Application de l'apprentissage automatique pour la détection des défauts entre les tours dans le système de pompage

Jul 15, 2023

Rapports scientifiques volume 12, Numéro d'article : 12906 (2022) Citer cet article

1589 accès

3 Citations

3 Altmétrique

Détails des métriques

Le diagnostic de panne de la pompe est essentiel pour la maintenance et la sécurité de l'appareil car il s'agit d'un appareil important utilisé dans divers grands secteurs. Un diagnostic de panne au bon moment peut réduire les coûts de maintenance et économiser de l'énergie. Cet article utilise un modèle Simulink basé sur des équations mathématiques pour analyser les effets de l'estimation des paramètres de pompes centrifuges à moteur à induction triphasé dans des conditions de défaut entre spires. Le défaut entre spires provoque une entrée massive, une augmentation massive du courant, qui affecte gravement les paramètres du moteur et de la pompe. Celles-ci ont été analysées par simulation via le modèle Matlab Simulink. Plus tard, les résultats sont vérifiés par un simulateur basé sur le matériel en boucle (HIL). Dans cet article, des modèles de réseau de neurones artificiels (ANN) et ANFIS (ANN et Fuzzy) basés sur l'apprentissage automatique (ML) ont été appliqués pour la détection de défauts. Les modèles basés sur ANN et ANFIS offrent un niveau de précision satisfaisant. Ces modèles fournissent des résultats de formation et de test précis. Sur la base de l'erreur quadratique moyenne (RMSE), de R2, de la précision de la prédiction et de la valeur de validation moyenne, ces modèles sont comparés pour déterminer celui qui convient le mieux à cette expérience. Différents algorithmes supervisés sont comparés à ANN, ANFIS, et enfin trouvé lequel est le plus adapté à cette expérience.

Le moteur à induction est un dispositif couramment utilisé, indispensable dans diverses industries et a reçu une attention accrue pour sa construction robuste, ses hautes performances, sa fiabilité et son coût de maintenance1. Tout type de défaut dans le moteur à induction a des conséquences dramatiques sur les appareils connectés au moteur et à l'ensemble du système. Si la pompe est connectée à un moteur à induction défectueux, la valeur de la tête changera, le débit changera et des vibrations colossales créeront de graves dommages2. Une panne de l'ensemble du système endommage le système et crée d'énormes pertes d'énergie, et des arrêts soudains et imprévus entraînent d'énormes coûts de maintenance. Il est rapporté qu'une défaillance de 30 à 40 % est observée dans les moteurs à induction pour un défaut entre spires du stator3. Il s'agit en fait d'un défaut électrique, et ce défaut électrique est très sensible, ce qui provoque de graves dommages. Seuls 10 à 20 % de défauts entre spires provoquent une augmentation massive du courant dans le moteur à induction, ce qui entraîne des pertes d'isolation dans les enroulements4. Les défauts électriques sont classés à la fois en défauts de stator et de rotor5. Le défaut de rotor que l'on voit dans le moteur à induction est une barre de rotor cassée. Les défauts du stator sont principalement au nombre de trois : défaut entre phases, défaut entre spires et défaut entre phases et terre. Parmi ceux-ci, le défaut inter-spires est important et critique6. Ce défaut entre spires gêne le fonctionnement du moteur à induction et le fonctionnement du pompage. Outre les défauts mécaniques et hydrauliques, le défaut électrique entrave également les performances de la pompe. Une pompe centrifuge est une machine rotative utilisée pour transférer un fluide à travers des tuyaux. L'arrêt soudain du système de pompage entraîne une énorme perte de maintenance7. Il a été analysé que 70% du coût de maintenance est perçu pour le système de pompage. Il est donc nécessaire d'améliorer la technologie de maintenance pour réduire les coûts. Diverses recherches ont été effectuées pour la détection de défauts entre spires dans les moteurs à induction. La tension entre les lignes, le point neutre et le point étoile du moteur ont été utilisés pour la détection des défauts. Celui-ci a été utilisé comme modèle du moteur et un déséquilibre a été créé en raison d'un défaut de court-circuit entre spires. Avant la panne totale et la détérioration importante des appareils, ce déséquilibre doit être identifié8. L'impédance de séquence négative a été estimée et utilisée comme indicateur de défaut dans la recherche. L'impendence de séquence négative a été observée en raison d'un déséquilibre dans le moteur. L'oscillation utilisée pour le courant de transformation Park a été utilisée pour la détection de défaut, qui a été créée pour le déséquilibre.

Pour identifier ce problème, une analyse vectorielle spatiale est nécessaire9. Un défaut électrique peut être détecté par l'analyse de la signature du courant du moteur (MCSA) et l'analyse des vibrations. Pour estimer l'impédance négative dans le moteur, la robustesse vis-à-vis de l'alimentation en tension déséquilibrée a été ajoutée comme approche10. Le spectre de fréquence et l'analyse de la transformation de Fourier rapide (FFT) sont également utiles pour la détection des défauts du moteur à induction. Les transformations de paquets Wavelet (WPT) et FFT ont été utilisées avec une sorte de classificateur dans certains travaux11,12.

Concernant les défauts du stator pour l'extraction des connaissances, des statistiques d'ordre supérieur (HOS) ont été utilisées. Pour les machines tournantes, la surveillance de l'état de la pompe peut analyser la tension d'alimentation, le courant, la puissance, le couple et la valeur de vitesse. Les défauts de la machine peuvent également être analysés et identifiés par analyse harmonique. Dans ce cas, le courant stator produit un courant harmonique instantané13. La technique d'estimation des paramètres effectue également le processus de surveillance de l'état de la pompe. Les fréquences harmoniques peuvent analyser la santé de la machine. Dans des conditions environnementales dangereuses et extrêmes où l'accès à la machine est difficile, comme les centrales nucléaires, les papeteries, les usines chimiques et les installations onshore et offshore, cette méthode est appliquée pour la surveillance de l'état des machines14,15. MCSA est une technique de surveillance des machines électriques avec de nombreuses applications, principalement dans l'industrie lourde. Il peut être utilisé pour détecter les défauts du moteur. Néanmoins, la limitation de cette méthode est qu'elle fonctionnera mieux si elle est utilisée en conjonction avec d'autres technologies telles que la transformation rapide de Fourier (FFT), la logique floue et l'analyse vectorielle de Park. Le dernier développement en matière d'intelligence artificielle (IA) est «l'apprentissage par transfert», qui peut détecter les schémas de défaillance de différents appareils. Cette technique peut être utilisée à la place du MCSA pour trouver des anomalies localisées et a été suggérée à la place du MCSA pour diagnostiquer les défauts de roulement. Défauts de rupture de turbine dans un moteur à induction16. Forêt aléatoire, machine à vecteurs de support, méthode d'apprentissage automatique extrême (ELM), réseau de neurones probabiliste ont été comparés sur la base de diverses fonctionnalités pour la détection de défauts de machines tournantes. Sur la base de la précision, il est constaté que lorsque la taille des données est limitée, la forêt aléatoire fonctionne mieux que les autres algorithmes17. Pour le diagnostic des défauts du système complexe, un réseau de modèles spatio-temporels (STPN) avec un réseau de neurones convolutifs (CNN) a été utilisé comme modèle hybride. Cette méthode d'apprentissage en profondeur a été utilisée pour l'analyse d'un ensemble de données sur les défauts de roulement en tant qu'étude de cas. Les performances de STPN-CNN ont été évaluées sur la base du taux de précision18. Le CNN et le réseau de neurones convolutionnels contradictoires profonds (DACNN) ont été utilisés pour le diagnostic des défauts mécaniques dans une étude. Le nouveau DACNN est utilisé pour capturer les caractéristiques invariantes du domaine. Sur la base de divers échantillons de formation et de 11 études de cas, un diagnostic de panne de boîte de vitesses a été effectué19. L'encodeur automatique profond a été utilisé pour l'analyse de divers dommages aux roulements dans les machines. L'unité linéaire exponentielle à l'échelle (SELU) a été utilisée pour améliorer la qualité des données de vibration pour l'analyse des défauts mécaniques. La technologie de transfert en profondeur peut rendre le système plus puissant et plus flexible20.

