تشخیص خطا در حسگرهای اثر هال موتور DC بدون جاروبک با استفاده از شبکه‌های عصبی و مدل یادگیری عمیق

چکیده

این پژوهش به طبقه‌بندی چند حالته خطاهای سنسورهای اثر هال در موتورهای BLDC با به‌کارگیری مدل‌های یادگیری عمیق می‌پردازد. مدل‌های مورد بررسی شامل CNN یک‌بعدی (Conv1D)، CNN دو‌بعدی (Conv2D)، Transformer و یک مدل ترکیبی CNN+LSTM هستند. داده‌های مورد استفاده، جریان‌های ورودی الکتروموتور در دو حالت سالم و خطادار می‌باشند که برای هر مدل، پیش‌پردازش متناسب با ساختار ورودی آن انجام شده است. هدف نهایی پژوهش، طراحی و ارزیابی مدل ترکیبی CNN+LSTM است که با دستیابی به دقت ۹۳٪ در داده‌های آموزش و ۹۱٪ در داده‌های آزمون، بهترین عملکرد را در میان مدل‌های بررسی‌شده نشان می‌دهد. در مقایسه، سایر مدل‌ها به دقت‌های پایین‌تری رسیده‌اند. این نتایج حاکی از آن است که انتخاب مدل باید با توجه به هدف مشخص و ویژگی‌های مسئله صورت گیرد. در این راستا، برای دستیابی به نتیجه مطلوب در مدل CNN+LSTM، استفاده از تکنیک‌های مهندسی ویژگی ضروری تشخیص داده شد.