Аннотация

Полный текст статьи

В работе обсуждаются возможности обнаружения повреждения подшипника асинхронного двигателя, работающего в составе частотно-регулируемого привода, с использованием алгоритмов машинного обучения и применением многополосных фильтров в процессе обработки информации о токе статора. Обнаружение неисправности асинхронного двигателя в случае питания от инвертора сложнее, чем при питании непосредственно от сети из-за маскировки признаков неисправности высшими гармониками от инвертора в токе статора. Показана эффективность использования многополосных фильтров (в частности, фильтра Чебышева II рода) для решения задачи извлечения признаков неисправности. В работе использовался подход на основе фильтра Чебышева II рода, который имеет плоскую амплитудно-частотную характеристику в полосе пропускания, что важно для сохранения амплитуды сигнала и, по сравнению с фильтром Баттерворта, имеющим также плоскую амплитудно-частотную характеристику в полосе пропускания, имеет более быстрый спад в полосе подавления. Многополосная фильтрация использовалась на этапе извлечения признаков неисправности из сигналов тока статора с последующей передачей их в классификаторы машинного обучения. Для распознавания неисправности после использования многополосной фильтрации были применены четыре метода машинного обучения, а именно: искусственная нейронная сеть, метод K-ближайших соседей, метод опорных векторов и наивный байесовский классификатор. Все методы показали весьма высокую вероятность правильного распознавания. Наиболее высокую эффективность (более 90% вероятности правильного распознавания неисправности при различных рабочих частотах и нагрузках двигателя) показали классификаторы на основе искусственной нейронной сети и метода K-ближайших соседей.

Ключевые слова

диагностика неисправностей подшипников, частотно-регулируемый привод, машинное обучение, асинхронный двигатель, быстрое преобразование Фурье, многополосные фильтры, фильтр Чебышева II рода, сигнатурный анализ тока, компоненты сигнала, статистические характеристики сигнала

Ахмед Осман Хассан – аспирант, кафедра электропривода и автоматизации промышленных установок, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург, Россия, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Метельков Владимир Павлович – д-р техн. наук, профессор, кафедра электропривода и автоматизации промышленных установок, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург, Россия, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Зюзев Анатолий Михайлович – д-р техн. наук, доцент, профессор, кафедра электропривода и автоматизации промышленных установок, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Есаулкова Дина Владимировна – старший преподаватель, кафедра электропривода и автоматизации промышленных установок, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург, Россия, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

1. Models for Bearing damage detection in induction motors using stator current monitoring / M. Blodt, P. Granjon, B. Raison, G. Rostaing // IEEE Transactions on Industrial Electronics. 2008. Vol. 55. No. 4. Pp. 1813-1822. doi: 10.1109/TIE.2008.917108

2. Report on large motor reliability survey of industrial and commercial installations // IEEE Transactions on Industry Applications. 1985. Vol. 21. No. 4. Pp. 853-864. doi: 10.1109/TIA.1985.349532

3. Benbouzid M. A review of induction motors signature analysis as a medium for faults detection // IEEE Transactions on Industrial Electronics. 2000. Vol. 47. No. 5. Pp. 984-993. doi: 10.1109/41.873206

4. Thorsen O.V., Dalva M. Methods of condition monitoring and fault diagnosis for induction motors // European Transactions on Electrical Power. 1998. Vol. 8. No. 5. Pp. 383-395. doi: 10.1002/etep.4450080510

5. Electrical motor current signal analysis using a modified bispectrum for fault diagnosis of downstream mechanical equipment / F. Gu, Y. Shao, N. Hu, A. Naid, A.D. Ball // Mechanical Systems and Signal Processing. 2011. Vol. 25(1). Pp. 360-372. doi: 10.1016/j.ymssp.2010.07.004

6. PWM Inverter harmonics contributions to the inverter-fed induction machine bearing fault diagnosis / B. Akin, H.A. Toliyat, U. Orguner, M. Rayner // APEC 07 - Twenty-Second Annual IEEE Applied Power Electronics Conference and Exposition. IEEE, 2007. Pp. 1393-1399. doi: 10.1109/APEX.2007.357698

7. Zhou W., Habetler T.G., Harley R.G. Bearing fault detection via stator current noise cancellation and statistical control // IEEE Transactions on Industrial Electronics. 2008. Vol. 55. No. 12. Pp. 4260-4269. doi: 10.1109/TIE.2008.2005018

