Аннотация
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
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