0.875f   S7 0.875f~1f       Use the vibration sig nal  whi c h is  de compo s ed i n to three l a yers by wavel e t db6 to   recon s tru c t the wavelet p a cket de com positio n c oeff i cient s. Extract sign als of each frequ en cy  band. If the f r equ en cy ra n ge of o r igin al  sign al  i s  0 ~ f, the de comp ose d  si gnal s  of each laye r is  Sj(j=0,1, …,7 ) . The freque n c y rang e is shown in Tabl e 1.  Re con s tru c t the wavelet p a cket co effici ents.  Strike t he total energy of each freque ncy  band  si gnal.  Let the total   energy of e a c h  ban d  sign al  a s  Ej, the   amplitude  of  the re co nst r u c ted  sign al Sj at each di screte  point is re pre s ente d  by  x jk  ,  we have:     n 1 2 ' j k x E jk                                                                                                                                     (8)    Con s tru c t fea t ure vecto r  wi th element s whi c h a r e en ergy of ea ch  band. Fe ature vecto r   is co nst r ucte d as follo ws:      0 , 1 2345 6 7 = T E EE E E E E E   ，， ，， ， ，                                                                                                           (9)    Since is a la rger value  wh en the ene rgy  is la rge r , the above feature  vector is no rmalize d   in orde r to re duce the amo unt of calcula t ions, and the n  rep r e s ente d  by:    0 , 1 2 34 56 7 = T E EE E E E E E ，， ，， ， ，                                                                                                       (10)    7 0 2 ' ' j j j E E E j                                                                                                                                     (11)    In this  pap er,  the di agn ost i c o b je ct is t he f ault s  of  linear moto r.  Colle ct lin ear motor’ s  fault signal of  mover misali gnment a nd  beari ng oute r  race fault. Use the featu r e vector o b tai ned   above a s  a sample inp u t for neu ral n e twork an d set  the expecte d output. Traini ng will compl e te  whe n  the  error  rea c h e s th e allo wabl e  range. T hen  the te st samp le will  be  ent ered  into  neu ral  netwo rk to id entify faults.  Neu r al net wo rk de sig n  met hod is a s  follo ws:   Energy ei gen vectors  whi c h  com e  from  th e mo tor statu s   signal  treat ed by  wavelet  packet   decompo sitio n  an d recon s truction  a r e  u s ed  a s  in put  training  samp les. Set th e  desi r ed  outp u t.  The num be r of neuron s in  the output la yer is 3. Wh e n  the output i s  (1,0,0 ), it indicate s no rm al  con d ition. Th e output (0,1,0) indi cate s  mover mi sali gnment. Th e  output (0,0,1 ) indicates  be aring   outer race fault.  The  neu ral  n e twork is a t h ree - tier net work con s isti ng of  input  l a yer, hi dden   layer  and  output layer. Since ea ch in put feature vector  c ontai n s  eight eleme n ts, the numb e r of neuron s in   the input laye r is 8. Com p a r e the erro rs  whe n  nod es  are different. Select nod e 1 7 .  