Виявлення несправностей обриву стрижнів роторів асинхронних двигунів на основі обвідної струму і нейронної мережі

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2021.227315

Ключові слова:

класифікація обривів стрижнів ротора, обвідна струму статора, нейронна мережа, виявлення і діагностика несправностей, асинхронні двигуни

Анотація

Зростаючий попит на надійні технології виробництва прискорив дослідження в області моніторингу стану та діагностики несправностей критично важливих деталей двигуна. З іншого боку, в сучасній промисловості все більш необхідним стає технічне обслуговування машин. Недостатня стратегія технічного обслуговування може призвести до невиправдано тривалого простою або аварійного виходу машини з ладу, що призведе до значних фінансових і навіть людських втрат. В результаті несправності збільшуються простої і витрати на ремонт. Тому, одним з рішень цієї проблеми може бути розробка методу онлайн-моніторингу стану. Раннє виявлення несправностей має велике значення, оскільки їхня кількість швидко зростає, що може викликати додаткові проблеми з двигуном. У даній статті пропонується ефективна стратегія класифікації обривів стрижнів ротора (ОСР) асинхронних двигунів (АД) з використанням нового підходу, заснованого на штучній нейронній мережі (ШНМ) і обвідній струму статора. Обвідна струму статора вилучається за допомогою процесу інтерполяції кубічними сплайнами. Він заснований на ідеї, що за допомогою обвідної струму двигуна можна виявити амплітудно-модульований сигнал струму двигуна. Обвідна струму статора використовується для вибору семи ознак, які будуть використовуватися в якості вхідних даних для нейронної мережі. У дослідженні експериментально використані п'ять станів АД, які включають обрив частини стрижня ротора, обрив 1 стрижня ротора, обрив 2 стрижнів ротора і обрив 3 стрижнів ротора. Згідно з результатами експерименту, новий підхід до виділення і вибору ознак забезпечує більш високий рівень точності, ніж звичайний метод класифікації несправностей двигуна. Результати дійсно вражають, він здатний визначати точну кількість обривів стрижнів ротора в умовах повного навантаження

