Computerised system for fault diagnosis of the rotor bars of squirrel-cage induction motor

• Autorzy: Osowski S. , Kurek J. , Siwek K.

Warianty tytułu

PL

Komputerowy system diagnostyczny uszkodzeń prętów klatki maszyny indukcyjnej

• Języki publikacji: EN

Abstrakty

EN

The paper presents the computerised system for the diagnosis of the rotor bars of an induction electrical motor. The solution relies on the processing of the measured stator current and application of the Support Vector Machine as the classifier. The important point is the generation of the diagnostic features on the basis of which the SVM classifier undertakes its decision whether or not the bars are faulty. The most important problem is concerned with the generation of the diagnostic features, on the basis of which the recognition of the state of the rotor bars is done. In our approach, we use the spectral information of the stator current, limited to a strictly specified region. The selected features form the input vector applied to the single class Support Vector Machine, responsible for recognition of the fault. The results of the numerical experiments are presented and discussed in the paper.

PL

Praca przedstawia skomputeryzowany automatyczny system diagnostyczny do wykrywania uszkodzeń prętów maszyny indukcyjnej. Rozwiązanie jest typu bezinwazyjnego i może być zastosowane do maszyny w ruchu. Sygnały diagnostyczne generowane są na podstawie zarejestrowanych sygnałów prądu statora. W aplikacji wykorzystano jednoklasową sieć SVM (ang. Support Vector Machine) pracującą jako klasyfikator. Jednym z najistotniejszych problemów rozwiązanych w tym zadaniu jest generacja i selekcja odpowiednich cech diagnostycznych, na podstawie których klasyfikator dokonuje rozpoznania stanu prętów. Zaproponowano cechy bazujące na charakterystyce spektralnej prądu statora, ograniczonej do wybranego zakresu częstotliwości związanego z poślizgiem maszyny. System zbudowany w ramach projektu jest w pełni zautomatyzowany, poczynając od akwizycji sygnałów, poprzez ich przetwarzanie wstępne, aż po końcowy werdykt (pręty uszkodzone bądź nieuszkodzone).

Słowa kluczowe

EN

squirrel-cage induction motor; bar fault detection; support vector machine (SVM); signal processing

PL

klatkowa maszyna indukcyjna; wykrywanie uszkodzeń; pręt; maszyna wektorów nośnych; przetwarzanie sygnału

• Wydawca: Wydawnictwo Naukowe Instytutu Technologii Eksploatacji - Państwowego Instytutu Badawczego
• Czasopismo: Problemy Eksploatacji
• Rocznik: 2010
• Tom: nr 4
• Strony: 135--151
• Opis fizyczny: Bibliogr. 22 poz., rys., tab.

Twórcy

autor

Osowski S.

autor

Kurek J.

autor

Siwek K.

• Warsaw University of Technology, Warsaw, Poland

Bibliografia

• 1. Aydin I., Karaköse M., Akin E. (2007): Artificial immune based support vector machine algorithm for fault diagnosis of induction motors, IEEE Electrical Machines and Systems Conf., (ICEMS), Vol. 2, pp. 1-5.
• 2. Bonnet A. H. (1988): Analysis of Rotor Failures in Squirrel Cage Induction Machines, IEEE Trans. on Industry Applications, Vol. 24, No 6, pp. 1124-1130.
• 3. Bonnet A.H., Soukup G.C. (1992): Cause and Analysis of Stator and Rotor Failures in Three-Phase Squirrel- Cage Induction Motors, IEEE Trans. on Industry Applications, Vol. 28, No 4, pp. 921-937.
• 4. Duda R.O, Hart P.E., Stork P. (2003): Pattern Classification and Scene Analysis, New York: Wiley.
• 5. Fang R. (2006): Induction machine rotor diagnosis using support vector machines and rough set, Lecture Notes in Computer Science, Vol. 4114, pp. 631-636.
• 6. Fenger M., Susnik M., Laderoute P., Thomson W. (2003): Development of a tool to detect faults in induction motors via current signature analysis, Iris Rot. Mach. Conf., Santa Monica, pp. 1-8.
• 7. Filippetti F., Francheschini G., Tassoni C., Vas P. (2000): Recent developments of induction motor drives fault diagnosis using AI techniques, IEEE Trans. On Ind. Electronics, Vol. 47, pp. 994-1004.
• 8. Haji M., Toliyat H. (2001): Pattern recognition - a technique for induction machine rotor fault detection “Broken bar fault”, IEEE IAS Trans., Vol. 37, pp. 899-904.
• 9. Hubert C. (2002): Electric Machines: Theory, Operating Applications, and Controls, Prentice Hall.
• 10. Kliman G.B., Stein J. (1990): Induction motor fault detection via passive current monitoring, Proc. Int. Conf. (ICEM’90), MIT, Boston, USA, pp. 13-17.
• 11. Kurek J., Osowski S. (2010): Support Vector Machine for Fault Diagnosis of the Broken Rotor Bars of Squirrel-Cage Induction Motor, Neural Computing and Applications, Vol. 19, No 4, pp. 557-564.
• 12. Kurek J., Biernat A., Osowski S., Markiewicz T. (2006): Diagnosis of induction motor using Support Vector Machine, Int. Symp. CPEE, Odessa, pp. 1-4.
• 13. Li L., Mechefske C.K., Li W. (2004): Electric motor faults diagnosis using artificial neural networks, Insight - Non-Destructive Testing and Condition Monitoring, Vol. 46, pp. 616-621.
• 14. Matlab user manual (2002): MathWorks, Natick, USA.
• 15. Meyer D., Leisch F., Hornik K. (2003): The support vector machine under test, Neurocomputing, vol. 55, vol. 169-186.
• 16. Mirafzal B., Demerdash N. (2004): Induction machine broken-bar fault diagnosis using the rotor magnetic field space vector orientation, IEEE Trans. Ind. Appl., Vol. 40, pp. 534-542.
• 17. Schölkopf B., Smola A. (2002): Learning with Kernels, Cambridge, MA, MIT Press.
• 18. Schoen R., Lin B.K., Habetler F.G., Schlog H.J., Farag S. (1995): An unsupervised on-line system for induction motor fault detection using stator current monitoring, IEEE IAS Trans., Vol. 31, pp. 1280-1286.
• 19. Su H., Chong K.T., Parlos A.G. (2005): A neural network method for induction machine fault detection with vibration signal, Lecture Notes in Computer Science, Springer, Berlin, Vol. 3481, pp. 293-1302.
• 20. Supangat R., Ertugrul N., Soong W.L., Gray D.A., Hansen C.H., Grieger J. (2005): Broken rotor bar fault detection in induction motors using starting current analysis, Proc.11th European Conference on Power Electronics and Applications, Dresden, Germany, pp. 1-10.
• 21. Szabo L., Dobai J. B., Biro K. A. (2004): Rotor faults detection in squirrel-cage induction motors by current signature analysis, 2004 IEEE-TTTC - International Conference on Automation, Quality and Testing, Robotics, Cluj-Napoca, Romania, pp. 1-4.
• 22. Thomson W.T., Fenger M. (2001): Current Signature Analysis to Detect Induction Motor Faults, IEEE Trans. on IAS Magazine, Vol. 7, No. 4, pp. 26-34.