Авторы: R. Jigyasu, L. Mathew, A. Sharma
Автор перевода: Курченко Р.В.
Источник: Springer Nature Singapore Pte Ltd. 2019 – p. 701 – 710.
R. Jigyasu, L. Mathew, A. Sharma Диагностика множественных неисправностей асинхронного двигателя с использованием искусственной нейронной сети В этой статье представлена диагностика и обнаружение множественных неисправностей с использованием нейронная сети прямого распространения. В этой работе анализ проводится на асинхронном двигателе, поскольку эти двигатели широко используются в промышленности из-за их надежности, простоты обслуживания и т. Д. Анализируются текущие и вибрационные реакции исправного двигателя, двигателя с подшипниками, дефектов ротора и статора. Процесс извлечения признаков выполняется только во временной области.
Раннее прогнозирование неисправностей в асинхронном двигателе очень важно, поскольку оно снижает затраты на техническое обслуживание, что очень важно во время произодства, чтобы поддерживать экономичность процесса. Асинхронный двигатель, использемый в промышленности, благодаря простой конструкции, высокая эффективность надежости, низкая стоимости и постянной скорость работы. Хотя асинхронные двигатели обладают высокой надежностью, нельзя исключать вероятность их отказа. Асинхронные двигатели (АД) подвержены термическим и механическим нагрузкам, из-за которых у них могут развиваться такие дефекты, как поломка стержня ротора, подшипника, короткого замыкания обмотки статора и т.д
Таким образом, эти двигатели требуют постоянного контроля и своевременного обслуживания. Неисправность на начальной стадии, если ее оставить без внимания, может перерасти в серьезную неисправность, вызывающую внезапную поломку двигателя и прерывание производственного процесса. Чтобы избежать таких отказов, необходим постоянный контроль трехфазных асинхронных двигателей. Различные основные неисправности, связанные с двигателем, такие как неисправности подшипников, поломка стержней ротора, эксцентриситет, неисправности статора и т. д. Были исследованы различными исследователями в прошлом. Типичный процесс мониторинга состояния включает мониторинг параметров двигателя для оценки состояния работающего двигателя. Этими параметрами двигателя могут быть вибрация, ток, напряжение, акустический шум, температура и т.д.
Среди широко используемых методов диагностики неисправностей сигнатурный анализ тока двигателя (САТД) и анализ на основе вибрации являются лучшими из-за их неинвазивности, низкой стоимости и способности обнаруживать большинство неисправностей, связанных с двигателем. САТД может применяться для онлайн-диагностики неисправностей двигателя, т.е. от работающего двигателя. Мониторинг обычно выполняется путем проверки абсолютных пределов параметров двигателя или путем вычисления характеристик сигнала во временной, частотной или частотно-временной области. Затем эти вычисленные функции передаются некоторым предварительно обученным классам. такие как искусствнныне нейронные сети (ИНС) и опорная векторная машина (ОВМ), деревья решений , случайный вес и линейно дискриминантного анализа и т. д., чтобы оценить тип и серьезность неисправностей
Наиболее часто используемые функции во временной области включают анализ среднеквадратичного значения, эксцесса, пик-фактора, среднего и дисперсии и т. д. Наиболее часто используемым методом во временной области является разложение по эмпирическим модам (ЭМ), которое используется для извлечения признаков. Авторами предложен двухэтапный метод обнаружения дефекта пластмассовых подшипников, сначала он извлекает характеристики частотной и временной области с помощью анализа огибающей ЭМ ; во-вторых, функции частотной и временной области используются для выявления дефекта подшипника и построения класса для выявления различных типов неисправностей подшипников. Авторами предложен метод оценки шаблонов классов катионными методами идентификации неисправностей двигателей, используя амплитуды сигналов тока во временной области с помощью наивных байесовских, ОВМ и ИНН в качестве классических методов
В данной работе рассматривается классификация неисправностей асинхронного двигателя, а именно: неисправности подшипников, эксцентриситета, статора и сломанного стержня ротора с различными уровнями тяжести выполняются с помощью ИНН. Классификация производится на основе мощности токового сигнала, получаемого от однофазного асинхронного двигателя мощностью 0,5 л. с., 3-фазного асинхронного двигателя и вибрационного сигнала с помощью одноосного акселерометра. Признаки извлекаются и передаются классификатору ИНН для определения точности классификации с использованием различных передаточных функций ИНН
Человеческий мозг работает как параллельный компьютер, который на самом деле производит вычисления с большей скоростью, чем самые мощные из существующих сегодня. Он выполняет очень сложные вычисления из-за своей способности организовывать свои структурные составляющие, называемые нейронами. Люди принимают решения или развивают свое поведение на основе своих прошлых инцидентов. ИНС - это аналоги простых биологических нейронных единиц, называемых нейронами. ИНС состоит из нейронов, которые организованы как входной, скрытый и выходнойслои, где все нейроны в трех слоях имеют взвешенную взаимосвязь с нейронами следующего слоя. Узлы, присутствующие в скрытом и выходном слое, содержат блоки обработки, обычно называемые искусственные нейроны. ИНС состоит из многослойных или трехмерных конструкций, в которых сигнал проходит от входного слоя к нейронам выходного слоя. ИНС способны изучать и моделировать нелинейные и сложные отношения; она может обобщать модель и прогнозировать на основе невидимых данных, многие исследования показали, что ИНС могут лучше моделировать гетероскедастичность.
Нейронная сеть обучается, чтобы она могла определять различные состояния тестируемой системы. Нейроны, присутствующие во входном слое, совпадают с количеством входных функций. Считается, что нейронные сети, имеющие только два слоя весов и имеющие сигмовидную функцию активации для узлов скрытого слоя, могут аппроксимировать любую границу проекта с произвольной точностью . Предлагаемая методика уменьшит риск ошибки несоосности и может быть очень полезен для онлайн-мониторинга, использовалась методика искуственной нейронной сети. Успех предложенной методологии обнаружения несоосности очевиден по двум причинам: Во-первых, для этого требуется только один датчик, а во-вторых, не требуются обширные вычисления в частотной области. Диагностика трехфазного асинхронного двигателя с использованием тепловизора была проведена с использованием методов ближайшего соседа, K-средних и нейронной сети обратного распространения. Диагностика неисправностей лопастей проводилась с использованием техники ИНС, при которой производительность ИНС, обученная с использованием статистических характеристик, извлеченных из рабочей частоты, достигла высочайшего класса точности 88,43%.
Для классификации в этой статье сеть с прямой связью обучается с помощью различных алгоритмов обучения с обратным распространением. Используется однослойная сеть, в которой количество скрытых слоев нужно выяснить методом проб и ошибок. Количество нейронов скрытого слоя постепенно увеличивается в предприятиях, чтобы достичь требуемого класса. Фактическия точность и быстрая сходимость. Сеть обучается и тестируется с использованием различных алгоритмов обучения, и на практике алгоритм LM сходится быстрее. Тансигмоидная передаточная функция (TANSIG) и линейная (PURELIN) функция активации используются для нейронов скрытого и выходного слоев соответственно. Первоначально веса и смещения сети выбираются случайно. Критериями остановки для процедуры обучения считается достижение любого из критериев, например, среднеквадратическая ошибка (СКО) = 10 – 10, градиент = 10 – 10 или 1000 эпох.
Асинхронный двигатель работает при нагрузке около 80%. Из полученных данных извлекаются параметры и после нормализации применяются к ИНС для определения точности. После анализа токовых и вибрационных сигнатур были получены следующие результаты. Для получения доступа к производительности нейронной сети обучение проводилось с использованием и без использования валидации. Обучение нейронной сети выполняется с различным количеством нейронов скрытого слоя, с данными валидации и без них. Для случаев с валидацией 10% данных выбирается для валидации, 20% – для тестирования, а 70% данных используется для обучения. Для обучения без валидации данные обучения берутся за 75%, а данные тестирования – за 25% от общего числа обучающих выборок. Получена средняя точность классификации с использованием нейронной сети "patternnet", имеющей различное количество (2, 4, 6..16) нейронов скрытого слоя.
Мониторинг и диагностика состояния на основе тока статора и вибрации являются наиболее широко используемыми и признанными методами. За последние несколько десятилетий были разработаны различные методы обработки сигналов и диагностики неисправностей с использованием сигнатур вибрации и тока. В этой статье проводится сравнение диагностики на основе тока и вибрации с использованием ф Выполнены специальные нейронные сети для различных типов неисправностей двигателя, таких как подшипник, статор, ротор и эксцентриситет. Различные передаточные функции используются для оценки производительности нейронной сети с разным количеством нейронов скрытого слоя. Также текущий анализ во временной области оказался лучше, чем анализ во временной области вибрации. В результате анализа установлено, что по мере увеличения количества итераций процентная точность увеличивается, а также средняя точность в случае отсутствия валидации намного выше, чем в случае валидации в этом анализе.
1. Motor Reliability Working Group: Report of large motor reliability survey of industrial and commercial installations, Part I. IEEE Trans. Ind. Appl. 1(4), 865 – 872 (1985)
2. Lu, B., Gungor, V.C.: Online and remote motor energy monitoring and fault diagnostics using wireless sensor networks. IEEE Trans. Ind. Electron. 56(11), 4651 – 4659 (2009)
3. Benbouzid, M.E.H.: A review of induction motors signature analysis as a medium for faults detection. IEEE Trans. Ind. Electron. 47(5), 984 – 993 (2000)
4. Zhongming, Y., Bin, W.: A review on induction motor online fault diagnosis. In: 2000 Proceedings of the Third International Power Electronics and Motion Control Conference, IPEMC 2000, vol. 3, pp. 1353 – 1358. IEEE (2000)
5. Nandi, S., Toliyat, H.A., Li, X.: Condition monitoring and fault diagnosis of electrical motors – A review. IEEE Trans. Energy Convers. 20(4), 719 – 729 (2005)
6. Vas, P.: Artificial-Intelligence-Based Electrical Machines and Drives: Application of Fuzzy, Neural, Fuzzy-Neural, and Genetic-Algorithm-Based Techniques, vol. 45. Oxford University Press (1999)
7. Kliman, G.B., Stein, J.: Induction motor fault detection via passive current monitoring-A brief survey. In: Proceedings of 44th Meeting of the Mechanical Failures Prevention Group, pp. 49 – 65 (1990)