Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 2

Induction motor failures detection using Motor Current Signal Analysis (MCSA) and two-step Support Vector Machine (SVM) classifier

Wykrywanie awarii silników indukcyjnych za pomocą analizy sygnału prądu silnika (MCSA) i dwuetapowego klasyfikatora maszyny wektorów nośnych (SVM)

10.15199/48.2024.02.55

nr katalogowy: 147373
10.15199/48.2024.02.55

Streszczenie

The induction motor, because of its robustness, is very widespread in the industrial environment. Its use is firstly at the training of nonvariable speed systems. Today, with the improvement of the power electronics, the asynchronous motor can be servo-controlled both in torque and speed. The asynchronous machine is no longer limited to constant speed applications. It is therefore found more and more in electric traction, but also in electromechanical actuators which require a control in position and for which this type of engine was not previously usable, but it is not immune to several anomalies in the industrial field, such as breaks in bars, short circuits, misalignment. So then this article enters the diagnostic framework, through the use of the SVM formalism for the localization of electrical faults in induction motor. This study is based on the stepwise application of the SVM, firstly, the nature of the fault (break of bar or short circuit of turns in the phases of the stator) is compared with the normal behavior of the asynchronous machine, this step requires the use of the SVM one against one (One vs. One). Secondly we consider the fault detected by the first analysis and try to rank it and classify it among different classes of faults of the same nature, which can give a degree of severity a reliable decision to maintenance expertise. It uses the technique of one against all (One vs. All). The proposed approach is based on the use of feature extraction especially the amplitudes and frequencies, reflecting the behavior of the induction motor, using the Motor Current Signal Analysis (MCSA); then the classification of these characteristics is realized by SVM method. The SVM classification is conducted on a 1Kw induction machine experimental benchmark with different faulty operating conditions.

Abstract

Silnik indukcyjny, ze względu na swoją wytrzymałość, jest bardzo rozpowszechniony w środowisku przemysłowym. Jego zastosowanie to przede wszystkim trening systemów bez zmiennej prędkości. Obecnie, wraz z udoskonaleniem elektroniki mocy, silnik asynchroniczny może być sterowany serwomechanizmem zarówno pod względem momentu obrotowego, jak i prędkości. Maszyna asynchroniczna nie jest już ograniczona do zastosowań o stałej prędkości. Dlatego coraz częściej znajduje się w trakcji elektrycznej, ale także w siłownikach elektromechanicznych, które wymagają kontroli położenia i dla których ten typ silnika nie był wcześniej używany, ale nie jest odporny na kilka anomalii w dziedzinie przemysłu, takich jak pęknięcia prętów, zwarcia, niewspółosiowość. Tak więc ten artykuł wchodzi w ramy diagnostyczne, poprzez wykorzystanie formalizmu SVM do lokalizacji uszkodzeń elektrycznych w silniku indukcyjnym. Niniejsze badanie opiera się na stopniowym stosowaniu SVM, po pierwsze, charakter usterki (przerwanie szyny lub zwarcie zwojów w fazach stojana) jest porównywany z normalnym zachowaniem maszyny asynchronicznej, ten krok wymaga użycia SVM jeden na jednego (jeden na jednego). Po drugie, rozważamy usterkę wykrytą podczas pierwszej analizy i próbujemy ją uszeregować i sklasyfikować wśród różnych klas usterek o tym samym charakterze, co może dać pewien stopień dotkliwości ekspertom w zakresie konserwacji. Wykorzystuje technikę jeden przeciwko wszystkim (jeden przeciwko wszystkim). Proponowane podejście opiera się na wykorzystaniu ekstrakcji cech, zwłaszcza amplitud i częstotliwości, odzwierciedlających zachowanie silnika indukcyjnego, z wykorzystaniem analizy sygnatury prądu silnika (MCSA); wówczas klasyfikacja tych cech jest realizowana metodą SVM. Klasyfikacja SVM jest przeprowadzana na doświadczalnym wzorcu porównawczym maszyny indukcyjnej o mocy 1 kW z różnymi wadliwymi warunkami pracy.