Use Matlab to write the BP neural net work p r og ram  and train the  neural n e two r k. Adju st   the  net wo rk para m eters according   to  the  situatio n. If the  re sults of  the t r aining  meet   th e   requi rem ents,  the test sa mples  co uld  be ente r ed  f o r dia gno si s. If the results do n’t meet  the  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3570 – 35 77   3574 requi rem ents,  then incre a s e traini ng sample s and  repe at trainin g  until the output meet the   requi rem ents.       3. Results a nd Analy s is  Firstly the collected vib r ation sig nal s of linear m o tor  are d e compo s ed a nd reco nstru c te d   by wavel e t p a cket. Use   Matlab to  wri t e wavel e t p a cket  sign al  handl er. En e r gy featu r e s   are   extracted  after the de co mpositio n an d re con s tr u c t i on of the sample si gnal s. Re con s tru c ted  sign als of  each ba nd  are  sh own  in  Figu re  2, Fig u re 3  a nd Fi gure  4,  6 g r ou ps of  eigenve c tors  are   sho w n in Ta b l e 2.      Table 2. Eige nvector  Signal  eigenvectors  E0  E1 E2 E3  E4 E5 E6  E7  Work  status  T1   0.7403   0.2202  0.2431  0.2349   0.2186  0.2336  0.2186   0.2207   Normal   T2   0.7687   0.2321  0.2236  0.2126   0.2351  0.2270  0.2232   0.2283   Normal   T3   0.3424   0.6425  0.2225  0.2591   0.2149  0.2245  0.2690   0.2132   Mover  misalignment   T4   0.3466   0.6480  0.2229  0.2505   0.2737  0.2240  0.2067   0.1965   Mover  misalignment   T5   0.2268   0.4270  0.2849  0.5909   0.2257  0.2070  0.1988   0.2821   Outer  ring  fault   T6   0.1907   0.4524  0.2631  0.6627   0.1900  0.2186  0.2212   0.2383   Outer  ring  fault         Figure 2. Normal Signal           Figure 3. Mover Misalignm ent  0 200 400 600 800 1000 1200 1400 1600 1800 -5 0 5 S1 0 500 1000 1500 2000 -2 0 2 S 130 0 500 1000 1500 2000 -1 0 1 S 131 0 500 1000 1500 2000 -1 0 1 S 132 0 500 1000 1500 2000 -1 0 1 S 133 0 500 1000 1500 2000 -1 0 1 S 134 0 500 1000 1500 2000 -1 0 1 S 135 0 500 1000 1500 2000 -1 0 1 S 136 0 500 1000 150 0 2000 -1 0 1 S 137 0 100 20 0 300 400 -2 0 2 S 130 0 100 20 0 300 40 0 -2 0 2 S 131 0 100 20 0 300 400 -1 0 1 S1 3 2 0 100 20 0 300 40 0 -2 0 2 S1 3 3 0 50 100 15 0 200 250 30 0 350 40 0 -5 0 5 S1 0 100 20 0 300 400 -1 0 1 S1 3 4 0 100 20 0 300 40 0 -1 0 1 S1 3 5 0 100 20 0 300 400 -1 0 1 S 136 0 100 20 0 300 40 0 -1 0 1 S 137 Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Fault Diag no sis Ba sed o n  Wa velet Ge n e tic Ne ural  Network for M o tor (Ke y ong S hao)  3575   Figure 4. Outer Rin g  Fault       Use Matla b  t o  write the  BP neu ral n e twork p r og ram,  the de sired  o u tput an d the  resulting   feature ve cto r s  whi c h a r e  use d  as t r ain i ng sa mple s  are e n tere d i n to the neu ra l netwo rk. T r ain   the net work  with vari able   hidde n laye r  neuron s.  Th e  com p a r ison  of the a c tual  output a nd th e  desi r ed o u tpu t  is sho w n in  Table 3.       Table 3. The  Actual Output  and The Desired Outp ut  The desired out p u t  The actual outpu t  Motor status   1 0  0  0.9846   0.0062   0.0057   Normal   1 0  0  0.9813   0.0079   0.0067   Normal   0  1  0  0.0341   0.8393  0.0298  Mover  misalignment  0  1  0  0.0287   0.8528  0.0277  Mover  misalignment  0 0  1  0.0067   0.0051   0.9936   Outer  ring  fault   0 0  1  0.0048   0.0038   0.9869   Outer  ring  fault       Analysis the   other thre e  group s of  test  signal s  with  Wavelet Pa cket De co mpo s iti on, the  norm a l sign al , mover misa lignment si gn al and oute r  ring fault sig nal are  sho w n in Figure 5 ,   Figure 6 and  Figure 7.        