Chẩn đoán lỗi vòng bi của máy điện sử dụng tín hiệu dòng điện động cơ và phân loại trạng thái
160 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.89.2023.15-24Từ khóa:
Chẩn đoán lỗi vòng bi, tín hiệu dòng điện động cơ, phân loại trạng tháiTóm tắt
Quy trình chẩn đoán lỗi vòng bi của động cơ cảm ứng dựa trên tín hiệu dòng điện của động cơ trong các phương pháp đã công bố thường khử nhiễu tín hiệu thu được từ các cảm biến dòng điện, sau đó trích xuất các đặc tính điển hình từ tín hiệu đã khử nhiễu và sử dụng bộ phân loại để phân biệt trạng thái của vòng bi. Tuy nhiên, các tín hiệu dòng điện trong thực tế có thể bị ảnh hưởng bởi nhiễu tạp xung quanh, tạo ra các đỉnh bất thường trong tín hiệu có thể dẫn đến kết quả chẩn đoán không chính xác. Vì vậy, các phương pháp truyền thống có thể không hiệu quả lắm trong việc chẩn đoán lỗi động cơ cảm ứng sử dụng tín hiệu dòng điện động cơ trong thời gian thực. Để giảm thiểu những vấn đề này, công trình này giới thiệu một kỹ thuật mới, bao gồm mô hình hóa trạng thái của vòng bi dưới dạng một vectơ trạng thái chứa các đặc tính tín hiệu, đánh giá trạng thái thực của vòng bi trong không gian đặc tính bằng cách sử dụng bộ lọc Kalman và bộ phân loại k-NN. Kỹ thuật này vẫn đạt độ chính xác khá cao ngay cả trong điều kiện có nhiễu. Kết quả thử nghiệm với tín hiệu dòng điện có nhiễu chứng minh rằng kỹ thuật đề xuất có tỷ lệ nhận dạng đúng trung bình là 92,06% và tỷ lệ sai trung bình là 7,94%, trong khi các phương pháp thông thường có tỷ lệ nhận dạng đúng trung bình tối đa là 53,12% và tỷ lệ sai sót trung bình tối thiểu là 46,88%
Tài liệu tham khảo
[1]. Singh GK. "Induction machine drive condition monitoring and diagnostic research—a survey". Electr Power Syst Res; 64:145–58, (2003). DOI: https://doi.org/10.1016/S0378-7796(02)00172-4
[2]. Bessous N, Sbaa S, Megherbi AC. "Mechanical fault detection in rotating electrical machines using MCSA-FFT and MCSA-DWT techniques". Bull Pol Acad Sci Tech Sci 67 (2019).
[3]. Lei Y. "Fault diagnosis of rotating machinery based on empirical mode decomposition. Struct. Health Monit". Adv. Signal Process. Perspect., Springer, p. 259–92, (2017). DOI: https://doi.org/10.1007/978-3-319-56126-4_10
[4]. Li Y, Xu M, Wang R, Huang W. "A fault diagnosis scheme for rolling bearing based on local mean decomposition and improved multiscale fuzzy entropy". J Sound Vib 360:277–99 (2016). DOI: https://doi.org/10.1016/j.jsv.2015.09.016
[5]. Gu X, Chen C. "Rolling bearing fault signal extraction based on stochastic resonance-based denoising and VMD". Int J Rotating; (2017). DOI: https://doi.org/10.1155/2017/3595871
[6]. Yan X, Jia M. "A novel optimized SVM classification algorithm with multi-domain feature and its application to fault diagnosis of rolling bearing". Neurocomputing 313:47–64 (2018). https://doi.org/10.1016/j.neucom.2018.05.002. DOI: https://doi.org/10.1016/j.neucom.2018.05.002
[7]. He F, Ye Q. "A Bearing Fault Diagnosis Method Based on Wavelet Packet Transform and Convolutional Neural Network Optimized by Simulated Annealing Algorithm". Sensors 22:1410 (2022). https://doi.org/10.3390/s22041410. DOI: https://doi.org/10.3390/s22041410
[8]. Chen FF, Li M, Chen BJ. "Fault diagnosis of roller bearing based on hybrid feature set and weighted KNN". J Mech Transm 40:138–43 (2016).
[9]. Kang M, Kim J, Wills LM, Kim J-M. "Time-Varying and Multiresolution Envelope Analysis and Discriminative Feature Analysis for Bearing Fault Diagnosis". IEEE Trans Ind Electron 62:7749–61 (2015). https://doi.org/10.1109/TIE.2015.2460242. DOI: https://doi.org/10.1109/TIE.2015.2460242
[10]. Kay SM. "Fundamentals of statistical signal processing: estimation theory". Prentice-Hall, Inc.; (1993).
[11]. Brown RG, Hwang PY. "Introduction to random signals and applied Kalman filtering: with MATLAB exercises and solutions". Introd Random Signals Appl Kalman Filter MATLAB Exerc Solut (1997).
[12]. Koutroumbas K, Theodoridis S. "Pattern recognition". Academic Press; (2008).
[13]. Smith KJ. Precalculus: "A functional approach to graphing and problem solving". Jones & Bartlett Publishers; (2011).
[14]. Lessmeier C, Kimotho JK, Zimmer D, Sextro W. "Condition monitoring of bearing damage in electromechanical drive systems by using motor current signals of electric motors: A benchmark data set for data-driven classification". PHM Soc. Eur. Conf., vol. 3, (2016).
[15]. Hoang DT, Kang HJ. "A Motor Current Signal-Based Bearing Fault Diagnosis Using Deep Learning and Information Fusion". IEEE Trans Instrum Meas 69:3325–33 (2020). DOI: https://doi.org/10.1109/TIM.2019.2933119
