Anwendung von maschinellem Lernen zur Erkennung von Windungsfehlern im Pumpensystem

Jul 15, 2023

Wissenschaftliche Berichte Band 12, Artikelnummer: 12906 (2022) Diesen Artikel zitieren

1589 Zugriffe

3 Zitate

3 Altmetrisch

Details zu den Metriken

Die Diagnose von Pumpenfehlern ist für die Wartung und Sicherheit des Geräts von entscheidender Bedeutung, da es sich um ein wichtiges Gerät handelt, das in verschiedenen wichtigen Branchen eingesetzt wird. Eine rechtzeitige Fehlerdiagnose kann Wartungskosten senken und Energie sparen. In diesem Artikel wird ein auf mathematischen Gleichungen basierendes Simulink-Modell verwendet, um die Auswirkungen der Parameterschätzung von Kreiselpumpen auf der Basis eines Dreiphasen-Induktionsmotors bei Fehlerbedingungen zwischen den Windungen zu analysieren. Der Windungsfehler verursacht einen massiven Stromanstieg, der die Parameter von Motor und Pumpe stark beeinträchtigt. Diese wurden durch Simulation mit dem Matlab Simulink-Modell analysiert. Später werden die Ergebnisse durch einen auf Hardware-in-Loop (HIL) basierenden Simulator überprüft. In diesem Artikel wurden auf maschinellem Lernen (ML) basierende künstliche neuronale Netze (ANN) und ANFIS-Modelle (ANN und Fuzzy) zur Fehlererkennung angewendet. ANN- und ANFIS-basierte Modelle bieten ein zufriedenstellendes Maß an Genauigkeit. Diese Modelle liefern genaue Trainings- und Testergebnisse. Basierend auf dem quadratischen Mittelfehler (RMSE), R2, der Vorhersagegenauigkeit und dem mittleren Validierungswert werden diese Modelle verglichen, um herauszufinden, welches für dieses Experiment besser geeignet ist. Verschiedene überwachte Algorithmen werden mit ANN und ANFIS verglichen und schließlich herausgefunden, welcher für dieses Experiment am besten geeignet ist.

Der Induktionsmotor ist ein häufig verwendetes Gerät, das für verschiedene Branchen unverzichtbar ist und aufgrund seiner robusten Konstruktion, hohen Leistung, Zuverlässigkeit und Wartungskosten immer mehr Beachtung findet1. Jeder Fehler am Induktionsmotor hat drastische Folgen für die mit dem Motor verbundenen Geräte und das gesamte System. Wenn die Pumpe an einen defekten Induktionsmotor angeschlossen ist, ändert sich der Förderhöhenwert, die Durchflussrate ändert sich und enorme Vibrationen verursachen schwere Schäden2. Ein Ausfall des gesamten Systems führt zu Systemschäden und enormen Energieverlusten, und plötzliche ungeplante Ausfallzeiten verursachen enorme Wartungskosten. Es wird berichtet, dass bei Induktionsmotoren ein Ausfall von 30–40 % aufgrund von Windungsfehlern im Stator auftritt3. Es handelt sich tatsächlich um einen elektrischen Fehler, und dieser elektrische Fehler ist sehr empfindlich und verursacht schwere Schäden. Nur 10–20 % Windungsfehler führen zu einem massiven Stromanstieg im Induktionsmotor, was zu Isolationsverlusten in den Wicklungen führt4. Elektrische Fehler werden sowohl als Stator- als auch als Rotorfehler kategorisiert5. Der Rotorfehler, der beim Induktionsmotor auftritt, ist ein gebrochener Rotorstab. Es gibt hauptsächlich drei Statorfehler: Phase-Phase-Fehler, Windungsfehler und Phase-Erde-Fehler. Unter diesen ist der Fehler zwischen den Windungen bedeutsam und kritisch6. Dieser Windungsfehler beeinträchtigt den Betrieb des Induktionsmotors und den Pumpbetrieb. Neben mechanischen und hydraulischen Fehlern beeinträchtigt auch der elektrische Fehler die Pumpenleistung. Eine Kreiselpumpe ist eine rotierende Maschine, mit der Flüssigkeit durch Rohre gefördert wird. Ein plötzliches Abschalten des Pumpsystems verursacht einen enormen Wartungsverlust7. Es wurde analysiert, dass 70 % der Wartungskosten auf das Pumpsystem entfallen. Daher ist es erforderlich, die Wartungstechnologie zu verbessern, um die Kosten zu senken. Es wurden verschiedene Untersuchungen zur Erkennung von Windungsfehlern in Induktionsmotoren durchgeführt. Zur Fehlererkennung wurde die Spannung zwischen den Leitungen, dem Neutralleiter und dem Sternpunkt des Motors herangezogen. Dies wurde als Modell des Motors verwendet und aufgrund eines Kurzschlussfehlers zwischen den Windungen kam es zu einer Unwucht. Bevor es zum Totalausfall und erheblichen Schäden an den Geräten kommt, sollte dieses Ungleichgewicht erkannt werden8. Die Gegensystemimpedanz wurde geschätzt und als Fehlerindikator in der Forschung verwendet. Die Gegensystemimpedanz war auf ein Ungleichgewicht im Motor zurückzuführen. Die für den Parktransformationsstrom verwendete Oszillation wurde zur Fehlererkennung verwendet, die für ein Ungleichgewicht erzeugt wurde.

Um dieses Problem zu identifizieren, ist eine Raumvektoranalyse erforderlich9. Elektrische Fehler können durch Motorstromsignaturanalyse (MCSA) und Vibrationsanalyse erkannt werden. Um die negative Impedanz im Motor abzuschätzen, wurde als Ansatz die Robustheit gegenüber einer unsymmetrischen Spannungsversorgung hinzugefügt10. Frequenzspektrum und FFT-Analyse (Fast Fourier Transformation) sind ebenfalls hilfreich für die Fehlererkennung von Induktionsmotoren. In einigen Arbeiten wurden Wavelet-Pakettransformationen (WPT) und FFT zusammen mit einer Art Klassifikator verwendet11,12.

Über Fehler im Stator wurde zur Gewinnung von Erkenntnissen eine Statistik höherer Ordnung (HOS) verwendet. Bei rotierenden Maschinen kann die Überwachung des Pumpenzustands die Versorgungsspannung, den Strom, die Leistung, das Drehmoment und den Drehzahlwert analysieren. Fehler in der Maschine können auch durch harmonische Analyse analysiert und identifiziert werden. In diesem Fall erzeugt der Statorstrom einen momentanen harmonischen Strom13. Die Parameterschätzungstechnik übernimmt auch die Überwachung des Pumpenzustands. Harmonische Frequenzen können den Maschinenzustand analysieren. Unter gefährlichen und extremen Umgebungsbedingungen, in denen der Zugang zur Maschine schwierig ist, wie z. B. in Kernkraftwerken, Papierfabriken, Chemiefabriken sowie Onshore- und Offshore-Anlagen, wird diese Methode zur Gesundheitsüberwachung der Maschinen eingesetzt14,15. MCSA ist eine Technik zur Überwachung elektrischer Maschinen mit vielfältigen Einsatzmöglichkeiten, vor allem in der Schwerindustrie. Es kann zur Erkennung von Motorfehlern eingesetzt werden. Die Einschränkung dieser Methode besteht jedoch darin, dass sie eine bessere Leistung erbringt, wenn sie in Verbindung mit anderen Technologien wie der schnellen Fourier-Transformation (FFT), der Fuzzy-Logik und der Vektoranalyse von Park verwendet wird. Die neueste Entwicklung in der künstlichen Intelligenz (KI) ist das „Transfer-Learning“, das Fehlermuster verschiedener Geräte erkennen kann. Diese Technik kann anstelle von MCSA verwendet werden, um lokalisierte Anomalien zu finden, und wurde anstelle von MCSA zur Diagnose von Lagerfehlern vorgeschlagen. Fehler beim Laufradbruch bei einem Induktionsmotor16. Random Forest, Support Vector Machine, Extreme Machine Learning Method (ELM) und probabilistische neuronale Netze wurden anhand verschiedener Merkmale zur Fehlererkennung rotierender Maschinen verglichen. Basierend auf der Genauigkeit lässt sich feststellen, dass Random Forest bei begrenzter Datengröße besser funktioniert als andere Algorithmen17. Für die komplexe Systemfehlerdiagnose wurde ein spatiotemporales Musternetzwerk (STPN) mit einem Faltungsneuronalen Netzwerk (CNN) als Hybridmodell verwendet. Diese Deep-Learning-Methode wurde als Fallstudie für die Analyse von Lagerfehlerdatensätzen verwendet. Die Leistung von STPN-CNN wurde anhand der Genauigkeitsrate18 bewertet. CNN und Deep Adversarial Convolutional Neural Network (DACNN) wurden in einer Studie zur mechanischen Fehlerdiagnose verwendet. Das neuartige DACNN wird zur Erfassung domäneninvarianter Merkmale verwendet. Basierend auf verschiedenen Trainingsbeispielen und 11 Fallstudien wurde eine Getriebefehlerdiagnose durchgeführt19. Für die Analyse verschiedener Lagerschäden in den Maschinen wurde ein Deep-Auto-Encoder eingesetzt. Zur Verbesserung der Qualität der Schwingungsdaten für die mechanische Fehleranalyse wurde eine skalierte exponentielle Lineareinheit (SELU) verwendet. Die Deep-Transfer-Technologie kann das System leistungsfähiger und flexibler machen20.

