Identification of the mass inertia moment in an electromechanical system based on wavelet–neural method

• Autorzy: Tomczyk Marcin , Borowik Barbara , Borowik Bohdan

Identyfikatory

DOI

10.23743/acs-2018-16

• Języki publikacji: EN

Abstrakty

EN

This paper presents the results of testing of a complex electromechanical system model. These results have been obtained for accepted in simulations the method of identifying an inertia moment of reduced masses on shaft of induction motor drive during the changes of a backlash zone width. The effectiveness of correct diagnostic conclusions enables coefficients analysis of testing signals wavelet expansion as well as weights of a supervised learning neural network. The earlier fault detection of five important state variables, which describe physical quantities of chosen complex electro-mechanical system has been verified for its correctness during the backlash zone width monitoring in the early stage of its gradual rise. The proposed here algorithm with mass inertia moment changes has proved to be an effective diagnostic method in the area of system changeable dynamic conditions and this has been shown in the resulting changes of backlash zone width.

Słowa kluczowe

EN

induction motor; wavelet transformation; backlash zone; neural networks

PL

silnik indukcyjny; transformacja falkowa; strefa luzu; sieci neuronowe

• Wydawca: Polskie Towarzystwo Promocji Wiedzy ; Lublin University of Technology
• Czasopismo: Applied Computer Science
• Rocznik: 2018
• Tom: Vol. 14, no 2
• Strony: 96--111
• Opis fizyczny: Bibliogr. 9 poz., fig., tab.

Twórcy

autor

Tomczyk Marcin

• Electrical School No. 1 in Krakow, Kamieńskiego 49, 30-644 Kraków,

autor

Borowik Barbara

• Cracow University of Technology, Warszawska 24, 31-155 Kraków

autor

Borowik Bohdan

• The University of Bielsko-Biala, Willowa 2, 43-309 Bielsko-Biała

Bibliografia

• [1] Doniec, R. (2010). Wykorzystanie metod sztucznej inteligencji do regulacji poziomu insuliny w organizmie człowieka (doctoral dissertation). Wydawnictwo Politechniki Śląskiej, Gliwice.
• [2] Duda, J. T. (2007). Pozyskiwanie wzorców diagnostycznych w komputerowych analizach sprawności urządzeń. In J. Korbicz, K. Patan, & M. Kowal (Eds.), Diagnostyka procesów i systemów (pp. 1–16). Warszawa: Akademicka Oficyna Wydawnicza EXIT.
• [3] Farronato, L., Monti A., Ponci, F., Ferrero, A., Cristaldi, L., & Lazzaroni, M. (2005). Virtual system Fault Models for Training Fuzzy-Wavelet Identifiers in Electrical Drive Diagnosis: an Experimental Validation. In IMTC 2005 Proceedings of the IEEE. Instrumentation and Measurement Technology Conference (pp. 2310–2315). Ottawa: IEEE. doi: 10.1109/ IMTC.2005.1604589
• [4] Ishkova, I., & Vitek, O. (2016). Detection and Classification of faults in induction motor by means of motor current signature analysis and stray flux monitoring. Przegląd Elektrotechniczny, 92(4), 166–170. doi: 10.15199/48.2016.04.36
• [5] Korbicz, J. (2002). Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania. Warszawa: WNT.
• [6] Kowalski, Cz. (2006). Zastosowanie analizy falkowej w diagnostyce silników indukcyjnych. Przegląd Elektrotechniczny, 82(1), 21–26.
• [7] Rusiecki, A. (2007). Algorytmy uczenia sieci neuronowych odporne na błędy w danych (doctoral dissertation). Politechnika Wrocławska, Wrocław.
• [8] Wolkiewicz, M., & Kowalski, Cz. (2015). Diagnostyka uszkodzeń uzwojeń stojana silnika indukcyjnego z wykorzystaniem dyskretnej transformaty falkowej obwiedni prądu stojana. Maszyny elektryczne: zeszyty problemowe, 3(107), 13–18.
• [9] Yayakumar, K., Thangavel, S., & Elango, M. K. (2015). Backpropagation Algorithm for Bearing Fault Detection of Induction Motor Drive Using Wavelet Packet Decomposition. International Journal of Applied Engineering Research, 10(10), 26191–26208.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).