8. Frosini L., Bassi E. Stator current and motor efficiency as indicators for different types of bearing faults in induction motors // IEEE Transactions on Industrial Electronics. 2010. Vol. 57. No. 1. Pp. 244-251. doi: 10.1109/TIE.2009.2026770

9. An efficient fault diagnostic method for three-phase induction motors based on incremental broad learning and non-negative matrix factorization / S.B. Jiang, P.K. Wong, R. Guan, Y. Liang, J. Li // IEEE Access. 2019. Vol. 7. Pp. 17780-17790. doi: 10.1109/ACCESS.2019.2895909

10. Jung J.-H., Lee J.-J., Kwon B.-H. Online diagnosis of induction motors using MCSA // IEEE Transactions on Industrial Electronics. 2006. Vol. 53. No. 6. Pp. 1842-1852. doi: 10.1109/TIE.2006.885131

11. Teotrakool K., Devaney M.J., Eren L. Adjustable-speed drive bearing-fault detection via wavelet packet decomposition // IEEE Transactions on Instrumentation and Measurement. 2009. Vol. 58. No. 8. Pp. 2747-2754. doi: 10.1109/TIM.2009.2016292

12. Hmida M.A., Abid F.B., Braham A. Multi-band analysis for enhancing multiple combined fault diagnosis // 18th International Multi-Conference on Systems, Signals & Devices (SSD). IEEE, 2021. Pp. 116-123. doi: 10.1109/SSD52085.2021.9429467

13. Zaman S.M.K., Liang X., Li W. Fault diagnosis for variable frequency drive-fed induction motors using wavelet packet decomposition and greedy-gradient Max-Cut learning // IEEE Access. 2021. Vol. 9. Pp. 65490-65502. doi: 10.1109/ACCESS.2021.3076149

14. Teotrakool K., Devaney M.J., Eren L. Bearing fault detection in adjustable speed drives via a support vector machine with feature selection using a genetic algorithm // IEEE Instrumentation and Measurement Technology Conference. IEEE, 2008. Pp. 1129-1133. doi: 10.1109/IMTC.2008.4547208

15. Kim S., An D., Choi J.-H. Diagnostics 101: A Tutorial for fault diagnostics of rolling element bearing using envelope analysis in MATLAB // Applied Sciences. 2020. Vol. 20(10). Pp. 7302. doi: 10.3390/app10207302

16. Neural-network based motor rolling bearing fault diagnosis / B. Li, M.Y. Chow, Y. Tipsuwan, J.C. Hung // IEEE Transactions on Industrial Electronics. 2000. Vol. 47. Pp. 1060-1069. doi: 10.1109/41.873214

17. Motor bearing damage detection using stator current monitoring / R.R. Schoen, T.G. Habetler, F.Kamran, R.G. Bartfield // IEEE Transactions on Industry Applications. 1995. Vol. 31. No. 6. Pp. 1274-1279. doi: 10.1109/28.475697

18. Chebyshev Type II filter design - MATLAB cheby2. Сайт www.mathworks.com. URL: https://www.mathworks.com/help/signal/ref/cheby2.html (дата обращения 11.12.2023).

19. He D., Li R., Zhu J. Plastic Bearing Fault Diagnosis Based on a Two-Step Data Mining Approach // IEEE Transactions on Industrial Electronics. 2013. Vol. 60. No. 8. Pp. 3429-3440. doi: 10.1109/TIE.2012.2192894

20. Jamil M.A., Khan M.A.A., Khanam S. Feature-based performance of SVM and KNN classifiers for diagnosis of rolling element bearing faults // Vibroengineering Procedia. 2021. Vol. 39. Pp. 36-42. doi: 10.21595/vp.2021.22307

21. Bearing Fault Diagnosis using Wavelet Packet Transform, Hybrid PSO and Support Vector Machine / C. Rajeswari, B. Sathiyabhama, S. Devendiran, K. Manivannan // Procedia Engineering. 2014. Vol. 97. Pp. 1772-1783. doi: 10.1016/j.proeng.2014.12.329

Диагностика неисправности подшипника асинхронного двигателя в частотно-регулируемом приводе на основе машинного обучения с использованием многополосных фильтров / О.Х. Ахмед, В.П. Метельков, А.М. Зюзев, Д.В. Есаулкова // Электротехнические системы и комплексы. 2024. № 1(62). С. 56-64. https://doi.org/10.18503/2311-8318-2024-1(62)-56-64