An effective approach for electric motor fault diagnosis using deep learning

• Autorzy: Padmavathi R. , Aravinda K. , Vetrivel M. , Santhana Lakshmi C. , Satheesh Kumar R. , Sivakumar S.

Identyfikatory

DOI

10.15199/48.2024.06.53

Warianty tytułu

PL

Skuteczne podejście do diagnostyki usterek silników elektrycznych z wykorzystaniem głębokiego uczenia się

• Języki publikacji: EN

Abstrakty

EN

Induction motors have versatile applications across various industries. However, during their integration into different systems, they can be susceptible to a range of failures such as broken bars and interturn faults. To mitigate the risks of unforeseen motor breakdowns, this study introduced an Artificial Neural Network (ANN) based fault detector to assess the severity of fault conditions. The primary goal is to enhance the reliability and longevity of induction motors by promptly identifying potential issues. In this proposed model, Levenberg–Marquardt back-propagation algorithm is utilised for training and the ANN was subjected to testing under both healthy and five distinct fault conditions of the electrical machine.The results obtained from the experimentation phase are promising, revealing that the proposed ANN topology exhibits a noteworthy accuracy level of around 96%. This accuracy surpasses that of the pre-existing topology, indicating a significant advancement in fault detection capability.

PL

Silniki indukcyjne mają wszechstronne zastosowanie w różnych gałęziach przemysłu. Jednakże podczas integracji z różnymi systemami mogą być podatne na szereg awarii, takich jak pęknięte pręty i uszkodzenia międzyzwojowe. Aby ograniczyć ryzyko nieprzewidzianych awarii silnika, w badaniu wprowadzono detektor usterek oparty na sztucznej sieci neuronowej (ANN) w celu oceny powagi warunków awarii. Głównym celem jest zwiększenie niezawodności i trwałości silników indukcyjnych poprzez szybką identyfikację potencjalnych problemów. W proponowanym modelu do uczenia wykorzystano algorytm propagacji wstecznej Levenberga-Marquardta, a sieć SSN poddano testom zarówno w warunkach prawidłowego działania, jak i w pięciu odrębnych stanach usterek maszyny elektrycznej. Wyniki uzyskane w fazie eksperymentów są obiecujące i ujawniają, że zaproponowany model Topologia SSN charakteryzuje się godnym uwagi poziomem dokładności wynoszącym około 96%. Dokładność ta przewyższa dokładność istniejącej topologii, co wskazuje na znaczny postęp w zakresie możliwości wykrywania usterek.

Słowa kluczowe

EN

ANN; stator inter turn fault; SITF; induction motor

PL

ANN; wykrywanie usterek międzyobrotowych stojana; silnik indukcyjny

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 6
• Strony: 253--256
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Padmavathi R.

• Rajalakshmi Engineering College, Chennai, Tamilnadu, India

autor

Aravinda K.

• New Horizon College of Engineering, Bengaluru, Karnataka, India

autor

Vetrivel M.

• R P Sarathy Institute of Technology, Salem, Tamilnadu India

autor

Santhana Lakshmi C.

• Sona College of Technology, Salem, Tamilnadu India

autor

Satheesh Kumar R.

• Sona College of Technology, Salem, Tamilnadu India

autor

Sivakumar S.

• Government Arts College (Autonomous), Salem, Tamilnadu, India

Bibliografia

• [1] Maamouri R., Trabelsi M., Boussak M., M’Sahli F., Mixed model-based and signalbasedapproach for open-switches fault diagnostic in sensorless speed vector controlled induction motor drive using sliding mode observer, IET Power Electronics,12(2019), No.5, 1149–1159.
• [2] Toliyat H.A., Nandi S., Choi S., Meshgin-Kelk H., (2012) Electric Machines: Modeling, Condition Monitoring, and Fault Diagnosis, CRC Press.
• [3] Wang P., Junjie L.u., Shi L., Zhang Y., Tong Z., Wang N., Method for extracting current envelope for broken rotor bar fault detection of induction motors at time varying loads, IET Electr. Power Appl., 14(2020), No. 6, 1067–1077.
• [4] Panagiotou P.A., Arvanitakis I., Lophitis N., Antonino-Daviu J.A., Gyftakis K.N., A new approach for broken rotor bar detection in induction motors using frequency extraction in stray flux signals, IEEE Trans. Ind. Appl. 55(2019) , No.4, 3501–3511.
• [5] Mohamed M.A., Hassan M.A.M., Albalawi F., Ghoneim S.S., Ali Z.M., Dardeer M., Diagnostic modelling for induction motor faults via ANFIS algorithm and DWT-based feature extraction. Applied Sciences, 11(2021), No.19, 9115.
• [6]. Rajeswari R., Kamaraj N., Diagnosis of inter-turn fault in the stator of synchronous generator using wavelet based ANFIS, World Acad. Sci. Eng. Technol., 36(2007), 203–209.
• [7] Reza Sadeghi, Haidar Samet, Teymoor Ghanbari, Detection of stator short-circuit faults in induction motors using the concept of instantaneous frequency, IEEE Trans. Ind. Inf., 15(2019), No.8, 4506–4515.
• [8] Teymoor Ghanbari, Haidar Samet, A kalman , Filter based technique for stator turnfault detection of the induction motors, Int. J. Emerg. Electr. Power Syst., 18(2017), No.6.
• [9] Namdar A., Samet H., Allahbakhshi M., Tajdinian M., Ghanbari T., A robust stator inter-turn fault detection in induction motor utilizing Kalman filter-based algorithm, Measurement, 187(2022), 110181.
• [10] Yang Y., Haque M.M.M., Bai D., Tang W., Fault diagnosis of electric motors using deep learning algorithms and its application: A review, Energies, 14(2021), No.21, 7017.
• [11] CHERIFI D., MILOUD Y., MOSTEFAI M., High Performance of Direct Power Control for a Doubly Fed Induction Generator Based on Adaptive Fuzzy Second Order Sliding Mode Controller in Wind Energy Conversion System, Przeglad Elektrotechniczny, 2023(2023), No.11.
• [12] GOLEMAN R., Modelling of a single-phase induction motor with a 50Hz/150Hz magnetic frequency converter.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).