Zastosowanie krótkoczasowej transformaty Fouriera oraz sztucznej inteligencji do wykrywania uszkodzeń uzwojeń stojana silnika synchronicznego o magnesach trwałych

• Autorzy: Pietrzak Przemysław , Wolkiewicz Marcin

Identyfikatory

DOI

10.15199/48.2023.04.05

Warianty tytułu

EN

Application of the short-time Fourier transform and artificial intelligence to the permanent magnet synchronous motor stator winding fault detection

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono możliwość wykorzystania krótkoczasowej transformaty Fouriera sygnału prądu fazowego stojana oraz modułu wektora przestrzennego prądów stojana do ekstrakcji symptomów uszkodzeń uzwojeń stojana silnika synchronicznego o magnesach trwałych. Dodatkowo, zaproponowano możliwość automatyzacji procesu wnioskowania o stanie uzwojenia stojana przy zastosowaniu wybranych algorytmów bazujących na sztucznej inteligencji: maszyny wektorów nośnych oraz perceptronu wielowarstwowego. System diagnostyczny rozszerzono o możliwość lokalizacji uszkodzonej fazy. Badania eksperymentalna potwierdzają wysoką skuteczność opracowanego rozwiązania.

EN

This paper presents the possibility of using the short-time Fourier transform of the stator phase current and stator current space vector module in the process of permanent magnet synchronous motor stator winding fault symptoms extraction. Additionally, the automatization of the stator winding condition inference process which the use of selected artificial intelligence based algorithms: Support Vector Machine and MultiLayer Perceptron is proposed. The developed diagnostic system has been extended with the functionality of locating the damaged phase. Experimental studies confirmed the high effectiveness of the developed method.

Słowa kluczowe

PL

silnik synchroniczny o magnesach trwałych; zwarcia międzyzwojowe; krótkoczasowa transformata Fouriera

EN

permanent magnet synchronous motor; interturn short circuits; short-time Fourier transform; artificial intelligence

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 4
• Strony: 22--29
• Opis fizyczny: Bibliogr. 19 poz., rys.

Twórcy

autor

Pietrzak Przemysław

• Politechnika Wrocławska, Katedra Maszyn, Napędów i Pomiarów Elektrycznych, ul. Smoluchowskiego 19, 50-372 Wrocław

• https://orcid.org/0000-0002-4429-0009

autor

Wolkiewicz Marcin

• Politechnika Wrocławska, Katedra Maszyn, Napędów i Pomiarów Elektrycznych, ul. Smoluchowskiego 19, 50-372 Wrocław

• https://orcid.org/0000-0003-1197-8517

Bibliografia

• [1] Mishra I., Tripathi R.N., Singh V.K., Hanamoto T., Step-by-Step Development and Implementation of FS-MPC for a FPGA-Based PMSM Drive System, Electronics, 10 (2021), nr 395.
• [2] Knypiński Ł., Krupiński J., Application of the permanent magnet synchronous motors for tower cranes, Przegląd Elektrotechniczny, 96 (2020), nr 1, 27-30.
• [3] Riera-Guasp, M., Antonino-Daviu, J. A., Capolino, G. Advances in Electrical Machine, Power Electronic, and Drive Condition Monitoring and Fault Detection: State of the Art. IEEE Transactions on Industrial Electronics, 62 (2015).
• [4] Huang S., Aggarwal A., Strangas E.G., Li K., Niu F., Huang X., Robust Stator Winding Fault Detection in PMSMs With Respect to Current Controller Bandwidth. IEEE Transactions on Power Electronics, 36 (2021), 5032–5042.
• [5] Wolkiewicz M., Tarchała G., Orłowska-Kowalska T., KowalskiC. T., Online Stator Interturn Short Circuits Monitoring in theDFOC Induction-Motor Drive, IEEE Transactions on Industrial Electronics, 63 (2016), nr 4, 2517-2528.
• [6] Orlowska-Kowalska T. et al., Fault Diagnosis and Fault-Tolerant Control of PMSM Drives–State of the Art and Future Challenges IEEE Access, 10 (2022), 59979-60024.
• [7] Chen Y., Liang S., Li W., Liang H., Wang C., Faults and Diagnosis Methods of Permanent Magnet Synchronous Motors: A Review. Applied Sciences, 9 (2019), nr 10, 2116.
• [8] Pietrzak P., Wolkiewicz M. Comparison of Selected Methods for the Stator Winding Condition Monitoring of a PMSM Using the Stator Phase Currents. Energies, 14 (2021), nr. 1630.
• [9] Haje Obeid N., Battiston A., Boileau T., Nahid-Mobarakeh B., Early Intermittent Interturn Fault Detection and Localization for a Permanent Magnet Synchronous Motor of Electrical Vehicles Using Wavelet Transform. IEEE Transactions on Transportation Electrification, 3 (2017), nr 3, 694-702.
• [10] Urresty J., Riba J., Romeral L., Rosero J., Serna J., Stator short circuits detection in PMSM by means of Hilbert-Huang transform and energy calculation. W: IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, 2009, 1-7.
• [11] Pietrzak, P., Wolkiewicz, M. Stator Winding Fault Detection of Permanent Magnet Synchronous Motors Based on the Short-Time Fourier Transform, Power Electronics and Drives, 7 (2022), nr 42, 112-133.
• [12]Pietrzak P., Wolkiewicz M., Application of Support Vector Machine to stator winding fault detection and classification ofpermanent magnet synchronous motor. W: IEEE 19th International Power Electronics and Motion Control Conference (PEMC), 2021, 880-887.
• [13] Samanta S., Bera J.N., Sarkar G., KNN based fault diagnosis system for induction motor. W: Proc. of the 2nd International Conference on Control, Instrumentation, Energy & Communication (CIEC), 2016, 304–308.
• [14] Tarek K., Abdelaziz L., Zoubir C., Kais K., Karim N.,Optimized multi layer perceptron artificial neural network based fault diagnosis of induction motor using vibration signals. Diagnostyka, 22 (2021). Nr (1), 65-74.
• [15] Pietrzak, P., Wolkiewicz, M., Orlowska-Kowalska, T. PMSM Stator Winding Fault Detection and Classification Based on Bispectrum Analysis and Convolutional Neural Network. IEEE Transactions on Industrial Electronics, 2022, Early Access, doi: 10.1109/TIE.2022.3189076.
• [16] Satpathi, K., Yeap, Y. M., Ukil, A., Geddada, N. “Short-Time Fourier Transform Based Transient Analysis of VSC Interfaced Point-to-Point DC System,” IEEE Transactions on Industrial Electronics, 65 (2018), nr 5, 4080-4091.
• [17] S. Liang, Y. Chen, H. Liang, and X. Li, “Sparse Representation and SVM Diagnosis Method Inter-Turn Short-Circuit Fault in PMSM,” Applied Sciences, vol. 9, no. 2, p. 224, Jan. 2019.
• [18] D. Martens, B. B. Baesens, T. Van Gestel, “DecompositionalRule Extraction from Support Vector Machines by Active Learning“, IEEE Trans. Know. and Data Eng., Vol. 21, pp. 178-191, 2009.
• [19] Skowron, M., Wolkiewicz, M., Orlowska-Kowalska, T., Kowalski, C.T. Effectiveness of Selected Neural Network Structures Based on Axial Flux Analysis in Stator and Rotor Winding Incipient Fault Detection of Inverter-fed Induction Motors. Energies, 12 (2019), 2392.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).