Słowa kluczowe

Keywords

Bibliografia

[1] Beltran C., Tools for process supervision support in a multiagent architecture Preparation of Papers for Transactions, Doctoral thesis, INP, Grenoble., (2004)
[2] Ondel O., Pattern Recognition Diagnostics: Application to an Asynchronous Converter-Machine Set, PhD thesis in Sciences, Central School of Lyon., (2006)
[3] Keller J., Kroposki B., Understanding Fault Characteristics of inverter-Based Distributed energy Resources, Technical Report of National Renewable Energy Laboratory/TP-550-46698., (2010)
[4] Kempowsky T., Surveillance de procédés à base de méthodes de classification : Conception d’un outil d’aide pour la détection et le diagnostic des défaillances, Doctoral thesis, INSA, Toulouse., (2004)
[5] Zhong J., Yang Z., Wong S. F., Machine condition monitoring and fault diagnosis based on support vector machine, in 2010 IEEE International Conference on Industrial Engineering and Engineering Management., (2010)
[6] Poyhonen S., Support Vector machine based classification in condition monitoring of induction motors, Helsinki University of Technology Control Engineering Laboratory .ESPOO., (2004)
[7] Nguyen N., Lee H. H., An Application of Support Vector Machines for Induction Motor Fault Diagnosis with Using Genetic Algorithm, D.-S. Huang et al. (Eds.): ICIC 2008, Springer-Verlag Berlin Heidelberg., 5227(2008), 190-200
[8] Cruz S.M.A., Toliyat H.A., Cardoso A.J.M., DSP implementation of the multiple reference frames theory for the diagnosis of stator faults in a DTC induction motor drive, IEEE Transactions on Energy Conversion., 20 (2005), No. 2, 329- 335
[9] DMILJKOVIĆ., Brief Review of Motor current Signature Analysis, Hrvatska elektroprivreda, Zagreb, CROATIA, HDKBR INFO Magazin., (2015).
[10] Thomson W. T., Gilmore R. J., Motor Current Signature Analysis to Detect Faults in Induction Motor Drives – Fundamentals, Data Interpretation, and Industrial Case Histories , Proceeding of the Thirty-Second Turbomachinery Symposium, Houston, Texas., (2003)
[11] Korde A., On-Line Condition Monitoring of Motors Using Electrical Signature Analyisis , Recent Advances in Condition Based Plant Maintenance, Mumbay., (2002)
[12] Shreve D., Motor Current Signature Analysis Theory and Practice, GE Bently, Commtest, ppt, 6th Annual Meeting, (2013)
[13] Singhal A., Khandekar M.A., Bearing Fault Detection in Induction Motor Using Motor Current Signature Analysis , International Journal of Advanced Research in Electrical., 2 (2013), No. 7, 3258-3264
[14] Filleau C., Development of a generator modelling methodology for the purpose of electrical faults diagnosis, INPT, doctorial thesis, toulouse, (2017)
[15] Bellini A., Filippetti F., Franceschini G., Tassoni C., Towards a correct quantification of induction machines broken bars through input electric signals, ICEM'00, Espoo, Finland., (2000) , 781-785, 28-30
[16] Schaeffer E., Le Carpentier E., Zaim M.E., Failure detection in induction machine by means of parametric identification, computational Engineering in Systems Applications, (1998)
[17] Bachir S., Tnani S., Trigeassou J. C., Champenois G., Diagnosis by parameter estimation of stator and rotor faults occuring in induction machines, IEEE Transactions On Industrial Electronics, 53, (2006), No. 3
[18] Bachir S., Trigeassou J. C., Tnani S., Stator faults diagnosis by parameter estimation without speed sensor, ICEM'02, Bruges, Belgique., (2002)
[19] Devanneaux V., Dagues B., Faucher J., Barakat G.,An accurate model of squirrel cage induction machines under stator faults, Mathematics and Computers in Simulation 63 377–391, Science direct,Elsevier Matheamtics (2003)
[20] Valencia J.B., and all., Support Vector Machines optimization for Steady State diagnosis methods of Induction Motor A comparative study ,ICEM’16,Lausane,Switzerland,(2016)
[21] HONGTAO X., Study on Intelligent Condition Diagnosis Based on Vibration Information and Support Vector Machine for Plant Machinery, PhD thesis, Graduate School of Bioresources Mie University., (2014)
[22] Widodo A., Yang B., Support vector machine in machine condition monitoring and fault diagnosis, Mechanical Systems and Signal Processing, 21 (2007) 2560–2574
[23] Matic D., Kulic F., Pineda-Sanchez M., Kamenko I., Support vector machine classifier for diagnosis in electrical machines: Application to broken bar, Expert Systems with Applications, Science direct,Elsevier, 39 (2012), No. 10, 8681-8689
[24] Milgram J., Cheriet M., Sabourin R., “One Against One” or “One Against All”: Which One is Better for Handwriting Recognition with SVMs?, Tenth International Workshop on Frontiers in Handwriting Recognition, , La Baule (France), Suvisoft, (2006)

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-2 , nr katalogowy 147373 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-2 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-2

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma