شناسایی خطای مبتنی بر اطلاعات ویژگی موتورهای القایی از طریق تحلیل داده های جریان استاتور

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

شناسایی خطای مبتنی بر اطلاعات ویژگی موتورهای القایی از طریق تحلیل داده های جریان استاتور

عنوان لاتین

Feature Knowledge Based Fault Detection of Induction Motors Through the Analysis of Stator Current Data

شناسایی خطای ناهنجاری های مکانیکی یا الکتریکی در موتورهای القایی طی دهه های گذشته یک مسئله ی چالش بر انگیز برای محققان جهت اطمینان از عملیات به صرفه و ایمن فرآیندهای صنعتی بوده است. برای رسیدگی به این مسئله، این مقاله داده های جریان استاتور بدست آمده از موتورهای القایی آزمایشگاهی تغذیه ی وارون ساز را مورد مطالعه قرار داده و علامت های منحصربفرد موتورهای سالم و ایمن را با هدف شناسایی خطای مبتنی بر دانش توسعه برای انجام شناسایی آنلاین مسائل خطای موتور، مانند انجام شناسایی آنلاین مسائل خطای موتور، مانند ایرادات بلبرینگ و نوار شکسته ی روتور مورد بررسی قرار داده است. داده های جریان استاتور جمع آوری شده از موتورهای القایی با استفاده از تبدیل سریع فوریه (FFT) تحلیل شدند و نتایج FFT بوسیله روش تحلیل مولفه ی مستقل (ICA) برای بدست آوردن مولفه های مستقل و ویژگی های مربوط به علامت که ویژگی های FFT-ICA جریان های استاتور نامیده می شوند بیش تر مورد تحلیل قرار گرفتند. ویژگی های FFT-ICA حاصل حاوی اطلاعات با ارزش در رابطه با علامت های موتورهای سالم و معیوب می باشند که برای ساخت یک پایگاه داده ی اطلاعات ویژگی برای شناسایی آنلاین خطا بیشتر مورد تجزیه و تحلیل واقع شدند. از طریق مطالعات موردی، این مقاله دقت بالا، ساده بودن و قدرت طرح پیشنهادی شناسایی خطا را برای شناسایی خطای موتورهای القایی تشریح کرده است. بعلاوه، با یکپارچه سازی پایگاه داده ی اطلاعات ویژگی، اطلاعات قبلی پارامترهای موتور مانند سرعت روتور و لغزش پریونیت، که توسط روش های دیگر تحلیل علامت جریان موتور (MCSA) مورد نیاز بودند، برای روش پیشنهادی مورد نیاز نمی باشند، که این امر باعث می شود این روش در مقایسه با روش های دیگر MCSA موثرتر باشد.

The fault detection of electrical or mechanical anomalies in induction motors has been a challenging problem for researchers over decades to ensure the safety and economic operations of industrial processes. To address this issue, this paper studies the stator current data obtained from inverter-fed laboratory induction motors and investigates the unique signatures of the healthy and faulty motors with the aim of developing knowledge based fault detection method for performing online detection of motor fault problems, such as broken-rotor-bar and bearing faults. Stator current data collected from induction motors were analyzed by leveraging fast Fourier transform (FFT), and the FFT results were further analyzed by the independent component analysis (ICA) method to obtain independent components and signature features that are referred to as FFT-ICA features of stator currents. The resulting FFT-ICA features contain rich information on the signatures of the healthy and faulty motors, which are further analyzed to build a feature knowledge database for online fault detection. Through case studies, this paper demonstrated the high accuracy, simplicity, and robustness of the proposed fault detection scheme for fault detection of induction motors. In addition, with the integration of the feature knowledge database, prior knowledge of the motor parameters, such as rotor speed and per-unit slip, which are needed by the other motor current signature analysis (MCSA) methods, is not required for the proposed method, which makes it more efficient compared with the other MCSA methods.