Fault detection in electrical drive by means of artificial neural networks

• Autorzy: Głowacki G. , Patan K.

Warianty tytułu

PL

Detekcja uszkodzeń w silniku elektrycznym przy pomocy sztucznych sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The paper deals with problem model-based of fault detection electrical drive by using neural networks. The multilayer perceptron with tapped delay lines has been applied to model the diagnosed process at the nominal operation conditions. In turn, decision about faults has been performed using simple MultiLayer Feedforward Network (MFN). The electrical drive under consideration (AMIRA DR300) works in the closed loop and is controlled by PID controller. This laboratory electrical drive renders it positive to simulate a several faulty scenarios. In this way the proposed fault detection scheme can be tested on a number of faulty conditions.

PL

Artykuł przedstawia problem detekcji uszkodzeń w silniku elektrycznym przy pomocy sieci neuronowych. Do zamodelowania diagnozowanego obiektu pracującego w warunkach normalnych użyto sieci jednokierunkowych z liniami opóźniającymi. Następnie, jako blok decyzyjny o wystąpieniu uszkodzeń zastosowano zwykłe jednokierunkowe sieci wielowarstwowe. Do przeprowadzenia badań wykorzystano silnik prądu stałego firmy AMIRA (DR300). Silnik pracuje w układzie zamkniętym z regulatorem PID i umożliwia symulację pewnych scenariuszy uszkodzeń. Dzięki temu możliwe jest przetestowanie zaproponowanego schematu detekcji uszkodzeń na przykładzie wadliwych warunków pracy obiektu.

Słowa kluczowe

EN

fault detection; neural network; neural classifier; modeling; electrical drive

PL

detekcja uszkodzeń; sieć neuronowa; klasyfikator neuronowy; modelowanie; silnik elektryczny

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2006
• Tom: nr 2(38)
• Strony: 7--10
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Głowacki G.

autor

Patan K.

• Institute of Control and Computation Engineering, University of Zielona Góra,

Bibliografia

• [1] Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (Eds.): Fault Diagnosis: Models, Artificial Intelligence, Applications. Springer-Verlag, Berlin, 2004.
• [2] Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (Eds.): Neural Network Vol. 6. Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2000. (in polish)
• [3] Gupta M. M., Jin L., Homma N.: Static and Dynamic Neural Networks. John Wiley & Sons, New Jersey, 2003.
• [4] Patan K., Parsini T.: Identification of neural dynamic models for fault detection and isolation : the case of real sugar evaporation process. Journal of Process Control,Vol. 15, pp. 67-79.
• [5] Korbicz J., Patan K., Obuchowicz A.: Dynamic neural networks for process modelling in fault detection and isolation systems. Journal of Applied Mathematics and Comuter Science, Vol. 9, No. 3, pp. 519-546.
• [6] Kowal M.: Optimization of Neuro-Fuzzy Structures in Technical Diagnostics Systems. University of Zielona Góra Press, Zielona Góra, 2005.
• [7] Leonhard W.: Control of Electrical Drives. Springer, Berlin, 1996.
• [8] Witczak M.: Advances in Model-Based Fault Diagnosis with Evolutionary Algorithms and Neural Network. Journal of Applied Mathematics and Computer Science, Vol. 16, No. 1, pp. 85-99.
• [9] Basseville M., Nikiforov I. V.: Detection of Abrupt Changes: Theory and Application. Prentice-Hall, Englewood, 1993.
• [10] Janczak A.: Identification of Nonlinear Systems Using Neural Networks and Polynominal Models. Springer, Berlin, 2005.