Utilisation d'un réseau de neurones convolutionnels unidimensionnels avec optimisation paramétrique de Taguchi pour un système de diagnostic de défaut d'un moteur synchrones à aimant permanent

L'ajustement des hyperparamètres nécessite des essais et des erreurs, ce qui est chronophage. Cette étude a utilisé un réseau de neurones convolutionnels unidimensionnels (1D CNN) et la conception d'expériences (DOE) en utilisant la méthode de Taguchi pour une sélection optimale des paramètres, afin d'améliorer la précision d'un système de diagnostic de défaut pour un moteur synchrones à aimant permanent (PMSM). Un plan orthogonal a été utilisé pour la DOE. Un facteur de contrôle avec deux niveaux et six facteurs de contrôle avec trois niveaux ont été proposés comme architecture de paramètre du 1D CNN. La précision d'identification et la fonction de perte ont été définies pour évaluer le système de diagnostic de défaut dans la conception d'optimisation. Une analyse de variance (ANOVA) a été réalisée pour concevoir une optimisation multi-objectifs et résoudre les conflits. Les signaux de défaut du moteur mesurés par un analyseur de spectre de vibration ont été utilisés pour le diagnostic de défaut. Les résultats montrent que la précision d'identification de la méthode d'optimisation proposée a atteint 99,91 %, ce qui est supérieur à la précision d'identification de 96,75 % des paramètres de conception d'origine avant l'optimisation. Avec la méthode proposée, les paramètres peuvent être optimisés avec une bonne DOE et un nombre minimum d'expériences. En plus de réduire le temps et l'utilisation des ressources, la méthode proposée peut accélérer la construction d'un système de diagnostic de défaut de moteur avec une reconnaissance excellente.