پایش وضعیت و تشخیص عیب ماشین‌های الکتریکی در صنعت، از اهمیت بالایی برخوردار است و یکی از چالش‌برانگیزترین وظایف مهندسان برق، پژوهشگران و تکنسین‌هاست. روش‌های زیادی برای پایش وضعیت وجود دارد که شامل نظارت بر ارتعاش، نظارت دمایی، نظارت بر داده‌های شیمیایی، نظارت بر جریان و نظارت بر آکویستیک  ماشین است؛ استفادۀ موثر از این روش‌ها، باعث تشخیص علائم شروع و رشد عیب‌ها و پایش وضعیت ماشین‌‌های الکتریکی می‌شود. به همین دلیل از آسیب‌دیدگی شدید و هزینه‌های بالای تعمیرات آن‌ها جلوگیری می‌کند‌.

    استفاده از ارتعاشات و آکوستیک در ماشین‌های الکتریکی و تحلیل فرکانسی و زمانی داده‌های آن‌ها، یکی از متداول‌ترین روش‌ها در تعیین عیب‌های ماشین‌های الکتریکی است. در این محصول از تحلیل ارتعاشات و آکوستیک برای تشخیص عیب، تعیین وضعیت و سلامت‌سنجی موتور‌های الکتریکی استفاده شده است. ارتعاشات ماشین الکتریکی به‌وسیلۀ مبدل‌های ارتعاشی به یک سیگنال الکتریکی تبدیل می‌شوند. سیگنال الکتریکی به بخش جمع‌آوری اطلاعات و تحلیل‌کننده‌ها انتقال می‌یابد و در مرحلۀ بعد تحلیل‌کننده‌ها به پردازش سیگنال‌های دریافتی می‌پردازند. با محاسبۀ تبدیل فوریه سریع  از سیگنال‌های آکوستیک و ارتعاشات دریافتی از موتور الکتریکی مورد آزمایش، می‌توان عیب‌ها را کلاس‌بندی کرد. این سیگنال‌ها در حالت‌های مختلف عملکرد موتور سالم و موتور معیوب توسط سیستم خبره مورد تحلیل قرار گرفته و وضعیت عملکرد موتور الکتریکی مورد نظر مورد تحلیل و بررسی  قرار می‌گیرد.

       در این محصول، به دلیلِ افزایش دقت و قابلیت اطمینان بیشتر در عیب‌یابی موتور‌های الکتریکی، چند حالت استفاده از جریان، آکویستیک و استفادۀ هم‌زمان از تحلیل ارتعاشات و آکوستیک تولیدشده توسط موتور الکتریکی مورد نظر در نظر گرفته شده است. در گام اول صرفاً از داده‌های جریان و سپس آکویستیک و در گام دوم از تحلیل هم‌زمان سیگنال‌های ارتعاش و آکویستیک برای تشخیص عیب موتورها استفاده شده است.

در این حالت، به منظور تشخیص عیب، یک روش در حوزۀ فرکانس و با استفاده از تحلیل اجزای فرکانسی ارایه می‌دهیم. در این محصول در قسمت تحلیل فرکانسی، از طیف توان به منظور تشخیص عیب موتورها استفاده می‌شود. در این حالت، در ابتدا طیف توان موتور سالم به دست آمد، سپس طیف موتور معیوب در ثبت‌های به‌دست‌آمده مورد بررسی قرار گرفت و در نهایت مقایسه‌ای بین طیف توان موتور سالم و معیوب انجام شد و نتایج در این پژوهش آورده شد. در گام بعد به منظور افزایش دقت، از روش‌های هوشمند، شامل الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی مانند شبکۀ عصبیِ انتشار به عقب  و شبکۀ عصبی کانولوشن استفاده شد. در حالتی که از شبکۀ عصبیِ کانولوشن یا شبکۀ عصبیِ انتشار به عقب استفاده شد، به منظور تطبیق خروجی با شمارۀ کلاس‌ها، از یکسری تابع به منظور تبدیل عدد خروجی به شمارۀ کلاس استفاده شد.

    پس از آن، یک الگوریتم ارایه شد که با استفاده از پیش‌پردازش داده‌ها، پنجره‌گذاری، انتخاب و استخراج ویژگی و روش‌های یادگیری ماشین و شبکۀ عصبیِ انتشار به عقب، به کلاس‌بندیِ عیب موتورها می‌پردازد. در این الگوریتم، در ابتدا فرایند پیش‌پردازش با استفاده از تبدیل موجک  انجام‌شده و نویز و اغتشاش از سیگنال‌های ارتعاش موتور حذف می‌شود، سپس با توجه به داده‌های موتور، پنجره‌گذاری انجام می‌شود، در ادامه فرایند استخراج و انتخاب ویژگی انجام می‌گیرد که در این مرحله از دو مجموعه ویژگی استفاده شده است، سپس از مجموعۀ دادۀ استخراج‌شده به منظور آموزش شبکه استفاده خواهد شد. در نهایت، الگوریتم طراحی‌شده بدین صورت است که در ابتدا فرایند آموزش با کمترین تعداد ویژگی شروع می‌شود و با توجه به خطای کلاس‌بندی و در صورت لزوم، ویژگی‌های اضافی برای افزایش دقت به مجموعه ویژگی اولیه افزوده خواهد شد.

در این پژوهش از دو مجموعه ویژگی شامل ویژگی‌های زمانی و فرکانسی استفاده شد و در پایان مقایسه‌ای بین تاثیر این ویژگی‌ها در تشخیص عیب، صورت گرفت. پس از آن، یک الگوریتم با استفاده از شبکۀ عصبیِ کانولوشن به منظور تشخیص عیب و بدون استفاده از روش استخراج ویژگی ارایه و به تشخیص عیب پرداخته شد. الگوریتم این پژوهش برای کلاس‌بندی عیب بر دو روش کلی استوار هست، در ابتدا به کلاس‌بندیِ هر عیب و حالت سالم پرداخته و برای هر عیب، بهترین الگوریتم از نظر تشخیص عیب انتخاب شد، سپس از یک الگوریتم به منظور کلاس‌بندی همۀ عیب‌ها به صورت هم‌زمان استفاده شد. در نهایت مقایسه‌ای بین تشخیص عیب با استفاده از داده‌های آکویستیک و استفاده هم‌زمان از آکویستیک و ارتعاش و ویژگی‌های مختلفی که استخراج شده، انجام گرفت. در نتیجه در حوزۀ نرم‌افزار و پردازش از الگوریتم‌های پردازشی جدید مبتنی بر هوش مصنوعی، ویژگی‌های جدید و الگوریتم‌های جدید استفاده شده است.