Біографія автора

Mohammed Obaid Mustafa, University of Mosul

PhD

Department of Electrical Engineering

College of Engineering

Посилання

  1. Toliyat, H. A., Nandi, S., Choi, S., Meshgin-Kelk, H. (2013). Electric Machines: Modeling, Condition Monitoring, and Fault Diagnosis. CRC Press, 272. doi: https://doi.org/10.1201/b13008
  2. Benbouzid, M. E. H. (1999). Bibliography on induction motors faults detection and diagnosis. IEEE Transactions on Energy Conversion, 14 (4), 1065–1074. doi: https://doi.org/10.1109/60.815029
  3. Antonino-Daviu, J., Aviyente, S., Strangas, E. G., Riera-Guasp, M. (2013). Scale Invariant Feature Extraction Algorithm for the Automatic Diagnosis of Rotor Asymmetries in Induction Motors. IEEE Transactions on Industrial Informatics, 9 (1), 100–108. doi: https://doi.org/10.1109/tii.2012.2198659
  4. Hwang, I., Kim, S., Kim, Y., Seah, C. E. (2010). A Survey of Fault Detection, Isolation, and Reconfiguration Methods. IEEE Transactions on Control Systems Technology, 18 (3), 636–653. doi: https://doi.org/10.1109/tcst.2009.2026285
  5. Bellini, A., Filippetti, F., Tassoni, C., Capolino, G.-A. (2008). Advances in Diagnostic Techniques for Induction Machines. IEEE Transactions on Industrial Electronics, 55 (12), 4109–4126. doi: https://doi.org/10.1109/tie.2008.2007527
  6. Riera-Guasp, M., Antonino-Daviu, J. A., Capolino, G.-A. (2015). Advances in Electrical Machine, Power Electronic, and Drive Condition Monitoring and Fault Detection: State of the Art. IEEE Transactions on Industrial Electronics, 62 (3), 1746–1759. doi: https://doi.org/10.1109/tie.2014.2375853
  7. Henao, H., Capolino, G.-A., Fernandez-Cabanas, M., Filippetti, F., Bruzzese, C., Strangas, E. et. al. (2014). Trends in Fault Diagnosis for Electrical Machines: A Review of Diagnostic Techniques. IEEE Industrial Electronics Magazine, 8 (2), 31–42. doi: https://doi.org/10.1109/mie.2013.2287651
  8. Thomson, W. T., Fenger, M. (2001). Current signature analysis to detect induction motor faults. IEEE Industry Applications Magazine, 7 (4), 26–34. doi: https://doi.org/10.1109/2943.930988
  9. Said, M. S. N., Benbouzid, M. E. H., Benchaib, A. (2000). Detection of broken bars in induction motors using an extended Kalman filter for rotor resistance sensorless estimation. IEEE Transactions on Energy Conversion, 15 (1), 66–70. doi: https://doi.org/10.1109/60.849118
  10. Rayyam, M., Zazi, M., Hajji, Y., Chtouki, I. (2016). Stator and rotor faults detection in Induction Motor (IM) using the Extended Kaman Filter (EKF). 2016 International Conference on Electrical and Information Technologies (ICEIT). doi: https://doi.org/10.1109/eitech.2016.7519579
  11. Diallo, D., Benbouzid, M. E. H., Hamad, D., Pierre, X. (2005). Fault Detection and Diagnosis in an Induction Machine Drive: A Pattern Recognition Approach Based on Concordia Stator Mean Current Vector. IEEE Transactions on Energy Conversion, 20 (3), 512–519. doi: https://doi.org/10.1109/tec.2005.847961
  12. Widodo, A., Yang, B.-S., Han, T. (2007). Combination of independent component analysis and support vector machines for intelligent faults diagnosis of induction motors. Expert Systems with Applications, 32 (2), 299–312. doi: https://doi.org/10.1016/j.eswa.2005.11.031
  13. Mustafa, M. O., Varagnolo, D., Nikolakopoulos, G., Gustafsson, T. (2016). Detecting broken rotor bars in induction motors with model-based support vector classifiers. Control Engineering Practice, 52, 15–23. doi: https://doi.org/10.1016/j.conengprac.2016.03.019
  14. Matić, D., Kulić, F., Pineda-Sánchez, M., Kamenko, I. (2012). Support vector machine classifier for diagnosis in electrical machines: Application to broken bar. Expert Systems with Applications, 39 (10), 8681–8689. doi: https://doi.org/10.1016/j.eswa.2012.01.214
  15. Mustafa, M. O., Nikolakopoulos, G., Gustafsson, T. (2013). Broken bars fault diagnosis based on uncertainty bounds violation for three-phase induction motors. International Transactions on Electrical Energy Systems, 25 (2), 304–325. doi: https://doi.org/10.1002/etep.1843
  16. Kim, Y.-H., Youn, Y.-W., Hwang, D.-H., Sun, J.-H., Kang, D.-S. (2013). High-Resolution Parameter Estimation Method to Identify Broken Rotor Bar Faults in Induction Motors. IEEE Transactions on Industrial Electronics, 60 (9), 4103–4117. doi: https://doi.org/10.1109/tie.2012.2227912
  17. Lopez-Ramirez, M., Ledesma-Carrillo, L. M., Garcia-Guevara, F. M., Munoz-Minjares, J., Cabal-Yepez, E., Villalobos-Pina, F. J. (2020). Automatic Early Broken-Rotor-Bar Detection and Classification Using Otsu Segmentation. IEEE Access, 8, 112624–112632. doi: https://doi.org/10.1109/access.2020.3002545
  18. Gangsar, P., Tiwari, R. (2020). Signal based condition monitoring techniques for fault detection and diagnosis of induction motors: A state-of-the-art review. Mechanical Systems and Signal Processing, 144, 106908. doi: https://doi.org/10.1016/j.ymssp.2020.106908
  19. Zolfaghari, S., Noor, S., Rezazadeh Mehrjou, M., Marhaban, M., Mariun, N. (2017). Broken Rotor Bar Fault Detection and Classification Using Wavelet Packet Signature Analysis Based on Fourier Transform and Multi-Layer Perceptron Neural Network. Applied Sciences, 8 (1), 25. doi: https://doi.org/10.3390/app8010025
  20. Georgoulas, G., Mustafa, M. O., Tsoumas, I. P., Antonino-Daviu, J. A., Climente-Alarcon, V., Stylios, C. D., Nikolakopoulos, G. (2013). Principal Component Analysis of the start-up transient and Hidden Markov Modeling for broken rotor bar fault diagnosis in asynchronous machines. Expert Systems with Applications, 40 (17), 7024–7033. doi: https://doi.org/10.1016/j.eswa.2013.06.006
  21. Cameron, J. R., Thomson, W. T., Dow, A. B. (1986). Vibration and current monitoring for detecting airgap eccentricity in large induction motors. IEE Proceedings B Electric Power Applications, 133 (3), 155–163. doi: https://doi.org/10.1049/ip-b.1986.0022
  22. Piedad, E. J., Chen, Y.-T., Chang, H.-C., Kuo, C.-C. (2020). Frequency Occurrence Plot-Based Convolutional Neural Network for Motor Fault Diagnosis. Electronics, 9 (10), 1711. doi: https://doi.org/10.3390/electronics9101711
  23. Combastel, C., Lesecq, S., Petropol, S., Gentil, S. (2002). Model-based and wavelet approaches to induction motor on-line fault detection. Control Engineering Practice, 10 (5), 493–509. doi: https://doi.org/10.1016/s0967-0661(01)00158-7
  24. Press, W., Teukolsky, S., Vetterling, W., Flannery, B. (1992). Numerical recipes in C: the art of scientific computing. Cambridge University Press, 994. Available at: https://dl.acm.org/doi/book/10.5555/148286
  25. Gang Niu, Son, J.-D., Widodo, A., Yang, B.-S., Hwang, D.-H., Kang, D.-S. (2007). A Comparison of Classifier Performance for Fault Diagnosis of Induction Motor using Multi-type Signals. Structural Health Monitoring, 6 (3), 215–229. doi: https://doi.org/10.1177/1475921707081110
  26. Arabaci, H., Bilgin, O. (2012). Diagnosis of broken rotor bar faults by using frequency spectrum of stator current envelope. 2012 XXth International Conference on Electrical Machines. doi: https://doi.org/10.1109/icelmach.2012.6350100

##submission.downloads##

Опубліковано

2021-06-30

Як цитувати

Mustafa, M. O. (2021). Виявлення несправностей обриву стрижнів роторів асинхронних двигунів на основі обвідної струму і нейронної мережі. Eastern-European Journal of Enterprise Technologies, 3(2 (111), 88–95. https://doi.org/10.15587/1729-4061.2021.227315

Номер

Том 3 № 2 (111) (2021): Інформаційні технології. Системи управління в промисловості

Розділ

Системи управління в промисловості

Ліцензія

Авторське право (c) 2021 Mohammed Obaid Mustafa

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.