Королёв Н.А., Жуковский Ю.Л., Котелева Н.И. Наблюдатель состояния подшипников асинхронного двигателя по компонентам векторов Парка тока и напряжения

скачать PDF

Аннотация

Статья посвящена подходу к созданию наблюдателя состояния подшипников как узла асинхронного двигателя, подвержен-ного механическому износу. Под действием сил трения деградация подшипников протекает интенсивнее по сравнению с другими узлами электрической машины. Для исследования были выбраны асинхронные двигатели малой и средней мощности до 200 кВт ввиду сопоставимой стоимости подшипникового узла с электрической машиной. В основу подхода заложен метод преобразования вектора Парка мгновенных фазных значений потребляемого тока и напряжения, по которым производится анализ годографов, описываемых обобщенными векторами. Точность регистрации мгновенных значений фазных токов и напряжений достигалась за счет датчиков тока и напряжения на эффекте Холла компенсационного типа с дальнейшей оцифровкой на высокоразрядном аналого-цифровом преобразователе. Изменения технического состояния подшипников, в части деградации внутренних, внешних колец или тел качения, приводит к девиации годографа тока, при этом изменяется как его траектория, так и ширина. Из-за сложности анализа форм и траекторий годографа были применены искусственные нейросетевые (ИНС) классификаторы. Выбор и обучение ИНС-классификатора был выполнен в ходе лабораторных исследований по деградации внутреннего кольца подшипника. Деградация заключалась в искусственном износе внутреннего кольца в виде раковин с различной глубиной и размером. Перед пропуском данных через ИНС-классификатор производилась их фильтрация и предобработка по разработанному алгоритму. В статье представлен эффективный способ ввода данных в классификатор. Результатом работы алгоритма и способа является достигнутая сходимость 99% и точность 98% на экспериментальных данных.

Ключевые слова

асинхронный двигатель, годограф вектора Парка, потребляемый ток, дефекты подшипников, ИНС-классификатор.

Королёв Николай Александрович – канд. техн. наук, главный специалист, учебно-научный центр цифровых технологий, Санкт-Петербургский горный университет, Санкт-Петербург, Россия, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., https://orcid.org/0000-0002-0583-9695

Жуковский Юрий Леонидович – канд. техн. наук, доцент, учебно-научный центр цифровых технологий, Санкт-Петербургский горный университет, Санкт-Петербург, Россия, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., https://orcid.org/0000-0003-0312-0019

Котелева Наталья Ивановна – канд. техн. наук, доцент, кафедра автоматизации технологических процессов и производств, Санкт-Петербургский горный университет, Санкт-Петербург, Россия, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., https://orcid.org/0000-0002-5970-4534