Cet article proposé présente le défaut entre spires du stator d'un système de pompage à moteur à induction triphasé. Le défaut inter-spires a été décrit ici comme un problème important et vital dans la plupart des secteurs industriels. La réduction des coûts d'exploitation et de maintenance est l'objectif principal de la plupart des industries, ce qui augmente l'importance de la surveillance de l'état de la machine. L'exigence d'équipements supplémentaires et les coûts de maintenance sont le fardeau des industries en raison de la panne soudaine des machines. La surveillance de l'état de l'enroulement de la machine est très importante pour éviter les pertes car un défaut entre spires endommage les enroulements. Dans cet article de recherche, le défaut global de l'enroulement du stator a été discuté dans les sections suivantes, et comment les paramètres du moteur et de la pompe sont affectés par le défaut du stator qui est également décrit. Étant donné que la surveillance et la prédiction continues de la détection des défauts sont possibles grâce aux algorithmes basés sur ML de la manière la mieux adaptée, les modèles ANN et ANFIS basés sur les algorithmes ML sont appliqués pour détecter les défauts de stator entre spires dans les systèmes de pompage à moteur à induction. Ces deux modèles sont utilisés dans la recherche proposée, et les performances des deux algorithmes ont été comparées. De plus, divers algorithmes supervisés sont comparés à ANN et ANFIS pour trouver un meilleur résultat. Certains travaux existants ont également été comparés avec ANN et ANFIS.

La recherche proposée a été effectuée sur la base de certaines équations mathématiques d'un système de pompage couplé à un moteur à induction. Ces équations sont appliquées pour construire le modèle Matlab Simulink d'un système de pompage basé sur un moteur à induction. Comme la création de défauts dans un système en temps réel cause des dommages importants, un modèle simulink basé sur des équations mathématiques a été développé pour analyser les situations saines et défectueuses. Dans un premier temps, le modèle a été analysé dans des conditions saines sans modifier aucune valeur de paramètre. Ensuite, pour analyser la situation défectueuse, l'enroulement de la phase A a été trié de telle sorte que le courant dans la phase A augmente soudainement, et il contribue également à augmenter le courant de la phase B et de la phase C. En raison des changements de valeur de courant, les valeurs de couple et de vitesse changent également, et les paramètres de la pompe tels que la pression et le débit sont forcés de changer lorsque la pompe est couplée au moteur à induction et fonctionne à la même vitesse jusqu'à trois niveaux de sous-titres sont autorisés. Les sous-titres ne doivent pas être numérotés.

Cette section décrit diverses équations qui expriment la tension, le courant et le flux du stator et du rotor du moteur à induction.

où

V représente la tension, je montre le courant, le flux est représenté par \({\lambda }_{i}\), ici, "s" et "r" représentent respectivement le stator et le rotor, a, b, c désignent les trois- système de phases. as1, as2 désignent respectivement les parties non défectueuses et défectueuses du stator. Ici P est l'opérateur de Laplace, l'opérateur dérivé \(\frac{d}{dt}\) est remplacé par P.

Ces équations montrent une partie court-circuitée de la tension d'enroulement du stator. β désigne un virage court.

La matrice de résistance est représentée par

Ici, les équations représentent l'inductance mutuelle et l'auto-inductance de l'enroulement du stator12,13,14.

