Науковий вісник НГУ

Схема методу релевантних векторів, заснована на узагальненому сингулярному розкладанні/лінійному дискримінантному аналізі для виявлення несправностей зубців ротора асинхронного двигуна

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Електротехнічні комплекси та системи

Останнє оновлення: 09 лютого 2016

Опубліковано: 09 лютого 2016

Перегляди: 3365

Автори:

Вейго Чжао, Технологічний університет Хебей, кафедра електротехніки, м. Тяньцзінь, КНР

Ліін Ван, Технічний університет Хебей, кафедра гідроенергетики, охорони і раціонального використання водних ресурсів, м. Ханьдань, провінція Хебей, КНР

Нань Ван, Технічний університет Хебей, кафедра гідроенергетики, охорони і раціонального використання водних ресурсів, м. Ханьдань, провінція Хебей, КНР

Реферат:

Мета. Асинхронний електродвигун є найбільш важливою складовою устаткування, що серійно випускається, і виробничих процесів. У представленій роботі метод релевантних векторів, заснований на узагальненому сингулярному розкладанні/лінійному дискримінантному аналізі, використаний для виявлення несправностей стрижнів ротора асинхронного двигуна. Дані, отримані нами в результаті експериментів, можуть виявитися дуже корисними для виявлення несправностей стрижнів ротора асинхронного двигуна.

Методика. На первинному етапі узагальнене сингулярне розкладання/лінійний дискримінантний аналіз використовуються для зменшення розмірності масиву струму статора. Потім поліноміальний класифікатор, застосований для виявлення несправностей, був розкладений на декілька бінарних класифікаторів за методом релевантних векторів, в яких використовувався підхід „один проти всіх“, а їх базові (основні) параметри визначаються шляхом перехресної перевірки.

Результати. Завдяки зменшенню розмірності струмового сигналу методом узагальненого сингулярного розкладання/лінійного дискримінантного аналізу, значно знижується надмірність сигналу, що підвищує ефективність бінарних класифікаторів, складених за методом релевантних векторів, що використовує підхід „один проти всіх“. Результати моделювання показали, що запропонований метод виявлення несправностей стрижнів ротора асинхронного двигуна ефективніший, ніж його аналоги.

Наукова новизна. Вивчений процес виявлення несправностей стрижнів ротора асинхронного двигуна, в якому поєднуються методи зменшення розмірності струму статора шляхом узагальненого сингулярного розкладання/лінійного дискримінантного аналізу й бінарних класифікаторів за методом релевантних векторів, в яких використовувався підхід „один проти всіх“. Ефективність методу підтверджена методом моделювання. Дослідження даного аспекту раніше не проводилися.

Практична значимість. Запропонований метод може бути запроваджений у систему діагностики несправностей асинхронних двигунів як окремий модуль. Оскільки він має задовільну точність, він може надійно закріпиться у промисловому та сільськогосподарському виробництві.

Список литературы / References

1. Ghate, V.N. and Dudul, S.V. (2010), “Optimal MLP neural network classifier for fault detection of three-phase induction motor”, Expert Systems with Applications, vol. 37, pp. 3468–3481.

2. Steele, M.E., Ashen, R.A. and Knight, L.G. (1982), “An electrical method for condition monitoring of motors”, Proc. of the Int. Conf. of Electrical Machines on Design and Application, pp. 231–235.

3. Siddique, A., Yadava, G.S. and Singh, B. (2005), “A review of stator fault monitoring techniques of induction motors”, IEEE Transactions on Energy Conversion, vol. 20, pp. 106–114.

4. Youn, Y.W., Yi, S.H., Hwang, D.H., Sun, J.H., Kang, D.S. and Kim, Y.H. (2013), “MUSIC-based Diagnosis Algorithm for Identifying Broken”, Journal of Electrical Engineering & Technology, vol. 8, no. 2, pp. 288–294.

5. Douglas, H., Pillay, P. and Ziarani, A. (2003), “Detection of broken rotor bars in induction motors using wavelet analysis”, Electric Machines and Drives Conference, vol. 2, pp. 923–928.

6. Milimonfared, J., Kelk, H.M., Nandi S. and Minassians, A.D. (1999), “A novel approach for broken-rotor-bar detection in cage induction motors”, IEEE Transactions on Industry Applications, vol.35, no. 5, pp. 1000–1006.

7. Nandi, S., Toliyat, H. and Xiaodong, L. (2005), “Condition monitoring and fault diagnosis of electrical machines – a review”, IEEE Transactions on Energy Conversion, vol. 20, no. 4, pp. 719–729.

8. Mehrjou, M.R., Mariun, N., Marhaban, M.H. and Misron, N. (2011), “Rotor fault condition monitoring techniques for squirrel-cage induction machine – a review”, Mechanical Systems and Signal Processing, vol. 25, no.8, pp. 2827–2848.

9. Georgoulas, G., Mustafa, M. O., Tsoumas, I. P., Antonino-Daviu, J.A., Climente-Alarcon, V., Stylios C.D. and Nikolakopoulos, G. (2013), “Principal component analysis of the start-up transient and hidden Markov modeling for broken rotor bar fault diagnosis in asynchronous machines”, Expert Systems with Applications, vol.40, pp. 7024–7033.

10. Tipping, M.E. (2000), “The relevance vector machine”, Advances in Information Processing System, vol. 2, pp. 652–658.

11. Kumar, M.A. and Gopal, M. (2010), “A comparison study on multiple binary-class SVM methods for unilabel text categorization”, Pattern Recognition Letters, vol. 31, no.11, pp. 1437–1444.

12. Saidi, L., Fnaiech, F., Henao, H., Capolino, G.A. and Cirrincione, G. (2013), “Diagnosis of broken-bars fault in induction machines using higher order spectral analysis”, ISA Transactions, vol. 52, pp. 140–148.

2015_06_zhao
2016-02-08  623.16 KB  925