  1. Автоматизированная оцифровка радиальных диаграмм / Н.В. Васильева, А.В. Бойков, О.О. Ерохина, А.Ю. Трифонов // Записки Горного института. 2021. № 247. С. 82-87. doi: 10.31897/pmi.2021.1.9
  2. Safina E., Khokhlov S. Paradox of alternative energy con-sumption: Lean or profligacy? // International Journal for Quality Research. 2017. Vol. 11(4). Pp. 903-916. doi: 10.18421/IJQR11.04-11
  3. Litvinenko V. S. Digital economy as a factor in the techno-logical development of the mineral sector // Natural Resources Research. 2020. Vol. 29(3). Pp. 1521-1541. doi: 10.1007/s11053-019-09568-4
  4. Use of active power transducers in industrial DC power sys-tems supplying electrolysis cells / B.N. Abramovich, A.A. Veprikov, Y.A. Sychev, D.A. Lyakh // Tsvetnye Met. 2020. Vol. 2. Pp. 95-100. doi: 10.17580/tsm.2020.02.13
  5. Сычев Ю.А., Зимин Р.Ю. Повышение качества электро-энергии в системах электроснабжения минерально-сырьевого комплекса с помощью гибридных фильтро-компенсирующих устройств // Записки Горного института. 2021. № 247. С. 132-140. doi: 10.1109/ICIEA.2018.8397840
  6. Public-private partnership as a tool of sustainable develop-ment in the oil-refining sector: Russian case / I. Filatova, L. Nikolaichuk, D. Zakaev, I. Ilin // Sustainability. 2021. Vol. 13(9). Pp. 5153. doi: 10.3390/su13095153
  7. Belsky А.А., Dobush V.S., Haikal S.F. Operation of a Sin-gle-phase Autonomous Inverter as a Part of a Low-power Wind Complex // Journal of Mining Institute. 2019. Vol. 239. Pp. 564-569. doi: 10.31897/pmi.2019.5.564
  8. Kulkarni A., Terpenny J., Prabhu V. Sensor Selection Framework for Designing Fault Diagnostics System // Sen-sors. 2021. Vol. 21(19). Pp. 6470. doi: 10.3390/s21196470.
  9. Kalista K., Liska J., Jakl J. A vibration sensor-based method for generating the precise rotor orbit shape with general notch filter method for new rotor seal design testing and diagnostics // Sensors. 2021. Vol. 21(15). Pp. 5249. doi: 10.3390/s21155249
  10. Hsu J.S. Monitoring of defects in induction motors through air-gap torque observation // IEEE Transactions on Industry Applications. 1995. Vol. 31(5). Pp. 1016-1021. doi: 10.1109/28.464514
  11. Diagnosis of bearing defects in induction motors using dis-crete wavelet transform / N. Bessous, S.E. Zouzou, W. Bentrah, S. Sbaa, M. Sahraoui, // International Journal of System Assurance Engineering and Management. 2018. Vol. 9(2). Pp. 335-343. doi: 10.1007/s13198-016-0459-6
  12. Gundewar S.K., Kane P.V. Condition Monitoring and Fault Diagnosis of Induction Motor in Electric Vehicle // Machines, Mechanism and Robotics. Springer, 2022. Pp. 531-537. doi: 10.1007/978-981-16-0550-5_53
  13. Ewert P., Kowalski C.T, Orlowska-Kowalska T. Low-cost monitoring and diagnosis system for rolling bearing faults of the induction motor based on neural network approach // Electronics. 2020. Vol. 9(9). Pp. 1334. doi: 10.3390/electronics9091334
  14. Gear and bearings fault detection using motor current signa-ture analysis / N.G. Lo, A. Soualhi, M. Frinì, H. Razik // 2018 13th IEEE Conference on Industrial Electronics and Applications (ICIEA). IEEE, 2018. Pp. 900-905. doi: 10.1109/ICIEA.2018.8397840
  15. Bearing Fault Detection in Induction Motors Using Line Currents / M. Sunder, R. Abishek, S. Sabarivelan, M. Maiti, K. Bingi // ECTI Transactions on Electrical Engineering, Electronics, and Communications. 2021. Vol. 19(2). Pp. 209–219. doi: 10.37936/ecti-eec.2021192.244163
  16. An efficient Hilbert–Huang transform-based bearing faults detection in induction machines / E. Elbouchikhi, V. Choqueuse, Y. Amirat, M.E. Benbouzid, S. Turri // IEEE Transactions on Energy Conversion. 2017. Vol. 32(2). Pp. 401-413. doi: 10.1109/tec.2017.2661541
  17. Kompella K.C.D., Rao M.V.G, Rao R.S. Bearing fault detec-tion in a 3 phase induction motor using stator current fre-quency spectral subtraction with various wavelet decomposi-tion techniques // Ain Shams Engineering Journal. 2018. Vol. 9(4). Pp. 2427-2439. doi: 10.1016/j.asej.2017.06.002
  18. Current-based detection of mechanical unbalance in an induc-tion machine using spectral kurtosis with reference / E. Fournier, A. Picot, J. Regnier, M.T. Yamdeu, J.-M. Andrejak, P. Maussion, // IEEE Transactions on Industrial Electronics. 2014. Vol. 62(3). Pp. 1879-1887. doi: 10.1109/tie.2014.2341561
  19. Gyftakis K.N., Cardoso A.J.M., Antonino-Daviu J.A. Intro-ducing the Filtered Park’s and Filtered Extended Park’s Vec-tor Approach to detect broken rotor bars in induction motors independently from the rotor slots number // Mechanical Systems and Signal Processing. 2017. Vol. 93. Pp. 30-50. doi: 10.1016/j.ymssp.2017.01.046