Figure 5. Normal Signal of the Test Grou p  0 50 100 150 200 -1 0 1 S 130 0 50 100 150 200 -2 0 2 S 131 0 50 100 150 200 -1 0 1 S 132 0 50 100 150 200 -2 0 2 S 133 0 20 40 60 80 100 120 140 160 180 200 -5 0 5 S1 0 50 100 150 200 -1 0 1 S 134 0 50 100 150 200 -1 0 1 S 135 0 50 100 150 200 -1 0 1 S 136 0 50 100 150 200 -1 0 1 S 137 0 20 0 40 0 60 0 80 0 1 000 120 0 140 0 160 0 18 00 -5 0 5 S1 0 50 0 100 0 15 00 20 00 -2 0 2 S 130 0 50 0 100 0 15 00 20 00 -1 0 1 S 131 0 50 0 100 0 15 00 20 00 -1 0 1 S1 3 2 0 50 0 100 0 15 00 20 00 -1 0 1 S1 3 3 0 50 0 100 0 15 00 20 00 -1 0 1 S1 3 4 0 50 0 100 0 15 00 20 00 -1 0 1 S1 3 5 0 50 0 100 0 15 00 20 00 -1 0 1 S1 3 6 0 50 0 100 0 15 00 20 00 -1 0 1 S1 3 7 Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3570 – 35 77   3576   Figure 6. Mover Misalignm ent of the Test Group           Figure 7. Outer Rin g  Fault  of the Test Group       The te st eige nvectors  are  sho w n i n  Ta b l e 4.  Input th e thre e group s of eig enve c tors to   the trained n e u ral net wo rk.  The output of  test is sho w n  in Table 5.    Table 4. The  Test Eigenve c tors  Signal  eigenvectors  E0  E1 E2 E3  E4 E5 E6  E7  Motor  status   T’1  0.7514   0.2220  0.2256  0.2439   0.2466  0.2562  0.2458   0.2290   Normal   T’2  0.4128   0.6532  0.2726  0.2520   0.2566  0.2501  0.1941   0.2385   Mover  misalignment   T’3  0.2408   0.4574  0.2517  0.6167   0.1865  0.2460  0.2133   0.2254   Outer  ring  fault       Table 5. The  Test Outp ut  Test output   Motor status   0.9557  0.0046  0.0051   Normal   0.0306  0.9311  0.0298   Mover  misalignment  0.0113  0.0062  0.9874   Outer  ring  fault       The 6  g r ou p s  of t r ainin g   sampl e s a r e  enter ed i n to  the n eural  netwo rk with  variabl e  hidde n laye r  neuron s a n d  optimized  b y  Geneti c  Al gorithm.  Trai n the  network, Th e o u tpu t  is  sho w n in Ta b l e 6.  0 50 10 0 150 200 25 0 300 350 40 0 -5 0 5 S1 0 100 20 0 300 40 0 -2 0 2 S1 3 0 0 100 20 0 300 40 0 -2 0 2 S1 3 1 0 100 20 0 300 40 0 -2 0 2 S 132 0 100 20 0 300 40 0 -1 0 1 S 133 0 100 20 0 300 40 0 -1 0 1 S 134 0 100 20 0 300 40 0 -1 0 1 S 135 0 100 20 0 300 40 0 -1 0 1 S1 3 6 0 100 20 0 300 40 0 -1 0 1 S1 3 7 0 20 40 60 80 100 120 140 16 0 180 200 -5 0 5 S1 0 50 10 0 150 200 -1 0 1 S130 0 50 10 0 150 200 -2 0 2 S131 0 50 10 0 150 200 -1 0 1 S1 32 0 50 10 0 150 200 -2 0 2 S1 33 0 50 10 0 150 200 -1 0 1 S1 34 0 50 10 0 150 200 -1 0 1 S1 35 0 50 10 0 150 200 -1 0 1 S136 0 50 10 0 150 200 -1 0 1 S137 Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Fault Diag no sis Ba sed o n  Wa velet Ge n e tic Ne ural  Network for M o tor (Ke y ong S hao)  3577 Table 6. The  Output of The  Optimized  Network  The desired out p u t  The actual outpu t  Motor status   1 0  0  0.9994   0.0003   0.0023   Normal   1 0  0  0.9994   0.0003   0.0024   Normal   0  1  0  0.0024   0.9993  0.0014  Mover  misalignment  0  1  0  0.0020   0.9994  0.0014  Mover  misalignment  0 0  1  0.0034   0.0004   0.9979   Outer  ring  fault   0 0  1  0.0031   0.0004   0.9979   Outer  ring  fault       As can  be  se en fro m  the  T able th at the  system  i s  mo re stable,  th e diagn osi s   a ccura cy  is  further imp r o v ed. Enter th e test  sample s to  the  optim ize  network.  The  actu al o u t puts a r e  sho w n  in Table 7.     