Діагностика асинхронного двигуна з використанням зняття зубцевих характеристик та обробки даних з використанням штучного інтелекту

Abstract

UA: У статті розглядається інноваційний підхід до діагностики асинхронних двигунів, які є ключовими компонентами в промисловості та на залізничному транспорті, зокрема в системах автоматики та телекерування рухом поїздів. Запропонований метод базується на глибокому аналізі зубцевих гармонік у спектрі струму статора (Motor Current Signature Analysis, MCSA), що дозволяє проводити моніторинг стану двигуна в реальному часі без необхідності його зупинки. В роботі детально описано методологію, що починається зі збору даних струму статора за допомогою високочастотної дискретизації, продовжується виділенням та нормуванням зубцевих гармонік, частоти яких залежать від параметрів двигуна (кількості пазів статора та ротора, числа пар полюсів та частоти мережі). Особлива увага приділяється ідентифікації характерних частот, пов'язаних з різними видами несправностей, таких як ексцентриситет повітряного зазору (статичний та динамічний), а також пошкодження обмоток або механічні дефекти. Центральним елементом запропонованої системи є інтеграція штучного інтелекту, а саме багатошарової нейронної мережі прямого поширення (MLP), для автоматизованої обробки та класифікації отриманих спектральних даних. Вхідний шар мережі приймає вектор ознак, що включає нормовані амплітуди зубцевих та бічних гармонік. Для навчання мережі використовується метод зворотного поширення помилки з функцією втрат крос-ентропії та функцією активації ReLU у прихованих шарах, а вихідний шар використовує Softmax для класифікації чотирьох основних станів: нормальна робота, статичний ексцентриситет, динамічний ексцентриситет, та пошкодження обмоток. Наведені результати моделювання, проведені на асинхронному двигуні потужністю 5,5 кВт, підтверджують ефективність підходу. Експерименти включали симуляцію нормального стану, статичного та динамічного ексцентриситету, демонструючи значне зростання амплітуд характерних гармонік при наявності дефектів. Нейромережа, навчена на 1000 спектрах, досягла точності класифікації 94% на тестовій вибірці. Запропонований метод дозволяє не лише значно підвищити точність діагностики, але й забезпечити її оперативність, що є критично важливим для запобіжного обслуговування, зменшення експлуатаційних витрат та збільшення терміну служби обладнання в умовах безперервної роботи транспортних систем. Хоча метод чутливий до точного визначення параметрів двигуна та шумів, його подальший розвиток передбачає інтеграцію додаткових діагностичних ознак, таких як вібрація та температура, для подальшого підвищення надійності системи.

EN: This article presents an innovative approach to the diagnostics of asynchronous motors (AMs), which are pivotal components in industrial applications and railway transport systems, particularly in automation and train remote control systems. The proposed method is grounded in a comprehensive analysis of tooth ripple harmonics within the stator current spectrum, utilizing Motor Current Signature Analysis (MCSA). This technique facilitates real-time condition monitoring of the motor without requiring its operational shutdown, thereby ensuring continuous system functionality. The paper meticulously details the methodology, commencing with the acquisition of stator current signals at a high sampling frequency, which must exceed twice the maximum tooth ripple harmonic frequency. This is followed by the extraction and normalization of tooth ripple harmonics, whose frequencies are inherently dependent on specific motor parameters, including the number of stator and rotor slots, the number of pole pairs, and the supply frequency. A significant emphasis is placed on the precise identification of characteristic frequencies associated with various fault types, such as static and dynamic air-gap eccentricity, winding faults, and general mechanical defects. A central tenet of the proposed diagnostic system is the integration of Artificial Intelligence (AI), specifically a multi-layer perceptron (MLP) feedforward neural network, for the automated processing and classification of the derived spectral data. The input layer of this neural network is designed to receive a comprehensive feature vector, comprising the normalized amplitudes of relevant tooth ripple harmonics and sideband frequencies. The network undergoes training using the backpropagation algorithm, coupled with a cross-entropy loss function to optimize its performance. Hidden layers employ the ReLU activation function, ensuring efficient learning and non-linearity, while the output layer utilizes a Softmax function to classify the motor's operational state into four primary categories: normal operation, static eccentricity, dynamic eccentricity, and winding faults. The presented simulation results, conducted on a 5,5 kW asynchronous motor with specific parameters (p=2, Nr=28, f1=50 Hz), decisively corroborate the efficacy of the proposed methodology. Experiments encompassed the simulation of normal operating conditions, static eccentricity (simulated as a 0.3 mm displacement), and dynamic eccentricity (simulated as a 0.2 mm shaft bend). These simulations robustly demonstrated a significant increase in the amplitudes of characteristic harmonics at specific frequencies (e.g., 350 Hz and 650 Hz) when faults were introduced, thereby providing clear diagnostic indicators. The neural network, rigorously trained on a dataset of 1000 spectral samples, achieved a commendable classification accuracy of 94% on the unseen test set, validating its robust diagnostic capabilities. The advocated diagnostic method not only substantially enhances diagnostic precision but also ensures operational efficiency, which is paramount for predictive maintenance, reducing operational costs, and extending the service life of critical equipment within the demanding environment of continuous railway transport system operations. While acknowledging the method's sensitivity to precise motor parameter definition and signal noise, future work is planned to integrate additional diagnostic features, such as vibration and temperature data, to further augment the system's accuracy and reliability, ensuring a more comprehensive diagnostic solution.