In diesem vorgeschlagenen Artikel wird der Stator-Windungsfehler eines auf einem Dreiphasen-Induktionsmotor basierenden Pumpsystems vorgestellt. Der Windungswechselfehler wurde hier als ein erhebliches und lebenswichtiges Problem in den meisten Industriezweigen beschrieben. Die Reduzierung der Betriebs- und Wartungskosten ist das Hauptziel der meisten Branchen, weshalb die Zustandsüberwachung der Maschine immer wichtiger wird. Der Bedarf an zusätzlicher Ausrüstung und Wartungskosten sind eine Belastung für die Industrie aufgrund plötzlicher Maschinenausfälle. Die Überwachung des Zustands der Wicklung der Maschine ist sehr wichtig, um Verluste zu vermeiden, da Fehler zwischen den Windungen zu Schäden an den Wicklungen führen. In diesem Forschungsartikel wird in den nächsten Abschnitten der allgemeine Statorwicklungsfehler erörtert und es wird auch beschrieben, wie sich der Statorfehler auf die Parameter von Motor und Pumpe auswirkt. Da eine kontinuierliche Überwachung und Vorhersage der Fehlererkennung durch ML-basierte Algorithmen am besten möglich ist, werden auf ML-Algorithmen basierende ANN- und ANFIS-Modelle zur Erkennung von Statorfehlern zwischen Windungen in Pumpsystemen auf Induktionsmotorbasis eingesetzt. Beide Modelle werden in der vorgeschlagenen Forschung verwendet und die Leistungen beider Algorithmen wurden verglichen. Darüber hinaus werden verschiedene überwachte Algorithmen mit ANN und ANFIS verglichen, um ein besseres Ergebnis zu erzielen. Einige bestehende Werke wurden auch mit ANN und ANFIS verglichen.

Die vorgeschlagene Forschung wurde auf der Grundlage einiger mathematischer Gleichungen eines Pumpsystems durchgeführt, das mit einem Induktionsmotor gekoppelt ist. Diese Gleichungen werden zum Aufbau des Matlab-Simulink-Modells eines auf einem Induktionsmotor basierenden Pumpsystems angewendet. Da Fehler in einem Echtzeitsystem erheblichen Schaden verursachen, wurde ein auf mathematischen Gleichungen basierendes Simulink-Modell entwickelt, um die gesunden und fehlerhaften Situationen zu analysieren. Zunächst wurde das Modell unter gesunden Bedingungen analysiert, ohne dass Parameterwerte geändert wurden. Um die fehlerhafte Situation zu analysieren, wurde dann die Wicklung der Phase A so sortiert, dass der Strom in Phase A plötzlich ansteigt, und es hilft auch, den Strom der Phasen B und C zu erhöhen. Aufgrund von Änderungen des Stromwerts ändern sich auch Drehmoment- und Drehzahlwert, und die Pumpenparameter wie Druck und Durchfluss müssen sich ändern, da die Pumpe mit dem Induktionsmotor gekoppelt ist und mit der gleichen Drehzahl läuft, bis zu drei Unterstufenstufen sind zulässig. Zwischenüberschriften sollten nicht nummeriert werden.

In diesem Abschnitt werden verschiedene Gleichungen beschrieben, die Spannung, Strom und Fluss von Stator und Rotor eines Induktionsmotors ausdrücken.

Wo

V stellt die Spannung dar, I zeigt den Strom, der Fluss wird als \({\lambda }_{i}\) dargestellt, hier stehen „s“ und „r“ für Stator bzw. Rotor, a, b, c bezeichnen die drei- Phasensystem. as1, as2 bezeichnen fehlerhafte bzw. fehlerhafte Teile des Stators. Dabei ist P der Laplace-Operator, der Ableitungsoperator \(\frac{d}{dt}\) wird durch P ersetzt.

Diese Gleichungen zeigen den kurzgeschlossenen Teil der Statorwicklungsspannung. β bezeichnet eine kurzgeschlossene Windung.

Die Widerstandsmatrix wird als dargestellt

Hier stellen die Gleichungen die Gegeninduktivität und die Selbstinduktivität der Statorwicklung dar12,13,14.

β stellt die Anzahl der Windungen in Phase a dar, \({\theta }_{r}\) stellt die Rotorposition dar, Ls zeigt die Selbstinduktivität, Lr zeigt die Rotorselbstinduktivität und Lsr stellt die Gegeninduktivität zwischen Stator und Rotor dar. Das Wasser wird aus einem Wassertank mit konstantem Füllstand abgepumpt. Das Pumpsystem besteht aus einem Wassertank, einem asynchronen Dreiphasen-Induktionsmotor und anderen Teilen. Der Tank erhält Flüssigkeit mit einem Eingangsdurchfluss \(\mathrm{dargestellt \; durch} {q}_{{v}_{1}}\) Der Ausgangsdurchfluss des Steuerventils wird durch \({q}_{{v }_{2}}\). Mit Hilfe der Strömungsmechanik und grundlegender physikalischer Gesetze wurde eine Analyse der Pflanzendynamik durchgeführt und ein mathematisches Modell entwickelt21. Dieses mathematische Modell umfasst die mathematischen Modelle von Kreiselpumpe und Tank. Das Gegenstück zum Newtonschen Kraftgesetz besteht darin, dass die Winkelbeschleunigung proportional zum Drehmoment auf der Achse ist. Die Gleichungen zeigen also die Bewegung für den Motor- und Pumpensatz.

J zeigt das Trägheitsmoment. Dabei ist das Trägheitsmoment im Einzelfall die Proportionalitätskonstante. Das aktive Drehmoment des Asynchronmotors wird durch \({M}_{MT} \; \mathrm{und \; Beschleunigung \; Drehmoment \; wird durch \; dargestellt durch} \; {M}_{a}\) dargestellt. Das passive oder Widerstandsdrehmoment der Pumpe wird durch \(M_{p}\) dargestellt und das viskose Drehmoment ist \(M_{\zeta }\)22. Die Netzfrequenz wird durch f angezeigt und es wird davon ausgegangen, dass die Anzahl der Statorpolpaare eins beträgt. Die folgende Gleichung zeigt das Drehmoment des Asynchronmotors.

Viskoses Drehmoment und passives Drehmoment können dargestellt werden durch

Gleichung 18 zeigt die Grundparameter der Kreiselpumpe, und die Pumpendurchflussrate wird durch Q dargestellt, H zeigt die Pumpenförderhöhe und die Winkelgeschwindigkeit wird durch ω dargestellt. Der Umfangsquerschnitt der Laufradkanäle und die Meridiankomponente der Geschwindigkeit geben den Pumpenstrom wieder. Der Förderhöhenwert ist proportional zur Winkelgeschwindigkeit, da die Durchflussrate proportional zur Winkelgeschwindigkeit ist23.

In der letzten Gleichung wird der Pumpenwirkungsgradkoeffizient angegeben, der konstant ist und sich in verschiedenen Modi bis zu einem gewissen Grad ändert, was sich auf die anderen Parameter auswirkt.

Das gesamte Betriebssystem \(H_{Total}\) kann definiert werden als

Hier wird die statische Förderhöhe durch \({H}_{S}\) dargestellt, die dynamische Förderhöhe wird durch \({H}_{D}\) dargestellt, der Druck auf der Wasseroberfläche im Aufnahmetank beträgt dargestellt durch \({P}_{RT}\), und der Druck auf der Wasseroberfläche im Vorratstank wird durch \({P}_{RES}\)24 dargestellt.

Basiert auf Pumpenhöhendruckänderungen und wird als vernachlässigbarer Wert angesehen. Aber der Luftdruck ändert sich mit der Höhe. Die Gleichung zeigt die Änderung des Drucks und der Höhendifferenz zwischen dem Reservoir und dem Aufnahmetank. Dies ist jedoch nicht so bedeutsam und wird als vernachlässigbar angesehen.

Die Gleichung wird also lauten

Der Unterschied zwischen dem Entladepunkt und der Oberfläche des Reservoirs in den Aufnahmetank ist die statische Druckhöhe, die durch \({H}_{S}\) angezeigt wird. Die statische Druckhöhe des Systems variiert zwischen maximalen und minimalen Druckwerten, weil Auch der Wasserstand des Stausees variiert.

Hier beträgt der obere Wasserstand TWL und der untere Wasserstand BWL.

Innerhalb des Systems wird durch dynamische Reibung ein Druck erzeugt. Die grundlegende Darcy-Weisbach-Gleichung hilft bei der Berechnung der dynamischen Förderhöhe

Hier wird der Verlustkoeffizient durch K dargestellt, die Geschwindigkeit im Rohr durch und die Beschleunigung durch \(g\).

Jetzt wird die Geschwindigkeit als angezeigt

Hier wird die Durchflussrate durch das Rohr mit Q und die Querschnittsfläche mit A angezeigt.

Bereich A wird als angezeigt

Der Verlustkoeffizient K besteht aus zwei Elementen:

\({K}_{fittings}\) wird als das Pumpen des Wassers vom Reservoir zu den Sammelbehälteranschlüssen dargestellt, die für die Rohrleitungen des Systems verwendet werden.

\({K}_{pipe}\) hängt mit der Länge des Rohrs, der Reibung und dem Durchmesser des Rohrs zusammen.

Hier zeigt F den Reibungsfaktor, L die Rohrlänge und D den Rohrdurchmesser. Mit der modifizierten Version der Colebrook-White-Gleichung kann der Reibungskoeffizient f ermittelt werden.

Hier ist der Rauheitsfaktor k und die Reynolds-Zahl ist Re. Der Rauheitsfaktor k ist ein standardisierter Festwert, der aus Standardtabellen ermittelt wird und vom Rohrmaterial und Rohrzustand abhängt. Für jede Strömung im Rohr wird zur Berechnung der Reynolds-Zahl25 folgende Formel verwendet:

\(\vartheta \) ist die kinematische Viskosität. Der Betrieb des Pumpsystems basiert auf dem Affinitätsgesetz. Das erste Affinitätsgesetz ist in der Gleichung dargestellt, in der der Durchfluss Q proportional zur Wellengeschwindigkeit N ist.

Gemäß dem zweiten Affinitätsgesetz ist die Förderhöhe proportional zum Quadrat der Wellengeschwindigkeit.

Die Leistung der Pumpe kann berechnet werden als:

Dabei ist P der Leistungsbedarf der Pumpe, H die Förderhöhe, \(g\) die Erdbeschleunigung und die Dichte des Wassers.

Das Experiment wurde mit einem dreiphasigen, 50 Hz, 415 V, 0,75 PS starken Käfigläufer-Induktionsmotor in Verbindung mit einer VFD-basierten Kreiselpumpe mit einer Drehzahl von 2800 U/min und einer Förderhöhe von 23,5 m durchgeführt. Unter gesunden Bedingungen erzeugt der Dreiphasen-Induktionsmotor nur Gegensystemströme und ist symmetrisch. Wenn die Symmetrie während des Fehlers gestört wird, werden positive, negative und Nullfolgen erzeugt. Das Experiment wurde durchgeführt, indem ein Fehler zwischen den Windungen im Induktionsmotor erzeugt und die Parameteränderungen sowohl für den Motor als auch für die gekoppelte Pumpe analysiert wurden. Mit Hilfe der MATLAB-Software wurde ein Simulink-Modell eines dreiphasigen Induktionsmotors mit Windungsfehler in einer Phasenwicklung erstellt. Das Simulink-Modell wurde entwickelt, da es experimentell schwierig ist, Fehler aufgrund von Kurzschlüssen mit hohem Prozentwert zu erzeugen. Nach Fertigstellung des entwickelten Modells wird das Modell sowohl im gesunden als auch im fehlerhaften Zustand verifiziert. Bei verschiedenen Kurzschlussniveaus in einer Phasenwicklung wird das Modell simuliert und die Phasenstromwerte im MATLAB-Arbeitsbereich gespeichert. Aus diesen Werten werden Gegensystemstrom, Mitsystemstrom und Nullsystemstrom berechnet. Der nächste Schritt besteht darin, zu überprüfen, wie sich der Windungsfehler auf verschiedene Pumpenparameter in Verbindung mit dem Induktionsmotor auswirkt. Nach dem Simulationsprozess werden die Ergebnisse zur Validierung durch den Echtzeitsimulator OP5700 (Hardware in the Loop) verifiziert. In einem anderen Teil des Experiments wurden ML-Algorithmen auf Simulationsdaten implementiert, die über MATLAB gesammelt wurden, um Fehler in Pumpsystemen auf Induktionsmotorbasis zu identifizieren und vorherzusagen und zu analysieren, welcher Algorithmus zur Erkennung des Fehlers geeignet ist. Das Simulink-Modell wurde auf der Grundlage der mathematischen Gleichungen in „Mathematisches Modell eines auf Induktionsmotoren basierenden Pumpsystems“ erstellt. Abbildung 1 zeigt das Blockdiagramm der Erkennung von Windungsfehlern in einem Pumpsystem auf Induktionsmotorbasis.

Flussdiagramm der Erkennung von Windungsfehlern in einem Pumpsystem auf Induktionsmotorbasis.

Die Einzelheiten des Induktionsmotors sind: Statorwiderstand Rs beträgt 0,288 Ω, Rotorwiderstand Rr beträgt 0,158 Ω, Statorinduktivität Ls und Rotorinduktivität Lr betragen 0,0425 H bzw. 0,0438 H, Gegeninduktivität Lm beträgt 0,0412 H und Trägheit J beträgt 0,4. Hier beträgt die Polzahl 2.

Der Haupteingangsparameter zeigt pro Einheit Änderungen von Mitsystemstrom und Gegensystemstrom zur Klassifizierung der Schwere des Fehlerniveaus in Phasenwicklungen.

Wenn sich das System in einem fehlerfreien Zustand befindet, kommt es zu keinem Kurzschluss. Befindet sich das System jedoch in einem Fehlerzustand, steigt der Gegensystemstrom, sobald der Windungsfehlerprozentsatz ansteigt. In der vorgeschlagenen Untersuchung wurden bis zu 40 % der Windungsfehler gemessen. 40 %, der Wert von \(\delta \; \mathrm{variiert \; von } \; 1 \; \mathrm{ bis } \; 0,98, \; \mathrm{ für \; Kurzschluss \; Schaltkreis \; Pegel \ ; von } \; 0 \; \mathrm{ bis } \; 40{\%}\) Abb. 2 zeigt das Simulink-Modell eines auf einem Induktionsmotor basierenden Kreiselpumpensystems, das über eine dreiphasige Quelle, VFD-Antriebe usw. verfügt ein Induktionsmotor gekoppelt mit einer Pumpe. Tabelle 1 zeigt die Größe des Phasenstroms und des Sequenzkomponentenstroms.

Simulink-Modell einer Kreiselpumpe auf Induktionsmotorbasis.

Obwohl das Simulationsmodell von 0 bis 40 % Kurzschlussfehler analysiert wurde, wurden die HIL OP5700-Ergebnisse zwischen gesunden und 40 % Kurzschlussfehlern verglichen, um die größte Schwankung bei extremen Fehlerbedingungen zu überprüfen. Wenn der Windungsfehler auftritt, erhöht sich der Strom der Phase A und trägt dazu bei, den Strom der Phasen B und C zu erhöhen. Unter Fehlerbedingungen wird die Drehmomentreaktion des Motors durch Schwankungen beeinträchtigt. Wenn die Fehler auftreten, unterliegt der Motor starken Schwingungen, und wenn Fehler zwischen den Windungen auftreten, ist der Motor starken Schwingungen ausgesetzt. Wenn der Prozentsatz der Drehung zunimmt, erhöht sich auch der Drehmomentwert und der Geschwindigkeitswert verringert sich. Der Motor ist mit der Pumpe gekoppelt, sodass auch die Drehzahl auf die Pumpe übertragen wird. Sobald die Pumpe im Fehlerzustand läuft, steigt der Durchflusswert plötzlich an und der Druck sinkt. Wenn nun der Druck unter den Dampfdruck sinkt, entsteht ein Kavitationsproblem, und ein plötzlicher Anstieg der Durchflussrate führt zu einem Vibrationsproblem im Gesamtsystem.

Die Abbildungen zeigen die Leistungskurve von Strom, Geschwindigkeit und Drehmoment in Bezug auf die Zeit sowie Pumpenkurven für Durchflussrate und Förderhöhe sowohl im gesunden als auch im fehlerhaften Zustand. Alle Ergebnisse wurden mit dem OP5700 HIL-basierten Gerät erhalten, das die Simulationsergebnisse verifizierte. Abbildung 3a und b zeigen den gesunden Zustand und den 40-prozentigen Fehlerzustand des Statorstroms zwischen den Windungen. Der Strom der Phasen A, B und C steigt, wenn der Fehler auftritt. Abbildung 4a und b zeigen den gesunden Geschwindigkeitswert und den 40-%-Geschwindigkeitswert zwischen den Windungen.

(a) Statorstrom im gesunden Zustand für Induktionsmotor. (b) Statorstrom nach 40 % Windungsfehler in einem Induktionsmotor.

(a) Drehzahl des Induktionsmotors in einwandfreiem Zustand. (b) Drehzahl des Induktionsmotors: 40 % Stator-Windungsfehler.

In ähnlicher Weise zeigen Abb. 5a und b den Drehmomentwert im gesunden Zustand und bei einem Fehlerzustand von 40 % zwischen den Windungen. Während einer Störung kommt es im Zustand des Motors zu Schwingungen. Die Größe der Schwingungen ändert sich, wenn der Windungsanteil bei gleichem Lastzustand zunimmt. Da die Schwingungen die Nennleistung der Maschine erhöhen, nimmt auch die Schwingung des Drehmoments zu.

(a) Drehmoment des Induktionsmotors im gesunden Zustand. (b) Drehmoment des Induktionsmotors im fehlerhaften Zustand.

Abbildung 3 zeigt, dass der Stromwert für Phase A zunimmt. Sobald ein Fehler zwischen den Windungen auftritt und die Anzahl der Windungen zunimmt, steigt auch der Stromwert. Der Anstieg des Stroms der Phasen B und C wird ebenfalls beschleunigt. In ähnlicher Weise steigen auch die Drehzahl- und Drehmomentwerte bei Fehlerbedingungen an, wie in den Abbildungen dargestellt. 4 und 5. Sobald die Motordrehzahl steigt, erhöht sich auch die Pumpendrehzahl. Eine Erhöhung der Geschwindigkeit führt zu einer Erhöhung der Durchflussmenge und einer Verringerung des Förderhöhenwerts. Abbildung 6a und b zeigen die Pumpenleistungskurve und die Systemkurve im gesunden Zustand und mit einem Fehler von 40 % zwischen den Windungen. Abbildung 7 zeigt den Hardware-Aufbau des HIL-Geräts.

(a) Pumpenleistungskurve und Systemkurve im gesunden Zustand. (b) Pumpenleistungskurve und Systemkurve im 40 %-Windungsfehlerzustand.

Hardware-Setup des HIL-Geräts.

Im Allgemeinen gibt es zwei Arten von ML-Algorithmen: überwachte und unbeaufsichtigte. Überwachte Algorithmen verfügen über Zielvariablen, die aus dem vorhergesagten Wert von Eingabevariablen gebildet werden. Abbildung 8 zeigt das verallgemeinerte Blockdiagramm der vorgeschlagenen Forschung nach der Datenerfassung, um den am besten geeigneten Algorithmus herauszufinden.

Blockdiagramm der vorgeschlagenen Forschung zur Auswahl des am besten geeigneten Algorithmus.

Die leistungsstarke Technik ANN wird zur genaueren Diagnose von Induktionsmotoren eingesetzt. Das neuronale Netzwerk (NN) ist einer der Musterklassifikatoren. Viele Probleme können durch die Musterklassifizierung von NN k gelöst werden, die eine Variablenerkennung beinhaltet. Für die Induktions- und Motorfehlerdiagnose kann dies nicht vollständig beschrieben oder vorhergesagt werden. Ein auf mathematischen Modellen basierender Rechenalgorithmus ist ein KNN, das sich wie das menschliche Gehirn und den Denkprozess verhält. Es verfügt über verschiedene Funktionen wie ähnliche Parallelverarbeitung, Selbstorganisation, Selbstlernen, Klassifizierung und nichtlineare Zuordnungsfähigkeiten. Die Kombination von Fuzzy und ANN ist ANFIS26,27 und wird kombiniert, um Geschwindigkeit, Fehlertoleranz und Anpassungsfähigkeit zu verbessern und ein besseres Modellierungssystem zu erhalten. Basierend auf den RMSE- und R2-Werten kann verglichen werden, welcher Algorithmus für die Erkennung von Windungsfehlern in einem Pumpsystem auf Induktionsmotorbasis geeignet ist.

Es wird die Erkennung von Windungsfehlern in den ANN- und ANFIS-Modellen von Induktionsmotoren vorgeschlagen. Das künstliche Immunsystem für ANN verfügt über eine selbstadaptive Kontrolle und bietet eine bessere Leistung für eine kontinuierliche nichtlineare Funktion. Der Prozess kann durch Online-Überwachung durchgeführt werden28. KNN ist stark vernetzt und dem menschlichen Gehirn ähnlich und folgt einem Lernprozess wie der Mensch29. Einheiten sind miteinander verbunden und haben Gewichte, die mit den Werten multipliziert werden, die sie durchlaufen. Das Gerät verfügt über einen festen Eingang, der als Bias bekannt ist. Jede Einheit bildet eine gewichtete Summe, zu der ein Bias hinzugefügt wird. Die Übertragungsfunktion analysiert diese Summe. Die Vorhersage von NN hängt von Trainings- und Testdaten ab. Die Hauptaufgabe des ML-Algorithmus besteht in der Merkmalsextraktion. Die Merkmalsextraktion ist das wichtige Werkzeug, das dabei hilft, die Trainings- und Testdaten für die Analyse zu klassifizieren. Die hybridsten Merkmale sind der quadratische Mittelwert (RMS), der Kurtosis-Wert (KV), die Wurzelamplitude, der Spitze-zu-Spitze-Wert (PPV), die Standardabweichung (SD), der Schiefewert (SV), der Clearance-Faktor und der Scheitelfaktor (CF). ), Impulsfaktor (IF), Formfaktor (SF) und Mittelwert (MV). Diese statistischen Merkmale helfen bei der Analyse der einzelnen Signale unter gesunden und fehlerhaften Bedingungen. Für die statistische Analyse werden Techniken zur Merkmalsextraktion eingesetzt, um die große Menge an Informationen zu reduzieren, die im aktuellen Signal enthalten sind und sich im Gesamtsignal widerspiegeln. Das Rohstromsignal wird für die Umwandlung mehrerer Merkmale zur Unterstützung intelligenter Systeme zur Analyse und Klassifizierung gesunder und fehlerhafter Situationen verwendet. Dieser Gesamtvorgang wird als Merkmalsextraktion bezeichnet. Die statistischen Merkmale und Gleichungen sind in Tabelle 2 beschrieben, die für vorgeschlagene Forschungsarbeiten verwendet wurde.

In dieser Gleichung ist x das Signal und N die Anzahl der Abtastwerte. ANN ist eine leistungsstarke Technik, mit der Fehler in Induktionsmotoren identifiziert werden können. Neuronale Netze sind Musterklassifikatoren und werden für Musterklassifizierungsprobleme verwendet. Die am häufigsten verwendeten neuronalen Netze sind mehrschichtige Feedforward-Netze oder die Levenberg-Marquardt-Methode. In der vorgeschlagenen Forschung wurde die Levenberg-Marquardt-Methode verwendet.

Der Erfolg des Trainings wird maßgeblich von der richtigen Auswahl der Inputs beeinflusst30. Der Lernprozess verwendet Testdaten und NN erstellt eine Eingabe-Ausgabe-Zuordnung. Durch eine Iteration, die auf der Minimierung oder Optimierung eines Fehlers zwischen der erzeugten Ausgabe und der gewünschten Ausgabe basiert, können die Gewichtungen und die Voreingenommenheit angepasst werden. Dieser Vorgang wird wiederholt, bis ein akzeptables Konvergenzkriterium erreicht ist. NN besteht aus der Eingabe-, der verborgenen und der Ausgabeschicht, wie in Abb. 9 dargestellt. Die Ausgabeschicht besteht aus sechs Neuronen wie Gesundheitszustand, 5 Windungen Kurzschluss, 10 Windungen Kurzschluss, 20 Windungen Kurzschluss, 30 Windungen Kurzschluss und 40 Windungen Kurzschluss. Der Algorithmus kann die Anzahl der verborgenen Schichten durch einen Versuch-und-Irrtum-Prozess auswählen.

Blockdiagramm eines neuronalen Netzwerks.

Da der Stromparameter die Hauptursache für einen Windungsschlussfehler ist, werden die Statorströme sowohl unter gesunden als auch unter fehlerhaften Bedingungen erfasst, beispielsweise bei unterschiedlichen Windungskurzschlüssen. Dann sollten die Ströme in qd-Frame umgewandelt werden. Die Stromsignale werden durch Merkmalsextraktionen vorverarbeitet und diese Merkmale werden den Klassifikatoren zur Diagnose von Asynchronmotorfehlern zugeführt. Im ersten Fall wurde das Experiment unter gesunden Bedingungen durchgeführt und aktuelle Daten wurden gesammelt. Anschließend wurden bei Fehlerbedingungen Stromdaten für 5, 10, 20, 30 und 40 Windungen erfasst. Die drei Phasenströme werden durch die Clerk-Transformation in qd-Frame umgewandelt. Die 5000 Proben wurden für eine Signaldauer von jeweils 0,2 s gesammelt. Jedes Signal wurde in 50 Segmente zu je 1000 Samples unterteilt. Für die Verarbeitung von Rohdatensignalen ist eine Merkmalsextraktion erforderlich. Anschließend wurden sechs Merkmale aus diesen Segmenten extrahiert, und da zwei Signale vorhanden waren, wurden insgesamt zwölf Dimensionen des Datensatzes gebildet. Die Gesamtdimension des Datensatzes beträgt \(12 \times 300\). Diese Merkmale wurden als Eingabemerkmale neuronaler Netze verwendet. Der Datensatz wurde dann in einen Trainingsdatensatz, einen Kreuzvalidierungssatz und einen Testdatensatz aufgeteilt. Der Trainingsdatensatz beträgt 70 %, 15 % für die Kreuzvalidierung und weitere 15 % für den Testdatensatz, wie in Tabelle 3 dargestellt. Der Trainingsdatensatz wurde zum Trainieren des Modells verwendet, und Kreuzvalidierungs- und Testdatensätze wurden zur Bewertung der Leistung des Modells verwendet Klassifikator zum Ermitteln der Genauigkeit des Modells. Der mittlere quadratische Fehler wurde über das Netzwerk berechnet, um das Gewicht anzupassen und die ultimative Genauigkeitsrate durch Trainings- und Testdatensätze zu ermitteln.

Für Trainingszwecke wird die Rückausbreitung nach Levenberg Marquardt gewählt, und Trainings- und Testdaten helfen dabei, den durchschnittlichen minimalen quadratischen Fehler (MSE) für ANN zu ermitteln. Die durchschnittlichen MSE-Werte für Verarbeitungselemente in der verborgenen Schicht sind in den Tabellen 4 und 5 aufgeführt. In Bezug auf Verarbeitungselemente ist die prozentuale Genauigkeit der verborgenen Schichten für gesunde und unterschiedliche Windungsfehlerbedingungen in den Tabellen 4, 5 und Abb. dargestellt. 10 und 11. In den meisten Fällen zeigen die Tabellen 4 und 5 sowie die Abbildungen, dass die Genauigkeit für gesunde und fehlerhafte Bedingungen sowohl für das Training als auch für die Kreuzvalidierung und den Testdatensatz 100 beträgt.

Prozentsatz der Genauigkeit in Bezug auf Verarbeitungselemente unter fehlerfreien und fehlerhaften Bedingungen (Trainingsdatensatz).

Prozentsatz der Genauigkeit in Bezug auf Verarbeitungselemente unter fehlerfreien und fehlerhaften Bedingungen (Kreuzvalidierungs- und Testdatensatz).

Eine intelligente System-Neuro-Fuzzy-Technik ANFIS wird zur Modellierung und Steuerung schlecht definierter und unsicherer Systeme verwendet. Ein-/Ausgabedatenpaare des betrachteten Systems bilden ANFIS. ANFIS ist die Kombination aus ANN und Fuzzy, die für die Lernfähigkeit des Fuzzy-Systems verwendet wird. ANFIS besteht aus fünf Schichten31,32. Schicht 1 ist die Fuzzifizierungsschicht, die die Zugehörigkeitsfunktion berechnet. Schicht 2 stellt die Regelschicht dar, deren Ausgabe die Feuerstärke jedes Knotens ist. Ebene 3 hebt die Normalisierungsebene hervor, die die berechnete Feuerstärke normalisiert. Schicht 4 zeigt die Folgeschicht, deren Ausgabeschicht das Produkt der normalisierten Feuerstärke und des Folgepolynoms der Fuzzy-Regeln ist. Schicht 5 zeigt die Gesamtausgabe und definiert die Defuzzifizierungsschicht, deren Ausgabe die gesamte ANFIS-Ausgabe ist. Die Probleme kontinuierlicher Veränderungen in mobilen Lernumgebungen werden durch ANFIS33 gelöst. Das vorgeschlagene ANFIS-Modell kann zur Modellierung des Lernkontexts verwendet werden. Das Definieren von Eingabe- und Ausgabewerten, Fuzzy-Sets für Eingabewerte, Fuzzy-Regeln sowie das Erstellen und Trainieren des NN sind die Schritte, in denen ANFIS auf das Lernmodell angewendet wird34. Hier werden auch Statorströme gesammelt und durch Clerk-Transformation in qd-Frame umgewandelt. Das ANFIS-Modell verwendet diskrete Wavelet-Transformation (DWT) oder kontinuierliche Wavelet-Transformation (CWT). Die CWT ist ein ähnliches Konzept wie die FFT, verwendet jedoch die Anzahl der Wavelets als Funktion anstelle der Sinus- und Kosinusfunktion. Das Wavelet besteht aus zwei Parametern wie Skalierung und Translation und das Signal wird in einer zweidimensionalen Zeitskalenebene statt in einer eindimensionalen Ebene dargestellt. Die Gl. (35) zeigt die CWT-Funktion.

Hier ist Wx die mit zwei Parametern verknüpfte Wavelet-Transformation und hier ist a der Skalenparameter und b wird als Zeitparameter angezeigt. ϕ ist die Wavelet-Funktion und x (t) ist das Originalsignal. DWT wird zur Erfassung von Rotorfehlern verwendet und wird in der vorgeschlagenen Forschung hauptsächlich zur Merkmalsextraktion verwendet. Die ANN- und ANFIS-Modelle werden in der vorgeschlagenen Arbeit implementiert und verglichen, um eine bessere Leistung zu erzielen. R2 und der mittlere quadratische Fehler (RMSE) werden verwendet, um das am besten geeignete Modell für die Fehlererkennung von Pumpsystemen auf Induktionsmotorbasis zu ermitteln. RMSE und R2 werden hauptsächlich für die Fehleranalyse für ANFIS verwendet. Basierend auf DWT kann die Leistungsbewertung durchgeführt werden (Tabelle 6).

Wie bei ANN für ANFIS wurden auch 5000 Datenproben gesammelt und dann in 100 Abschnitte mit 500 Proben für jeden Abschnitt unterteilt. Diese 100 Abschnitte werden zur Merkmalsextraktion verwendet. 100 Proben werden für jeden Zustand verwendet, z. B. für einen gesunden Zustand oder einen Wendefehlerzustand. Insgesamt wurden für sechs Zustände 600 Proben gebildet. Davon wurden 300 Proben zu Trainingszwecken und 300 Proben zu Testzwecken verwendet (Tabelle 7).

Tabelle 8 zeigt den RMSE-Wert für Trainings- und Testdaten unter verschiedenen Bedingungen.

Die Leistungen der erhaltenen ANN- und ANFIS-Modelle werden auch nach Abschluss der Modellerstellung verglichen. RMSE und R2 haben vergleichende statistische Werte für ANN- und ANFIS-Modelle, die in Tabelle 9 angegeben sind. Die Validierungsdaten des Modells betragen 0,05. Die Vorhersagegenauigkeit wird auch durch R2 und RMSE gemessen. Die Vorhersagegenauigkeit für ANN (R2 ist 100 und RMSE ist 0,054) ist besser als die des ANFIS-Modells (R2 ist 96,91 und RMSE ist 0,121). Dies ist der durchschnittliche Vergleich der Gesamtbedingungen.

Sowohl ANN- als auch ANFIS-Modelle zeigten eine gute Leistung, sind für die Fehlererkennung kompatibel und können den Fehler vorhersagen. Basierend auf RMSE und R2 der Trainings- und Testdaten schnitt ANN im vorgeschlagenen Experiment jedoch besser ab als ANFIS. Das ANN-Modell wurde bis zu 200 Epochen angewendet und die beste Validierung wurde in 150 Epochen erhalten. Abbildung 12 zeigt den besten Anpassungswert des vorgeschlagenen ANN-Modells in Bezug auf Training, Tests, Validierung und Gesamtwerte.

Best-Fit-Ausgabe des ANN-Modells.

Zur Erkennung von Windungsfehlern bei Induktionsmotoren und motorbasierten Pumpsystemen wurden bereits verschiedene Arbeiten durchgeführt. Bisher wurden bei Untersuchungen zu Windungsfehlern von Induktionsmotoren nur Änderungen der Parameter von Induktionsmotoren nach Auftreten des Fehlers analysiert. Wenn jedoch beim Motor ein Problem mit einem Fehler zwischen den Windungen auftritt, ist auch die gekoppelte Pumpe betroffen, und auch die Parameter der Pumpe ändern sich. In der vorgeschlagenen Untersuchung wurden unter anderem auch die Änderungen der Motorparameter, die sich auf Windungsfehler auswirken, und die Änderungen der Pumpenparameter analysiert. Es wurde ein Stromkoordinatentransformationsalgorithmus für die Windungsfehleranalyse in Induktionsmotoren entwickelt. Das Mexbios-Entwicklungsstudio wurde aufgebaut, um die Parameteränderungen im Induktionsmotor während eines Fehlerzustands zu analysieren. Obwohl dies in industriellen Anwendungen umsetzbar ist, kann dieses Verfahren den Fehler nicht vorhersagen, bevor der Fehler auftritt und größere Schäden auftreten35. Das vorgeschlagene Modell ist ein einfacher, unkomplizierter Prozess und hilft bei geringeren Datenmengen und bei der Vorhersage des Fehlers vor einem massiven Ausfall. Es wurde ein ANN-Algorithmus zur Erkennung von Windungsfehlern in Induktionsmotoren in Bezug auf verschiedene Windungen verwendet. Das Experiment erzeugte bis zu 10 % Windungsfehler und es wurden Stromänderungen in Phase A ermittelt. Das Experiment analysierte die Einheitsänderung des Mitsystemstroms gegenüber dem Gegensystemstrom. Das Experiment wurde bis zu 54 Epochen durchgeführt. Hier wurde eine experimentelle Analyse für ein kleines Werteniveau durchgeführt36. Es wurde ein NN-Modell unter drei verschiedenen Bedingungen entwickelt: keine Last, 50 % Last und Volllast für fünf verschiedene Motoren zur Fehleranalyse zwischen den Windungen. Es wurden bis zu 15 % Windungsfehler festgestellt, und die Genauigkeit des NN-Modells für verschiedene Motoren schwankte zwischen 88 und 99 %37. Die neuartige Wavelet-Analyse wurde in einer Forschung entwickelt.

Das Modell wurde zur Analyse von Windungsfehlern basierend auf einer diskreten Wavelet-Transformation unter Verwendung der Park-Vektortransformation erstellt. Die Leistungsanalyse wurde für gesunde und verschiedene Kurvenfehlerbedingungen durchgeführt. MSE wurde für die Leistungsgenauigkeitsanalyse gesunder und fehlerhafter Situationen ermittelt38. Andere Untersuchungen basieren auf der FFT-Analyse und der Park-Transformation, diese Untersuchungen eignen sich jedoch nicht für prädiktive Steuerungsmodelle und sind für schwere Industrieanwendungen nicht nützlich39. Die vorgeschlagene ANN-Methode wurde in der aktuellen Forschung verwendet, bei der das Matlab-Modell entwickelt wurde, um die Parameteränderungen von Induktionsmotor und Pumpe während eines Windungsfehlers zu analysieren. Da es sich um das Simulink-Modell handelt, kann für die Analyse ein großer Bereich von bis zu 40 % des Windungsfehlers erstellt werden.

Hier wurden ANN- und ANFIS-Modelle in die experimentellen Ergebnisse implementiert, und es wurde festgestellt, dass die Leistung von ANN besser ist als die des ANFIS-Modells.

In ähnlicher Weise haben die Autoren auch verschiedene überwachte ML-Algorithmen wie SVM, K-NN, Entscheidungsbaum, Naive Bayes, Regressionsanalyse mit ANN und ANFIS implementiert. Basierend auf Genauigkeitsrate, Vorhersagegeschwindigkeit und Trainingszeit werden Algorithmen verglichen, um den am besten geeigneten Algorithmus für dieses Experiment herauszufinden. Im Allgemeinen verfügen ML-Algorithmen über Zielvariablen, die aus unabhängigen Variablen vorherzusagen sind, und diese Variablen generieren Funktionen zur Zuordnung von Eingaben, um die gewünschte Ausgabe zu erzielen. Danach sollte ein Trainingsprozess durchgeführt werden, um bessere Leistungen und mehr Genauigkeit zu erzielen. Der Trainingsprozess wird fortgesetzt, bis die gewünschte Genauigkeitsrate erreicht ist. Für unüberwachtes Lernen ist keine Zielvariable erforderlich, da es dem Clustering-Prozess folgt. SVM ist ein bekannter Mustererkennungsalgorithmus, der hauptsächlich zur Klassifizierung und Regression verwendet wird.

SVM verfügt über eine Hyperebene und einen Rand, indem es den Datensatz trennt und die Klassifizierungsaufgabe durchführt. Die optimale Hyperebene in der SVM maximiert die Breite der Hyperebene, um eine Überlappung der Klassen zu vermeiden. Dies ist der Klassifizierungsprozess. Ränder werden zwischen harten Rändern und weichen Rändern klassifiziert. Da sich die vorliegende Diagnose mit dem nichtlinearen Klassifizierungsproblem befasst, wird ein weicher Rand verwendet. Die SVM-Genauigkeit hängt von drei Faktoren ab: Schwellenwertfunktion, Kostenfunktion und Kernelfunktion. K-NN ist ein nichtparametrischer, vielseitiger Lernalgorithmus, der auch für Klassifizierungs- und Regressionsprobleme verwendet wird. Anstatt die Unterscheidungsfunktion zu lernen, merkt sich der Algorithmus den Trainingsdatensatz. Durch die Minimierung des Trainingsumfangs hilft intensives Lernen, Fehler zu vermeiden. Die Nachteile von K-NN sind ausreichend Speicherplatz, lange Vorhersagezeiten und unnötige Empfindlichkeit gegenüber irrelevanten Merkmalen. Wenn die Datengröße jedoch begrenzt ist, funktioniert K-NN besser als jeder andere überwachte Lernalgorithmus. Ein dendritisches Entscheidungsbaumklassifizierungsmodell wird sowohl für Klassifizierungs- als auch für Regressionsprobleme verwendet. Durch die Aufteilung in kleinere Teilmengen kann der Klassifizierungsprozess durchgeführt werden und auf dieser Grundlage kann die Merkmalsauswahl erfolgen. Die endgültige Struktur ähnelt den Ästen eines Baumes, und jeder Knoten hebt das Merkmal hervor. Die Regressionsanalyse stellt dem Benutzer Gleichungen für Diagramme zur Vorhersage der Daten bereit. Es wird immer der gewichtete Durchschnittswert für den Vorhersagezweck angezeigt. Durch die statistische Analyse kann die genaue Ausgabe vorhergesagt werden. Die meisten grundlegenden Statistikkurse behandeln grundlegende Techniken wie die Erstellung von Streudiagrammen und die Durchführung einer linearen Regression. Der am besten geeignete Algorithmus kann anhand der Gesamtgenauigkeitsrate, der Vorhersagegeschwindigkeit und der Trainingszeit gefunden werden.

Für das Experiment werden Features zufällig im Verhältnis 70:30 in zwei Kategorien eingeteilt. In den meisten Fällen werden 70 % der Daten für Schulungszwecke und 30 % für Testdaten zur Auswertung verwendet. Für alle Algorithmen gilt die gleiche Regel. Die Stichprobendatengröße beträgt wie bei ANN und ANFIS 5000. Zur Merkmalsextraktion wurden 300 Datenproben zur besseren Analyse erstellt. Davon werden 70 % für Schulungszwecke, 15 % für die Kreuzvalidierung und 15 % für Testzwecke verwendet. Die gesamte Diagnose wird über die MATLAB-Lern-Apps zur Mustererkennung und -klassifizierung durchgeführt. Basierend auf der Auswertung wird die Genauigkeitsrate jedes Algorithmus mithilfe der Formel ermittelt. Mit Hilfe der Klassifizierungs-Lern-App wurden die Genauigkeitsrate, die Vorhersagegeschwindigkeit und die Trainingszeit jedes Algorithmus analysiert und verglichen.

Aus Tabelle 10 geht hervor, dass die Leistung von K-NN und ANN für diese Forschung besser ist. Basierend auf der Genauigkeitsrate, der Vorhersagegeschwindigkeit und der Trainingszeit ist K-NN jedoch besser geeignet als ANN. Abbildung 13 zeigt die Gesamtgenauigkeit der ML-Algorithmen.

Gesamtgenauigkeit verschiedener ML-Algorithmen.

In diesem Artikel wird die Fehleranalyse zwischen den Windungen eines Pumpsystems auf Induktionsmotorbasis erläutert und die Parameteränderungen während Fehlersituationen in verschiedenen Windungszuständen gezeigt. Die Simulationsergebnisse wurden mit dem HIL-Schleifen-basierten Gerät (OP5700) verifiziert und der Phasenstrom des Motors steigt, wenn der Fehler auftritt. Sobald der Strom ansteigt, erhöhen sich auch Drehzahl und Drehmoment, was sich auf das Pumpsystem auswirkt. Die Geschwindigkeit trägt dazu bei, dass die Fördermenge der Pumpe plötzlich ansteigt, was zu einem enormen Druckabfall und einer Verringerung des Förderhöhenwerts führt. Wenn der Druck drastisch abfällt, entsteht ein Kavitationsproblem, und ein plötzlicher Anstieg der Durchflussrate führt zu starken Vibrationen im Rohr, was zu Wasserschlagproblemen führt. In dieser Forschung wurden zunächst auf ANN- und ANFIS-Algorithmen basierende Modelle zur Identifizierung und Vorhersage des Fehlers durchgeführt. Beide Techniken werden verwendet, und es zeigt sich, dass ANN basierend auf den RMSE- und R2-Werten eine bessere Leistung als ANFIS erbringt. Außerdem werden verschiedene andere Forschungsarbeiten mit der vorgeschlagenen Arbeit verglichen, um die neue Entwicklung in der vorgeschlagenen Arbeit herauszufinden. Es wird festgestellt, dass die vorgeschlagene Forschung für die industrielle Anwendung geeignet ist und den fehlerhaften Zustand für eine große Datenmenge leicht identifizieren kann. Künftig wäre das KNN für andere Fehlererkennungen in Motor- und Pumpensystemen sowie für andere Maschinen eingesetzt worden und könnte zu einer umfassenden Diagnosetechnik werden. Die Autoren verglichen auch verschiedene ML-Algorithmen mit ANN und ANFIS, wobei sich anhand der Genauigkeitsrate, der Vorhersagegeschwindigkeit und der Trainingszeit herausstellte, dass K-NN und ANN für die vorgeschlagene Forschung besser funktionieren können. Aber basierend auf der Gesamtgenauigkeitsrate funktioniert K-NN besser als ANN. Darüber hinaus ist der Einsatz der entwickelten Technik in einer Laborumgebung eine Erweiterung der vorliegenden Arbeit. Weitere Untersuchungen sind mit dem HIL-basierten OP5700-Gerät möglich, um die Simulationsergebnisse zu überprüfen.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel [und seinen ergänzenden Informationsdateien] enthalten. In der Zusatzdatei wurden alle Daten in Tabellenform hinzugefügt. Wenn jemand Daten aus dieser Studie anfordern möchte, sollte er sich außerdem an den entsprechenden Autor oder Erstautor wenden.

Neti, P., Subhasis, N. Stator-Windungsfehleranalyse eines Reluktanz-Synchronmotors. In Canadian Conference on Electrical and Computer Engineering, 2005, 1283–1286. (IEEE, 2005).

Obeid, NH, Thierry, B. & Babak, N.-M. Modellierung und Diagnose beginnender Windungsfehler für einen dreiphasigen Permanentmagnet-Synchronmotor. IEEE Trans. Ind. Appl. 52(5), 4426–4434 (2016).

Artikel Google Scholar

Gao, F., Zhang, G., Li, M., Gao, Y. & Zhuang, S. Identifizierung von Windungsfehlern bei oberflächenmontierten Permanentmagnet-Synchronmotoren basierend auf Wechselrichteroberschwingungen. Energien 13(4), 899 (2020).

Artikel Google Scholar

Maraaba, LS, Twaha, S., Memon, A. & Al-Hamouz, Z. Erkennung von Statorwicklungsfehlern zwischen Windungen in innen montierten LSPMSM mithilfe akustischer Signale. Symmetry 12(8), 1370 (2020).

Artikel Google Scholar

Yassa, N. & Rachek, M. Modellierung und Erkennung des Windungsfehlers der Statorwicklung von Permanentmagnet-Synchronmotoren mithilfe der Analyse der Statorstromsignatur. Mathematik. Berechnen. Simul. 167, 325–339 (2020).

Artikel MathSciNet Google Scholar

Kim, B.-W., Kim, K.-T. & Hur, J. Vereinfachte Impedanzmodellierung und -analyse für Windungsfehler bei BLDC-Motoren vom IPM-Typ. J. Power Electron. 12(1), 10–18 (2012).

Artikel Google Scholar

Kalaskar, CS & Gond, VJ Analyse der Motorstromsignatur zur Erkennung des Fehlers im Induktionsmotor. Int. J. Eng. Res. Appl. 4(6), 58–61 (2014).

Google Scholar

Mohanty, AR, Prasanta, KP, Nitaigour, PM & Sabyasachi, GD Fehlererkennung in einer Kreiselpumpe mithilfe von Vibrations- und Motorstromsignaturanalyse. Int. J. Autom. Kontrolle 6(3–4), 261–276 (2012).

Artikel Google Scholar

Orrù, PF et al. Maschineller Lernansatz unter Verwendung von MLP- und SVM-Algorithmen zur Fehlervorhersage einer Kreiselpumpe in der Öl- und Gasindustrie. Nachhaltigkeit 12(11), 4776 (2020).

Artikel Google Scholar

Sołjan, Z., Hołdyński, G. & Zajkowski, M. CPC-basierte Minimierung von Ausgleichskompensatoren in nichtsinusförmigen asymmetrischen Vierdrahtsystemen. Energien 14(7), 1815 (2021).

Artikel Google Scholar

Ranganatha Chakravarthy, HS, Bharadwaj, SC, Umashankar, S., Padmanaban, S., Dutta, N., Bo Holm-Nielsen, J. Elektrische Fehlererkennung mithilfe eines maschinellen Lernalgorithmus für Kreiselwasserpumpen. Im Jahr 2019 IEEE International Conference on Environment and Electrical Engineering und 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), 1–6. (IEEE, 2019).

Dutta, N., Palanisamy, K., Umashankar, S. Auswirkung von Motorvibrationsproblemen auf die Stromqualität der Wasserpumpe am Wohnort. In der IOP-Konferenzreihe: Materials Science and Engineering, Bd. 937, Nr. 1, 01.2019. (IOP Publishing, 2020).

Arun Shankar, VK et al. Experimentelle Untersuchung der Leistungssignaturen für Kavitation und Wasserschlag in einem industriellen Parallelpumpsystem. Energies 12(7), 1351 (2019).

Artikel Google Scholar

Jain, G. & Umashankar, S. Modellierung und Simulation eines mit Solarphotovoltaik gespeisten Induktionsmotors für Wasserpumpenanwendungen unter Verwendung des Störungs- und Beobachter-MPPT-Algorithmus. Im Jahr 2016, Internationale Konferenz über energieeffiziente Technologien für Nachhaltigkeit (ICEEETS), 250–254. (IEEE, 2016).

Nabanita, D., Sreedhar, S., Neha, Z., Onkar, B., Pratik, P., Raja Singh, R. Interwindungsfehleranalyse an einer Induktionsmaschine mit gewickeltem Rotor. In der IOP-Konferenzreihe: Materials Science and 2019, Engineering, Bd. 623, Nr. 1, 01.2016. (IOP Publishing, 2019).

Hussein, HA, Taha, M., Ammar, E. & Moustafa Hassan, MA Statordrehungsfehleranalyse eines Dreiphasen-Induktionsmotors basierend auf künstlicher Intelligenz. Int. J. Syst. Dyn. Appl. IJSDA. 6(3), 1–19 (2017).

Google Scholar

Han, Te., Jiang, D., Zhao, Qi., Wang, L. & Yin, K. Vergleich von Random Forest, künstlichen neuronalen Netzen und Support-Vektor-Maschine für die intelligente Diagnose rotierender Maschinen. Trans. Inst. Mess. Kontrolle. 40(8), 2681–2693 (2018).

Artikel Google Scholar

Han, Te., Liu, C., Linjiang, Wu., Sarkar, S. & Jiang, D. Ein adaptiver räumlich-zeitlicher Merkmalslernansatz für die Fehlerdiagnose in komplexen Systemen. Mech. Syst. Signalprozess. 117, 170–187 (2019).

Artikel ADS Google Scholar

Han, Te., Liu, C., Yang, W. & Jiang, D. Ein neuartiger kontradiktorischer Lernrahmen in einem tiefen Faltungs-Neuronalen Netzwerk zur intelligenten Diagnose mechanischer Fehler. Wissensbasiertes Syst. 165, 474–487 (2019).

Artikel Google Scholar

Zhiyi, He., Haidong, S., Lin, J., Junsheng, C. & Yang, Yu. Übertragen Sie die Fehlerdiagnose von Lagern, die in verschiedenen Maschinen installiert sind, mithilfe eines erweiterten Deep-Auto-Encoders. Messung 152, 107393 (2020).

Artikel Google Scholar

Skowron, M., Orlowska-Kowalska, T., Wolkiewicz, M. & Kowalski, CT Convolutional Neural Network-basierte Statorstromdaten-gesteuerte beginnende Statorfehlerdiagnose eines umrichtergespeisten Induktionsmotors. Energies 13(6), 1475 (2020).

Artikel Google Scholar

Salih, HR, Ali, AA & Basarab, DG Dynamische Modellierung des Pumpenantriebssystems unter Verwendung des Simulink/MATLAB-Programms. Int. Res. J. Eng. Technol. IRJET 3(1), 21–24 (2016).

Google Scholar

Husari, F. & Jeevanand, S. Erkennung beginnender Windungsfehler und Bewertung des Schweregrads in elektrischen Antriebssystemen unter Verwendung eines hybriden HCNN-SVM-basierten Modells. IEEE Trans. Ind. Informieren. 18, 1823–1832 (2021).

Artikel Google Scholar

Ostojic, P., Arijit, B., Dhaval, P., Wrichik, B., Shahid, A. Erweiterte motorische Überwachung und Diagnose. In Industry Applications Society 60. Jahreskonferenz der Erdöl- und Chemieindustrie, 1–9. (IEEE, 2013).

Haroun, S., Nait Seghir, A., Touati, S. Ansatz zur Erkennung und Unterscheidung von Stator-Windungsfehlern und Spannungsungleichgewichten für eine Reaktorkühlmittelpumpe. In der 3. Internationalen Konferenz für Systeme und Steuerung, 99–104. (IEEE, 2013).

Mohamed, MA et al. Diagnosemodellierung für Induktionsmotorfehler mittels ANFIS-Algorithmus und DWT-basierter Merkmalsextraktion. Appl. Wissenschaft. 11(19), 9115 (2021).

Artikel CAS Google Scholar

Rajeswari, R. & Kamaraj, N. Diagnose eines Windungsfehlers im Stator eines Synchrongenerators mithilfe von Wavelet-basiertem ANFIS. Weltakademie. Wissenschaft. Ing. Technol. 36, 203–209 (2007).

Google Scholar

Panda, S., Mishra, DP, Dash, SN Vergleich von ANFIS- und ANN-Techniken bei der Fehlerklassifizierung und -ortung in langen Übertragungsleitungen. Im Jahr 2018, Internationale Konferenz über aktuelle Innovationen in der Elektrotechnik, Elektronik und Kommunikationstechnik (ICRIEECE), 1112–1117. (IEEE, 2018).

Esakimuthu, P., Shrinathan, YM & Hisahide, N. Eine vergleichende Studie zwischen Algorithmen für maschinelles Lernen und neuronalen Netzwerken mit künstlicher Intelligenz zur Erkennung geringfügiger Lagerfehler von Induktionsmotoren. Energies 12(11), 2105 (2019).

Artikel Google Scholar

Duan, F. & Rastko, Z. Ein Modell für Induktionsmotoren mit Statorfehlern. Im Jahr 2012 22. Australasian Universities Power Engineering Conference (AUPEC), 1–5. (IEEE, 2012).

Samanta, S., Bera, N. und Sarkar, G., Ein intelligentes, adaptives, auf Neuro-Fuzzy basierendes Fehlerdiagnosesystem zur Schweregrad- und Phasenerkennung von Induktionsmaschinen. In Vorlesungen über Modellierung und Simulation, 41–51.

Ghafari, SH Ein Fehlerdiagnosesystem für rotierende Maschinen, die durch Wälzlager unterstützt werden. (Universität Waterloo, 2007).

Solodkiy, E., Dmitry, D. & Saveliy, S. Erkennung eines Kurzschlusses zwischen den Statorwindungen in einem Dreiphasen-Induktionsmotor mithilfe der Stromkoordinatentransformation. Im Jahr 2019 26. Internationaler Workshop zu Elektroantrieben: Verbesserung der Effizienz elektrischer Antriebe (IWED), 1–4. (IEEE, 2019).

Ghorbanzadeh, O., Blaschke, T., Aryal, J. & Gholaminia, K. Eine neue GIS-basierte Technik, die ein adaptives Neuro-Fuzzy-Inferenzsystem zur Kartierung der Anfälligkeit für Landsenkungen verwendet. J. Spat. Wissenschaft. 65(3), 401–418 (2020).

Artikel Google Scholar

Rajamany, G., Sekar, S., Krishnan, R. & Ramesh, KN Kurzschlussfehlererkennung im Stator eines Induktionsmotors gemäß den Komponenten der Netzstromsequenz unter Verwendung eines künstlichen neuronalen Netzwerks. J. Elektr. Berechnen. Ing. 2019, 1–12 (2019).

Maraaba, L., Al-Hamouz, Z. & Abido, M. Ein effizientes Diagnosetool für Stator-Windungsfehler bei Induktionsmotoren. Energies 11(3), 653 (2018).

Artikel Google Scholar

Umashankar, S., Sanjeevikumar, P. und Paramasivam, S. Adaptives Neuro-Fuzzy-Inferenzsystem (ANFIS) basierend auf direkter Drehmomentsteuerung einer PMSM-angetriebenen Kreiselpumpe. (2017).

Babaa, F. & Bennis, O. Ein genaues Modell für Kurzschlussfehler zwischen Windungen, speziell für Induktionsmotoren. Int. J. Elektr. Berechnen. Ing. 11(1), 9 (2021).

Google Scholar

Irfan, M. & Glowacz, A. Entwurf einer neuartigen elektrischen Diagnosetechnik zur Fehleranalyse von Kreiselpumpen. Appl. Wissenschaft. 9(23), 5093 (2019).

Artikel Google Scholar

Referenzen herunterladen

Die Autoren möchten dem Danfoss Advanced Drives Laboratory der VIT University ihren aufrichtigen Dank aussprechen, der dafür gesorgt hat, dass diese Forschungsarbeiten in Echtzeit durchgeführt und technisch umgesetzt werden konnten. Hierbei handelt es sich um ein gemeinsames Industrie-Akademie-Kooperationsprojekt für industrielle Pumpenlösungen. Die Zusammenarbeit besteht zwischen VIT Vellore und Danfoss Pvt Ltd Industry.

Für diese Forschungstätigkeit gibt es keine Finanzierungsquelle.

Diese Autoren trugen gleichermaßen bei: Nabanita Dutta, Palanisamy Kaliannan und Paramasivam Shanmugam.

Abteilung für Energie und Leistungselektronik, Fakultät für Elektrotechnik, Vellore Institute of Technology, Vellore, 632014, Indien

Nabanita Dutta & Palanisamy Kaliannan

Esab India Limited, Chennai, Indien

Paramasivam Shanmugam

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

ND und PK haben die Windungsfehleranalyse in einem Kreiselpumpensystem auf Basis eines Induktionsmotors durchgeführt. Fachwissen auf dem Gebiet der Antriebe, Steuerung und Fehleranalyse in Pumpsystemen mit VFD und Pumpen auf Induktionsmotorbasis wurde von PS geteilt. Alle Autoren haben gleichermaßen dazu beigetragen, die Forschungsarbeit für ihre endgültige Darstellung als vollständige Forschungsarbeit zu formulieren.

Korrespondenz mit Palanisamy Kaliannan.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Dutta, N., Kaliannan, P. & Shanmugam, P. Anwendung von maschinellem Lernen zur Erkennung von Windungsfehlern in Pumpsystemen. Sci Rep 12, 12906 (2022). https://doi.org/10.1038/s41598-022-16987-6

Zitat herunterladen

Eingegangen: 17. Februar 2022

Angenommen: 19. Juli 2022

Veröffentlicht: 28. Juli 2022

DOI: https://doi.org/10.1038/s41598-022-16987-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.