β représente le nombre de tours dans la phase a, \({\theta }_{r}\) représente la position du rotor, Ls montre l'auto-inductance, Lr montre l'auto-inductance du rotor et Lsr représente l'inductance mutuelle du stator au rotor. L'eau est pompée à partir d'un réservoir d'eau à niveau constant et le système de pompage se compose d'un réservoir d'eau, d'un moteur à induction triphasé asynchrone et d'autres pièces. Le réservoir reçoit du liquide avec un débit d'entrée \(\mathrm{représenté \; par} {q}_{{v}_{1}}\) Le débit de sortie de la vanne de régulation est représenté par \({q}_{{v }_{2}}\). À l'aide de la mécanique des fluides et des lois fondamentales de la physique, une analyse de la dynamique des plantes a été effectuée et un modèle mathématique a été développé21. Ce modèle mathématique comprend les modèles mathématiques de la pompe centrifuge et du réservoir. La contrepartie de la loi de la force de Newton est que l'accélération angulaire est proportionnelle au couple sur l'axe. Ainsi, les équations montrent le mouvement du moteur et de la pompe.

J indique le moment d'inertie. Ici, le moment d'inertie est la constante de proportionnalité dans un cas spécifique. Le couple actif du moteur asynchrone est représenté par \({M}_{MT} \; \mathrm{et \; l'accélération \; le couple \; est \; représenté \; par} \; {M}_{a}\) , le couple passif ou résistif de la pompe est représenté par \(M_{p}\) et le couple visqueux est \(M_{\zeta }\)22. La fréquence du réseau est indiquée par f, et on suppose que le nombre de paires de pôles du stator est un. L'équation suivante montre le couple du moteur asynchrone.

Le couple visqueux et le couple passif peuvent être représentés par

L'équation 18 montre les paramètres de base de la pompe centrifuge, et le débit de la pompe est montré par Q, H montre la tête de pompe, et la vitesse angulaire est montrée par ω. La section transversale périphérique des canaux de la roue et la composante méridienne de la vitesse expriment le débit de la pompe. La valeur de la charge est proportionnelle à la vitesse angulaire, car le débit est proportionnel à la vitesse angulaire23.

Dans la dernière équation, le coefficient d'efficacité de la pompe est désigné par lequel est constant, et dans différents modes, il change dans une certaine mesure, reflétant les autres paramètres.

Le système d'exploitation total \(H_{Total}\) peut être défini comme

Ici, la charge statique est représentée par \({H}_{S}\), la charge dynamique est représentée par \({H}_{D}\), la pression à la surface de l'eau dans le réservoir de réception est représentée par \({P}_{RT}\), et la pression à la surface de l'eau dans le réservoir est représentée par \({P}_{RES}\)24.

Basé sur les changements de pression de la hauteur de la pompe et il est considéré comme une valeur négligeable. Mais la pression atmosphérique change avec l'altitude. L'équation montre le changement de pression et la différence d'altitude entre le réservoir et le réservoir de réception. Mais ce n'est pas si important et considéré comme négligeable.

L'équation sera donc

La différence entre le point de décharge et la surface du réservoir dans le réservoir de réception est la hauteur statique indiquée par \({H}_{S}\). La hauteur statique du système variera entre les valeurs de hauteur maximale et minimale car le niveau d'eau du réservoir varie également.

Ici, le niveau d'eau supérieur est TWL et le niveau d'eau inférieur est BWL.

Dans le système, à la suite d'une friction dynamique, une tête est générée. L'équation de base de Darcy Weisbach aide à calculer la charge dynamique

Ici, le coefficient de perte est représenté par K, la vitesse dans le tuyau est représentée par et l'accélération est \(g\).

Maintenant, la vitesse est représentée par

Ici, le débit est représenté par Q à travers le tuyau et la section transversale est représentée par A.

La zone A est représentée par

Le coefficient de perte K est une forme de deux éléments :

\({K}_{raccords}\) est représenté comme pompant l'eau du réservoir vers les raccords du réservoir récepteur utilisés pour les canalisations du système.

\({K}_{tuyau}\) est associé à la longueur du tuyau, au frottement et au diamètre du tuyau.