Table 7. The  Test Outp ut of The Optimized Net w ork  Test output   Motor status   1.0000  0.0015  0.0001   Normal   0.0003  0.9963  0.0009   Mover  misalignment  0.0002  0.0035  0.9982   Outer  ring  fault       The re sult s show that u s in g the neu ral  netwo rk  whi c h has va riabl e hidde n laye r neu ron s   and optimi z e d  by Geneti c  Algorithm s to extr act fault signal  feature an d  diagno se f ault  effectively. Its  stability and accuracy  can  meet the eng ineeri ng ne ed s.      4. Conclusio n   Vibration p h e nomen on is  prevale n t in t he machine r y  and equi pm ent durin g op eration.  Linear motor  will have  different vibr ation  when in different operati ng states.  When the motor has  internal fault s  or p a rts d e fect, the en ergy  and a m plitude of the  vibration sig nal will chan ge.  Different fa ults cau s e diffe rent ch aracte ri stics of  the vi bration  sig nal . In this pa per, a linea r mot o r  fault diagn osi s  meth od b a sed on  wavele t packet  a nd  neural n e two r k was presen ted. Extract the   sign al feature  with wavelet  packet which is se nsit ive to  mutation and  slight ch ang e in the sign a l .  Then id entify faults by ne ural n e two r k  system   with  variable  neu rons i n  the hi dden l a yer a nd  optimize d  by  Geneti c  Alg o rithm s . The  re sult s  sh o w  the  co rre ctness an d fe asibility of the  prop osed met hod.   Provide a sta t ement that what  is exp e c ted, as  stated in t he  "Introdu ction" ch apter can   ultimately re sult in " R e s ult s  a n d  Di scu s sion"  c hapte r , so  there i s   comp atibility. More over, it  can   also  be  add e d  the p r o s pe ct of the devel opment  of  re sea r ch results an d a ppli c a t ion prospe cts of   further  studie s  into the nex t (base d  on result an d discussion ) .      Referen ces   [1]    Jianj un H e , Rui Z hao. H y dr oel ectric gen e r ating sets fau l t diag nosis b a sed o n  infor m ation fusi o n   technology .  Jo urna l of Centra l South Un iver s i ty (Science a n d  T e chno lo gy) . 2007; 3 8 (2): 3 33-3 38.   [2]    Song lin Wu, Fumin g  Zhan g, Xi ao don g Li n. Fault y   dia g n o si s of rollin g be a r ing b a sed  on  w a vel e t ne ural   net w o rk.  Jour n a l of Air F o rce Engi neer in g U n iversity (Nat ur al Scie nce Edit ion) . 20 07; 9(1) : 50-53.   [3]    Leve n t Eren, Micha e l J Dev ane y. Bear in g Dama ge Detec t ion Via W a ve l e t Packet Dec o mpos ition o f   the Stator Curr ent.  IEEE Transactions on Ins t rum e ntation and Meas urem ent . 2004; 53( 2): 431-4 36.   [4]    Yunl ong  Yu an,  Jun  Chi. F a ult y   Dia gn osis  of Roll in g Be arin g Bas ed  on W a vel e t Ana l ysis .  Me ch an i c al  & Electrical En gin eeri ng Ma g a z i n e . 200 8; 25(6): 31-3 4 .   [5]    Lizhi  Ch eng,  Hon g x ia W a ng , Yong L uo.  W a velet  T heor y a nd A ppl icat ion. Be iji ng: S c ienc e Press.  200 4.  [6]    Z hong pei T e n g , Yi Gou. Research of F eat ure  Extr action  from Electromotor F ault Sig nal Bas ed o n   Optimal Wavelet Basis.  Mode rn Machi nery . 200 9; 33(3): 33 -35.   [7]    Kun Z hao, Yin ghu i Li, Pengs ong Ya ng. F eature Ex tr actio n  of BLDC Inter-turn Short Circuit F aul t s   Based on Wavelet Packet.  La rge Electric Ma chin e an d Hydr aulic T u r b in e . 200 9; 20(4): 20 -23.    Evaluation Warning : The document was created with Spire.PDF for Python.