  20. Cruz M.A. Marques Cardoso A.J. Rotor cage fault diagnosis in three-phase induction motors by extended Park's vector approach // Electric Machines &Power Systems. 2000. Vol. 28(4). Pp. 289-299. doi: 10.1080/073135600268261.
  21. Silva J.L.H., Cardoso A.J.M. Bearing failures diagnosis in three-phase induction motors by extended Park's vector ap-proach // 31st Annual Conference of IEEE Industrial Elec-tronics Society. IEEE, 2005. Pp. 2591-2596. doi: 10.1109/IECON.2005.1569315
  22. Caseiro J.A.A., Mendes A.M.S., Cardoso A.J.M. Fault diagnosis on a PWM rectifier AC drive system with fault tolerance using the average current Park's vector approach // 2009 IEEE International Electric Machines and Drives Conference. IEEE, 2009. Pp. 695-701. doi: 10.1109/iemdc.2009.5075281
  23. Curreri F., Patanè L., Xibilia M.G. Soft Sensor Transferabil-ity: A Survey // Applied Sciences. 2021. Vol. 11(16). Pp. 7710. doi: 10.3390/app11167710 
  24. Dybkowski M., Klimkowski K. Artificial neural network application for current sensors fault detection in the vector controlled induction motor drive // Sensors. 2019. Vol. 19(3). Pp. 571. doi: 10.3390/s19030571 
  25. Zhou X.A. Mao S., Li M. Novel Anti-Noise Fault Diagnosis Approach for Rolling Bearings Based on Convolutional Neural Network Fusing Frequency Domain Feature Matching Algorithm // Sensors. 2021. Vol. 21(16). Pp. 5532. doi: 10.3390/s21165532 
  26. Mendes A.M.S., Cardoso A.J.M. Voltage source inverter fault diagnosis in variable speed AC drives, by the average current Park's vector approach // IEEE International Electric Machines and Drives Conference. IEEE, 1999. Pp. 704-706. doi: 10.1109/iemdc.1999.769220 
  27. A sensor-less sliding mode control scheme for a stand-alone wound rotor synchronous generator under unbalanced load conditions / R.S. Muñoz-Aguilar, P. Rodríguez, A. Dòria-Cerezo, I. Candela, A. Luna // International Journal of Elec-trical Power & Energy Systems. 2014. Vol. 60. Pp. 275-282. doi: 10.1016/j.ijepes.2014.03.003 
  28. Cornell E.P., Lipo T.A. Modeling and design of controlled current induction motor drive systems // IEEE Transactions on Industry Applications. 1977. Vol. 4. Pp. 321-330. doi: 10.1109/tia.1977.4503414 
  29. Thomson W.T., Fenger M. Current signature analysis to detect induction motor faults // IEEE Industry Applications Magazine. 2001. Vol. 7(4). Pp. 26-34. doi: 10.1109/2943.930988 
  30. Fenger M., LLoyd B.A., Thomson W.T. Development of a tool to detect faults in induction motors via current signature analysis // In Proceedings of the 2003 IEEE-IAS/PCA Ce-ment Industry Conference. IEEE, 2003. Pp. 37-46. doi: 2003-05-04/09 
  31. Khanaki R., Mohd Radzi M.A., Marhaban M.H. Artificial neural network based maximum power point tracking con-troller for photovoltaic standalone system // International Journal of Green Energy. 2016. Vol. 13(3). Pp. 283-291. doi: 10.1007/s00500-021-05653-0 
  32. Muruganandam M., Madheswaran M. Stability analysis and implementation of chopper fed DC series motor with hybrid PID-ANN controller // International Journal of Control, Automation and Systems. 2013. Vol. 11(5). Pp. 966-975. doi: 10.1007/s12555-012-9209-y 
  33. Sancho-Asensio A., Orriols-Puig A., Golobardes Robust E. Robust on-line neural learning classifier system for data stream classification tasks // Soft Computing. 2014. Vol. 18(8). 1441-1461. doi: 10.1007/s00500-014-1233-9 
  34. Liu L., Özsu M. T. In Encyclopedia of Database Systems. Springer Singapore, 2009. 765 p. doi: 10.1007/978-1-4614-8265-9 
  35. Evgeniou T., Pontil M. Support vector machines: Theory and applications // Advanced Course on Artificial Intelligence. Springer, Berlin, 1999. Pp. 249-257. doi: 10.1007/3-540-44673-7_12 
  36. Cunningham P. Delany S.J. k-Nearest neighbour classifiers-A Tutorial / P. Cunningham, // ACM Computing Surveys (CSUR). 2021. Vol. 54(6). Pp. 1-25. doi: 10.1145/3459665. 
  37. Magnetoelectric current sensors / M. Bichurin, R. Petrov, V. Leontiev, G. Semenov, O. Sokolov // Sensors. 2017. Vol. 17(6). Pp. 1271. doi: 10.3390/s17061271

Королёв Н.А., Жуковский Ю.Л., Котелева Н.И. Наблюдатель состояния подшипников асинхронного двигателя по компонентам векторов Парка тока и напряжения // Электротехнические системы и комплексы. 2022. № 2(55). С. 62-70. https://doi.org/10.18503/2311-8318-2022-2(55)-62-70

Подробности
Просмотров: 370