Deep learning approach for open switch fault diagnosis in matrix frequency converter

• Autorzy: Sabour Mustapha

Identyfikatory

DOI

10.15199/48.2020.11.32

Warianty tytułu

PL

Metoda uczenia sieci neuronowej w diagnostyce przekształtników matrycowych

• Języki publikacji: EN

Abstrakty

EN

This document proposes a new method for detecting and locating open circuit faults in a matrix frequency converter (MC) based on the technique of pattern recognition by neural networks. The converter input and output current signals are used for this purpose. For this, a database of current signals under healthy conditions and defective for different operating conditions was established. After transforming these signals into a Concordia lair, a process of deep learning by a convolutional neural network was carried out. To verify the robustness of our proposed approach, a simulation of a MC system with a defective power electronic switch supplying an asynchronous motor controlled by DTC-SVM under different conditions of torque and speed was developed. The diagnostic results demonstrate the feasibility and effectiveness of the proposed method. It made it possible to locate the faulty switch precisely and quickly.

PL

Zaproponowano nową metodę wykrywania i lokalizowania uszkodzeń obwodu otwartego w przekształtniku matrycowym (MC) w oparciu o technikę rozpoznawania wzorców przez sieć neuronową. W tym celu wykorzystywane są sygnały wejściowe i wyjściowe prądu przekształtnika. Utworzono bazę danych sygnałów prądowych w warunkach znamionowych i z uszkodzeniem dla różnych warunków pracy. Po przekształceniu tych sygnałów w środowisku Concordia przeprowadzono proces głębokiego uczenia się przez splotową sieć neuronową. Aby zweryfikować Wiarygodność naszego proponowanego podejścia, opracowano model symulacyjny układu MC z uszkodzonym łącznikiem energoelektronicznym zasilającym silnik asynchroniczny sterowany metodą DTC-SVM z róznymi wartościami momentu i prędkości obrotwej. Wyniki diagnostyczne pokazują wykonalność i skuteczność proponowanej metody.

Słowa kluczowe

EN

matrix frequency converter; diagnosis; pattern recognition; convolutional neural networks; deep learning

PL

przekształtnik matrycowy; diagnoza; rozpoznawanie wzorców; splotowe sieci neuronowe; głębokie uczenie się

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2020
• Tom: R. 96, nr 11
• Strony: 155--160
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Sabour Mustapha

• Electric Drive Development Laboratory (LDEE), Sciences and technology University (USTO), Oran, Algeria

Bibliografia

• [1] J. Zhang, H. Dan, L. Empringham, L. De Lillo, and P. Wheeler, ‘Matrix Converter Open-Circuit Fault Behavior Analysis and Diagnosis With a Model Predictive Control Strategy’, IEEE Journal of Emerging and Selected Topics in Power Electronics, vol. 6, no. 4, pp. 1831–1839, 2018.
• [2] P. W. Wheeler, J. Rodriguez, J. C. Clare, L. Empringham, and A. Weinstein, ‘Matrix converters: A technology review’, IEEE Transactions on industrial electronics, vol. 49, no. 2, pp. 276– 288, 2002.
• [3] C. Senthil-Kumar, N. Senthil-Kumar, and M. Eswari, ‘Comparative study of conventional and matrix converter fed brushless dc motor drive’, Przegląd Elektrotechniczny, vol. 89, no. 7, pp. 35--40, 2013.
• [4] H. Dan et al., ‘Error-voltage-based open-switch fault diagnosis strategy for matrix converters with model predictive control method’, IEEE Transactions on Industry Applications, vol. 53, no. 5, pp. 4603–4612, 2017.
• [5] T. Peng et al., ‘Open-switch fault diagnosis and fault tolerant for matrix converter with finite control set-model predictive control’, IEEE Transactions on Industrial Electronics, vol. 63, no. 9, pp. 5953–5963, 2016.
• [6] J. Sun, C. Yan, and J. Wen, ‘Intelligent bearing fault diagnosis method combining compressed data acquisition and deep learning’, IEEE Transactions on Instrumentation and Measurement, vol. 67, no. 1, pp. 185–195, 2017.
• [7] R. Liu, B. Yang, E. Zio, and X. Chen, ‘Artificial intelligence for fault diagnosis of rotating machinery: A review’, Mechanical Systems and Signal Processing, vol. 108, pp. 33–47, 2018.
• [8] G. E. Hinton, S. Osindero, and Y.-W. Teh, ‘A fast learning algorithm for deep belief nets’, Neural computation, vol. 18, no. 7, pp. 1527–1554, 2006.
• [9] J. F. Martins, V. F. Pires, and T. Amaral, ‘Induction motor fault detection and diagnosis using a current state space pattern recognition’, Pattern Recognition Letters, vol. 32, no. 2, pp. 321–328, 2011.
• [10] S. S. Moosavi, A. Djerdir, Y. Ait-Amirat, and D. A. Khaburi, ‘ANN based fault diagnosis of permanent magnet synchronous motor under stator winding shorted turn’, Electric Power Systems Research, vol. 125, pp. 67–82, 2015. 160 PRZEGLĄD ELEKTROTECHNICZNY, ISSN 0033-2097, R. 96 NR 11/2020
• [11] M. A. Masrur, Z. Chen, and Y. Murphey, ‘Intelligent diagnosis of open and short circuit faults in electric drive inverters for realtime applications’, IET Power Electronics, vol. 3, no. 2, pp. 279–291, 2010.
• [12] D.-T. Hoang and H.-J. Kang, ‘Rolling element bearing fault diagnosis using convolutional neural network and vibration image’, Cognitive Systems Research, vol. 53, pp. 42–50, 2019.
• [13] S. Kwak and T. Kim, ‘Fault detection and location of opencircuited switch faults in matrix converter drive systems’, 2009, pp. 1476–1481.
• [14] S. M. Cruz and A. M. Cardoso, ‘Stator winding fault diagnosis in three-phase synchronous and asynchronous motors, by the extended Park’s vector approach’, IEEE Transactions on industry applications, vol. 37, no. 5, pp. 1227–1233, 2001.
• [15] M. Talha, F. Asghar, and S. H. Kim, ‘A Novel Three-Phase Inverter Fault Diagnosis System Using Three-dimensional Feature Extraction and Neural Network’, Arabian Journal for Science and Engineering, vol. 44, no. 3, pp. 1809–1822, 2019.
• [16] K. B. Lee, S. Cheon, and C. O. Kim, ‘A convolutional neural network for fault classification and diagnosis in semiconductor manufacturing processes’, IEEE Transactions on Semiconductor Manufacturing, vol. 30, no. 2, pp. 135–142, 2017.
• [17] L. Guo, Y. Lei, S. Xing, T. Yan, and N. Li, ‘Deep convolutional transfer learning network: A new method for intelligent fault diagnosis of machines with unlabeled data’, IEEE Transactions on Industrial Electronics, vol. 66, no. 9, pp. 7316–7325, 2018.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).