Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały
1 Scientific Papers of The Institute of Electrical Machines, Drives and Measurements of the Wrocław University of Science and Technology Series: Studies and Research

1 2010

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: detekcja ekscentryczności silników indukcyjnych

Sortuj według:

Ogranicz wyniki do:

Zastosowanie detektorów neuronowych w detekcji ekscentryczności silników indukcyjnych

Kamiński M., Ewert P., Kowalski C. T.

Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały

2010

Vol. 64, nr 30

303-311

Wczesna detekcja ekscentryczności w silnikach indukcyjnych ma duże znaczenie w eksploatacji napędów ze względu na skutki jej występowania. Monitorowanie ekscentryczności jest z reguły realizowane na podstawie analizy widmowej prądu stojana i oceny amplitud charakterystycznych częstotliwości. W artykule przedstawiono możliwość zastosowania detektorów neuronowych do wykrywania ekscentryczności silnika. Do trenowania i testowania sieci neuronowej wykorzystano dane uzyskane z modelowania polowo-obwodowego silnika z różnymi rodzajami i stopniami ekscentryczności. Przedstawiono badania prezentujące wpływ struktury sieci neuronowej oraz wstępnego przygotowania danych wejściowych na dokładność detekcji uszkodzeń.

Early detection of eccentricity in induction motors is very important in the exploitation of motors due to the consequences of its occurrence. Monitoring of the eccentricity is usually made on the basis of spectral analysis of the stator current and observation of the characteristic frequency amplitudes. In the article possibility of neural networks application for detection of eccentricity in induction motors is presented. The training and test of the neural network is based on data obtained from field-circuit modeling of the motor with different types and degrees of eccentricity. Influence of the neural networks structure and initial data scaling on precision of fault detection is presented.