Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2020

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Discrimination of faults in induction machine based on pattern recognition and neural networks techniques

Lakrout Abdelkader, Bendjebbar Mokhtar, Henini Noureddine

Przegląd Elektrotechniczny

2020

R. 96, nr 10

55--61

The work presented in this paper is a contribution in the theme of monitoring and diagnosing of faults in the three-phase squirrel cage induction machine. The proposed approach is based on the pattern recognition methods and the artificial intelligence techniques. For so doing, measurements of the stator currents are carried out on a machine subject to various faults such as: short-circuit in the stator windings, bar breakage, bearing failure and eccentricity fault. These acquisitions are classified in databases in order to process them and calculate their Power Spectral Density (PSD). Then, another database is formed of the digital data of the PSD images of the currents associated with the type of fault. After that, a process of learning and classification by artificial neural networks was developed. The test results show the efficiency, robustness and correctness of the proposed approach for the discrimination of faults of electrical or mechanical origin affecting the machine.

Praca przedstawiona w tym artykule stanowi wkład w temat monitorowania i diagnozowania uszkodzeń w trójfazowej maszynie indukcyjnej klatkowej. Proponowane podejście opiera się na metodach rozpoznawania wzorców i technikach sztucznej inteligencji. W tym celu pomiary prądów stojana są przeprowadzane na maszynie podlegającej różnym usterkom, takim jak: zwarcie w uzwojeniach stojana, pęknięcie pręta, uszkodzenie łożyska i błąd mimośrodowości. Przejęcia te są klasyfikowane w bazach danych w celu ich przetworzenia i obliczenia ich gęstości widmowej mocy (PSD). Następnie tworzona jest kolejna baza danych z cyfrowymi danymi obrazów PSD prądów związanych z rodzajem uszkodzenia. Następnie opracowano proces uczenia się i klasyfikacji przez sztuczne sieci neuronowe. Wyniki testu pokazują skuteczność, niezawodność i poprawność proponowanego podejścia do rozróżnienia wad pochodzenia elektrycznego lub mechanicznego mających wpływ na maszynę.