Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 6

An effective approach for electric motor fault diagnosis using deep learning

Skuteczne podejście do diagnostyki usterek silników elektrycznych z wykorzystaniem głębokiego uczenia się

10.15199/48.2024.06.53

nr katalogowy: 149015
10.15199/48.2024.06.53

Streszczenie

Induction motors have versatile applications across various industries. However, during their integration into different systems, they can be susceptible to a range of failures such as broken bars and interturn faults. To mitigate the risks of unforeseen motor breakdowns, this study introduced an Artificial Neural Network (ANN) based fault detector to assess the severity of fault conditions. The primary goal is to enhance the reliability and longevity of induction motors by promptly identifying potential issues. In this proposed model, Levenberg–Marquardt back-propagation algorithm is utilised for training and the ANN was subjected to testing under both healthy and five distinct fault conditions of the electrical machine.The results obtained from the experimentation phase are promising, revealing that the proposed ANN topology exhibits a noteworthy accuracy level of around 96%. This accuracy surpasses that of the pre-existing topology, indicating a significant advancement in fault detection capability.

Abstract

Silniki indukcyjne mają wszechstronne zastosowanie w różnych gałęziach przemysłu. Jednakże podczas integracji z różnymi systemami mogą być podatne na szereg awarii, takich jak pęknięte pręty i uszkodzenia międzyzwojowe. Aby ograniczyć ryzyko nieprzewidzianych awarii silnika, w badaniu wprowadzono detektor usterek oparty na sztucznej sieci neuronowej (ANN) w celu oceny powagi warunków awarii. Głównym celem jest zwiększenie niezawodności i trwałości silników indukcyjnych poprzez szybką identyfikację potencjalnych problemów. W proponowanym modelu do uczenia wykorzystano algorytm propagacji wstecznej Levenberga-Marquardta, a sieć SSN poddano testom zarówno w warunkach prawidłowego działania, jak i w pięciu odrębnych stanach usterek maszyny elektrycznej. Wyniki uzyskane w fazie eksperymentów są obiecujące i ujawniają, że zaproponowany model Topologia SSN charakteryzuje się godnym uwagi poziomem dokładności wynoszącym około 96%. Dokładność ta przewyższa dokładność istniejącej topologii, co wskazuje na znaczny postęp w zakresie możliwości wykrywania usterek.

Słowa kluczowe

Keywords

Bibliografia

[1] Maamouri R., Trabelsi M., Boussak M., M’Sahli F., Mixed model-based and signalbasedapproach for open-switches fault diagnostic in sensorless speed vector controlled induction motor drive using sliding mode observer, IET Power Electronics,12(2019), No.5, 1149–1159.
[2] Toliyat H.A., Nandi S., Choi S., Meshgin-Kelk H., (2012) Electric Machines: Modeling, Condition Monitoring, and Fault Diagnosis, CRC Press.
[3] Wang P., Junjie L.u., Shi L., Zhang Y., Tong Z., Wang N., Method for extracting current envelope for broken rotor bar fault detection of induction motors at time varying loads, IET Electr. Power Appl., 14(2020), No. 6, 1067–1077.
[4] Panagiotou P.A., Arvanitakis I., Lophitis N., Antonino-Daviu J.A., Gyftakis K.N., A new approach for broken rotor bar detection in induction motors using frequency extraction in stray flux signals, IEEE Trans. Ind. Appl. 55(2019) , No.4, 3501–3511.
[5] Mohamed M.A., Hassan M.A.M., Albalawi F., Ghoneim S.S., Ali Z.M., Dardeer M., Diagnostic modelling for induction motor faults via ANFIS algorithm and DWT-based feature extraction. Applied Sciences, 11(2021), No.19, 9115.
[6]. Rajeswari R., Kamaraj N., Diagnosis of inter-turn fault in the stator of synchronous generator using wavelet based ANFIS, World Acad. Sci. Eng. Technol., 36(2007), 203–209.
[7] Reza Sadeghi, Haidar Samet, Teymoor Ghanbari, Detection of stator short-circuit faults in induction motors using the concept of instantaneous frequency, IEEE Trans. Ind. Inf., 15(2019), No.8, 4506–4515.
[8] Teymoor Ghanbari, Haidar Samet, A kalman , Filter based technique for stator turnfault detection of the induction motors, Int. J. Emerg. Electr. Power Syst., 18(2017), No.6.
[9] Namdar A., Samet H., Allahbakhshi M., Tajdinian M., Ghanbari T., A robust stator inter-turn fault detection in induction motor utilizing Kalman filter-based algorithm, Measurement, 187(2022), 110181.
[10] Yang Y., Haque M.M.M., Bai D., Tang W., Fault diagnosis of electric motors using deep learning algorithms and its application: A review, Energies, 14(2021), No.21, 7017.
[11]CHERIFI D., MILOUD Y., MOSTEFAI M., High Performance of Direct Power Control for a Doubly Fed Induction Generator Based on Adaptive Fuzzy Second Order Sliding Mode Controller in Wind Energy Conversion System, Przeglad Elektrotechniczny, 2023(2023), No.11.
[12]GOLEMAN R., Modelling of a single-phase induction motor with a 50Hz/150Hz magnetic frequency converter.

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

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-6 , nr katalogowy 149015 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-6 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

2024-6

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma