Интеллектуальный адаптивный по времени метод диагностики неисправностей датчиков на основе данных в системе электропривода с асинхронным двигателем
An Intelligent Time-Adaptive Data-Driven Method for Sensor Fault Diagnosis in Induction Motor Drive System
2018-11-15
SCID: 54.1/ebgnmgpy
Discuss with AI
ансамбль машин экстремального обучениясистема привода асинхронного двигателяинвертор с широтно-импульсной модуляциейдиагностика неисправностей датчиковадаптивная по времени диагностика неисправностей
Figures from the paper
Abstract (AI)
Системы электропривода с асинхронными двигателями, питаемыми от трехфазных инверторов с широтно-импульсной модуляцией, широко применяются в мощных электроприводах. Неисправности датчиков являются распространенным явлением в таких системах и при возникновении могут привести к ухудшению характеристик системы или даже к ее отключению. Для быстрого и точного диагностирования неисправностей датчиков в статье предложен интеллектуальный адаптивный по времени метод диагностики на основе данных, предназначенный для определения места неисправности и типа неисправности датчика в системе электропривода. Для обучения на наборах данных о неисправностях датчиков применяется современная технология машинного обучения — машина экстремального обучения (Extreme Learning Machine, ELM). Затем для повышения точности диагностики разработан ансамблевый классификатор на основе ELM, на базе которого предложен адаптивный по времени процесс диагностики неисправностей, обеспечивающий высокую и сбалансированную точность и быстродействие диагностики. В качестве входных данных ансамблевых классификаторов ELM предлагаемый метод использует только сигналы фазных токов, напряжения звена постоянного тока и скорости; дополнительные датчики и другое аппаратное обеспечение не требуются. Результаты моделирования и экспериментальных испытаний показывают, что предлагаемый метод позволяет быстро и точно обнаруживать место расположения неисправного датчика и идентифицировать неисправности типа смещения, зависания и шумовые неисправности, обеспечивая среднюю точность диагностики 98% и среднее время принятия решения 10 мс после возникновения неисправности. Кроме того, данный метод диагностики устойчив к колебаниям напряжения контактной сети и напряжения звена постоянного тока, степени тяжести неисправности, а также изменениям параметров модели, скорости и нагрузки.
Key Findings
1
Ансамблевый классификатор на основе машин экстремального обучения повышает точность диагностики, а адаптивная по времени обработка обеспечивает баланс между скоростью и точностью.
2
По результатам моделирования и экспериментов средняя точность диагностики составила 98%, а среднее время принятия решения после возникновения отказа — 10 мс.
3
Метод выявляет отказы типа смещения, зависания и шумовые отказы, сохраняя устойчивость к колебаниям напряжения, изменению тяжести отказа, параметров модели, скорости и нагрузки.
4
Метод использует только сигналы фазных токов, напряжения звена постоянного тока и скорости, не требуя дополнительных датчиков или оборудования.
5
В работе предложен интеллектуальный адаптивный по времени метод диагностики расположения и типа отказов датчиков в системах электропривода с асинхронными двигателями.
Research Object
система привода с асинхронным двигателем, питаемым от трёхфазного ШИМ-инвертора, и её датчики
Research Subject
адаптивная по времени диагностика на основе данных местоположения и типа неисправностей датчиков, включая смещение, залипание и шумовые неисправности, с оценкой точности, быстродействия и робастности диагностики
Publication Details
Publication Date
2018-11-15
Journal
Publisher
ISSN
Cited by
197
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest