Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát hiện sự cố thanh rotor bị hỏng của động cơ cảm ứng bằng thuật toán kết hợp vùng tin cậy và tối ưu hóa bầy đàn sửa đổi
Tóm tắt
Việc phát hiện chính xác các tham số đặc trưng của sự cố dòng điện động cơ là một chủ đề nghiên cứu mới trong chẩn đoán sự cố thanh rotor bị hỏng (BRB) của động cơ cảm ứng. Biến đổi Fourier rời rạc (DFT) là kỹ thuật phổ biến nhất trong lĩnh vực này do tính toán thấp và dễ dàng thực hiện. Tuy nhiên, độ chính xác của nó thường bị hạn chế bởi độ dài cửa sổ dữ liệu, hiện tượng dò quang phổ, hiệu ứng hàng rào, v.v. Do đó, một phương pháp phát hiện mới dựa trên thuật toán tối ưu toàn cầu được đề xuất. Đầu tiên, một mô hình dòng điện sự cố BRB và một hàm sai số còn lại được thiết kế để chuyển đổi vấn đề phát hiện tham số sự cố thành một bài toán bình phương tối thiểu phi tuyến. Vì bài toán tối ưu này có một số lượng lớn cực tiểu cục bộ và cần phải được giải quyết nhanh chóng và chính xác, nên một thuật toán kết hợp (gọi là TR-MBPSO) dựa trên tối ưu hóa bầy đàn sửa đổi (BPSO) và vùng tin cậy (TR) được đề xuất tiếp theo. Trong TR-MBPSO, một chiến lược tái khởi tạo hạt không hoạt động được giới thiệu vào BPSO để tăng cường sự đa dạng của bầy đàn và khả năng tìm kiếm toàn cầu. Đồng thời, TR được kết hợp với BPSO sửa đổi để cải thiện tốc độ hội tụ và độ chính xác. Nghiên cứu cũng bao gồm một phân tích hội tụ toàn cầu, mà kết quả cho thấy TR-MBPSO có thể hội tụ đến cực tiểu toàn cầu với xác suất 1. Cả mô phỏng và thí nghiệm đều được thực hiện, và kết quả cho thấy phương pháp phát hiện đề xuất không chỉ có độ chính xác cao của ước lượng tham số với cửa sổ dữ liệu ngắn thời gian, ví dụ, độ chính xác về độ lớn và tần số của các thành phần liên quan đến sự cố đạt được 10−4, mà còn vượt qua tác động của dò quang phổ và lấy mẫu không nguyên kỳ. Nghiên cứu đề xuất cung cấp một phương pháp phát hiện BRB mới, có đủ độ chính xác để trích xuất các tham số của các thành phần đặc trưng của sự cố.
Từ khóa
Tài liệu tham khảo
S Bindu, V V Thomas. Diagnoses of internal faults of three phase squirrel cage induction motor – A review. Proceedings of the IEEE International Conference on Advances in Energy Conversion Technologies, Manipal, India, January 23–25, 2014: 48–54.
V Ghorbanian, J Faiz. A survey on time and frequency characteristics of induction motors with broken rotor bars in line-start and inverter-fed modes. Mechanical Systems and Signal Process, 2015, 54(1): 427–456.
M R Mehrjou, N Mariun, M H Marhaban, et al. Rotor fault condition monitoring techniques for squirrel-cage induction machine – A review. Mechanical Systems and Signal Process, 2011, 25(8): 2827–2848.
A Bellini, A Yazidi, F Filippetti, et al. High frequency resolution techniques for rotor fault detection of induction machines. IEEE Transactions on Industrial Electronics, 2008, 55(12): 4200–4209.
A F Aimer, A H Boudinar, N Benouzza, et al. Simulatioin and experimental study of induction motor broken rotor bars fault diagnosis using stator current spectrogram. Proceedings of the IEEE International Conference on Control, Engineering and Information Technology, Tlemcen, Algeria, May 25–27, 2015: 1–7.
M Pineda-Sanchez, M Riera-Guasp, J Perez-Cruz, et al. Transient motor current signature analysis via modulus of the continuous complex wavelet: a pattern approach. Energy Conversion & Management, 2013, 73(5): 26–36.
P Karvelis, G Georgoulas, I P Tsoumas, et al. A symbolic representation approach for the diagnosis of broken rotor bars in induction motors. IEEE Transactions on Industrial Informatics, 2015, 11(5): 1028–1037.
H Keskesa, A Brahama, Z Lachiri. Broken rotor bar diagnosis in induction machines through stationary wavelet packet transform and multiclass wavelet SVM. Electric Power Systems Research, 2013, 97(2): 151–157.
C Li, M Liang. A generalized synchrosqueezing transform for enhancing signal time-frequency representation. Signal Processing, 2012, 92(9): 2264–2274.
Z Feng, X Chen, M Liang. Iterative generalized synchrosqueezing transform for fault diagnosis of wind turbine planetary gearbox under nonstationary conditions. Mechanical Systems and Signal Processing, 2015, 52(1): 360–375.
C Li, V Sanchez, G Zutita, et al. Rolling element bearing defect detection using the generalized synchrosqueezing transform guided by time-frequency ridge enhancement. ISA Transactions, 2016, 60(1): 274–284.
P Tao, C Li, Y X Sheng, et al. A synchrosqueezing transform based method for rotor fault diagnosis of squirrel-cage induction motors. Proceedings of the IEEE International Conference on Control, Xi’an, China, July 26, 2013: 6261–6266.
P Puche-Panadero, M Pineda-Sanchez, M Riera-Guasp, et al. Improved resolution of the MCSA method via Hilbert transform, enabling the diagnosis of rotor asymmetries at very low slip. IEEE Transactions on Energy Conversion, 2009, 24(1): 52–59.
D F Piresa, V F Pires, J F Martins, et al. Rotor cage fault diagnosis in three-phase induction motors based on a current and virtual flux approach. Energy Conversion & Management, 2009, 50(4): 1026–1032.
B Q Xu, L LSun. Concurrent discrimination of rotor fault and load oscillation in induction motors. Proceedings of the CSEE, 2016, 36(23): 6518–6527. (in Chinese)
F Gu, T Wang, A Alwodai, et al. A new method of accurate broken rotor bar diagnosis based on modulation signal bispectrum analysis of motor current signals. Mechanical Systems and Signal Processing, 2014, 50(51): 400–413.
Y H Kim, Y W Youn, D H Hwang, et al. High-resolution parameter estimation method to identify broken rotor bar faults in induction motors. IEEE Transactions on Industrial Electronics, 2013, 60(9): 4103–4117.
B Q Xu, L LSun, H M Li. A detection method for rotor fault induction motors based on high frequency resolution spectrum estimation technique and optimization algorithm. Proceedings of the CSEE, 2013, 33(3): 140–147. (in Chinese)
L P Shi, P P Wang, Y J Hu, et al. Broken rotor bar fault diagnosis of induction motors based on bare-bone particle swarm optimization and support vector machine. Transactions of China Electrotechnical Society, 2014, 29(1): 147–153. (in Chinese)
X Wen, L Shao, Y Xue, et al. A rapid learning algorithm for vehicle classification. Information Sciences, 2015, 29(5): 395–406.
B Gu, V S Sheng, Z Wang, et al. Incremental learning for ν-support vector regression. Neural Networks, 2015, 67(7): 140–150.
B Gu, V S Sheng, K Y Tay, et al. Incremental support vector learning for ordinal regression. IEEE Transactions on Neural Networks & Learning Systems, 2015, 26(7): 1403–1416.
B Gu, X Sun, V S Sheng. Structural minimaxprobability machine. IEEE Transactions on Neural Networks & Learning Systems, 2016, 28(7): 1646–1656.
Y Lin, H Zhao, H Ding. Solution of inverse kinematics for general robot manipulators based on multiple population genetic algorithm. Journal of Mechanical Engineering, 2017, 53(3): 1–8. (in Chinese)
H W Tang, W Sun, W Y Zhang, et al. Wavelet neural network method based on particle swarm optimization for obstacle recognition of power line deicing robot. Journal of Mechanical Engineering, 2017, 53(13): 55–63. (in Chinese)
J Kennedy, R C Eberhart. Particle swarm optimization. Proceedings of the IEEE International Conference on Neural Networks, Piscataway, New Jersey, USA, November 27–December 1, 1995: 1942–1948.
J Kennedy. Bare bones particle swarms. Proceedings of the IEEE International Conference on Swarm Intelligence Symposium, Indiana, USA, April 26, 2003: 80–87.
M J D Powell. On the global convergence of trust region algorithms for unconstrained optimization. Mathematical Programming, 1984, 29(3): 297–303.
F J Solis, R J Wets. Minimization by random search techniques. Mathematics of Operations Research, 1981, 6(1): 19–30.