Ici, F indique le facteur de frottement, L indique la longueur du tuyau et D est le diamètre du tuyau. Par la version modifiée de l'équation de Colebrook White, le coefficient de frottement f peut être trouvé.

Ici, le facteur de rugosité est k et le nombre de Reynolds est Re. Le facteur de rugosité k est une valeur fixe standard collectée à partir de tableaux standard et dépend du matériau du tuyau et de l'état du tuyau. Pour tout écoulement dans la conduite, la formule suivante est utilisée pour le calcul du nombre de Reynolds25 :

\(\vartheta \) est la viscosité cinématique. Le fonctionnement du système de pompage est basé sur la loi d'affinité. La première loi d'affinité est représentée dans l'équation où le débit Q est proportionnel à la vitesse de l'arbre N.

Selon la deuxième loi d'affinité, la tête est proportionnelle au carré de la vitesse de l'arbre.

La puissance de la pompe peut être calculée comme

Ici, P est la puissance requise pour la pompe, H est la tête, \(g\) la gravité d'accélération et la densité de l'eau.

L'expérience a été réalisée avec un moteur à induction à cage d'écureuil triphasé, 50 Hz, 415 V, 0,75 HP couplé à une pompe centrifuge à base de VFD avec une vitesse de 2800 tr/min et une valeur de hauteur de 23,5 m. Dans des conditions saines, le moteur à induction triphasé ne produit que des courants directs et est symétrique. Lorsque la symétrie est perturbée pendant le défaut, elle génère des séquences positives, négatives et nulles. L'expérience a été réalisée en créant un défaut inter-tours dans le moteur à induction et en analysant les changements de paramètres à la fois pour le moteur et la pompe couplée. Un modèle Simulink d'un moteur à induction triphasé avec défaut de rotation dans un enroulement monophasé a été construit à l'aide du logiciel MATLAB. Le modèle Simulink a été développé car, expérimentalement, il est difficile de créer un défaut en raison d'un court-circuit d'une valeur de pourcentage élevée. Après avoir terminé le modèle développé, le modèle est vérifié à la fois dans des conditions saines et défectueuses. Dans différents niveaux de court-circuit dans un enroulement de phase, le modèle est simulé et les valeurs de courant de phase sont stockées dans l'espace de travail MATLAB. Le courant inverse, le courant inverse et les courants homopolaires sont calculés à partir de ces valeurs. L'étape suivante consiste à vérifier comment le défaut inter-spires affecte divers paramètres de la pompe couplée au moteur à induction. Après le processus de simulation, les résultats sont vérifiés par le simulateur temps réel OP5700 (matériel dans la boucle) pour validation. Dans une autre partie de l'expérience, des algorithmes ML ont été mis en œuvre sur des données de simulation collectées via MATLAB pour identifier et prédire les défauts dans les systèmes de pompage à moteur à induction et analyser quel algorithme convient pour détecter le défaut. Le modèle Simulink a été construit sur la base des équations mathématiques du "Modèle mathématique d'un système de pompage à moteur à induction". La figure 1 montre le schéma fonctionnel de la détection de défaut entre spires dans un système de pompage à moteur à induction.

Organigramme de la détection des défauts entre spires dans un système de pompage à moteur à induction.

Les détails du moteur à induction sont les suivants : la résistance du stator Rs est de 0,288 Ω, la résistance du rotor Rr est de 0,158 Ω, l'inductance du stator Ls et l'inductance du rotor Lr sont respectivement de 0,0425 H et 0,0438 H, l'inductance mutuelle Lm est de 0,0412 H et l'inertie J est de 0,4. Ici, le nombre de pôles est de 2.

Le paramètre d'entrée principal indique les changements par unité entre le courant de séquence positive et le courant de séquence négative pour la classification de la gravité du niveau de défaut dans les enroulements de phase.

Il n'y aura pas de court-circuit lorsque le système est en bon état. Mais lorsque le système est en condition de défaut, le courant inverse augmente une fois que le pourcentage de défaut de virage augmente. Dans la recherche proposée, jusqu'à 40% du défaut inter-tours a été mesuré. 40 %, la valeur de \(\delta \; \mathrm{varie \; de } \; 1 \; \mathrm{ à } \; 0,98, \; \mathrm{ pour \; court \; circuit \; niveau \                                                                                                                                  2 un moteur à induction couplé à une pompe. Le tableau 1 montre l'amplitude du courant de phase et du courant de composante de séquence.

Modèle Simulink de pompe centrifuge à moteur à induction.

Bien que le modèle de simulation ait été analysé de 0 à 40 % de défaut de court-circuit, les résultats HIL OP5700 ont été comparés entre un défaut sain et un défaut de court-circuit de 40 % pour vérifier la fluctuation la plus élevée dans des conditions de défaut extrêmes. Lorsque le défaut entre spires se produit, le courant de la phase A augmente et contribue à augmenter le courant de la phase B et de la phase C. Pendant les conditions de défaut, la réponse de couple du moteur souffre d'oscillations. Si les défauts se produisent, le moteur souffre d'énormes oscillations et lorsque des défauts entre les tours se produisent, le moteur fait face à d'énormes oscillations. Lorsque le pourcentage de rotation augmente, la valeur de couple augmente également et la valeur de vitesse diminue. Le moteur est couplé à la pompe de sorte que la vitesse est également transmise à la pompe, et une fois que la pompe fonctionne en condition de défaut, la valeur du débit augmente soudainement et la pression diminue. Maintenant, si la pression descend en dessous de la pression de vapeur, un problème de cavitation se produira, et une augmentation soudaine du débit crée un problème de vibration dans l'ensemble du système.

Les figures montrent la courbe de performance du courant, de la vitesse et du couple par rapport au temps et les courbes de la pompe pour le débit en fonction de la valeur de la hauteur, à la fois dans des conditions saines et défectueuses. Tous les résultats ont été obtenus à partir de l'appareil basé sur HIL OP5700, qui a vérifié les résultats de la simulation. Les figures 3a, b montrent l'état de défaut sain et de 40 % entre les spires du courant du stator. Le courant des phases A, B et C augmente lorsque le défaut se produit. Les figures 4a, b montrent la valeur de vitesse de la condition de défaut inter-tours saine et de 40 %.

(a) Courant du stator en bon état pour le moteur à induction. (b) Courant du stator après un défaut inter-tours de 40 % dans un moteur à induction.

(a) Vitesse du moteur à induction en bon état. (b) Vitesse pour le moteur à induction 40 % Un défaut inter-tours stator se produit.

De même, les Fig. 5a, b montrent la valeur de couple de condition de défaut inter-tours saine et de 40 %. Lors d'un défaut, le moteur de condition souffre d'oscillations. La taille des oscillations change lorsque le pourcentage de rotation augmente à la même condition de charge. À mesure que les oscillations augmentent la puissance nominale de la machine, l'oscillation du couple augmente également.

(a) Couple du moteur à induction en bon état. (b) Couple du moteur à induction en condition défectueuse.

La figure 3 montre que la valeur du courant augmente pour la phase A. Une fois qu'un défaut inter-spires se produit et si le nombre de spires augmente, la valeur du courant augmente également. L'augmentation du courant de la phase B et de la phase C est également accélérée. De même, les valeurs de vitesse et de couple augmentent également pendant les conditions de défaut, comme le montrent les Fig. 4 et 5. Une fois que la vitesse du moteur augmente, la vitesse de la pompe augmente également. L'augmentation de la vitesse entraîne une augmentation du débit et une diminution de la valeur de la tête. Les figures 6a,b montrent la courbe de performance de la pompe et la courbe du système en condition de défaut sain et de 40 % entre les spires. La figure 7 montre la configuration matérielle du dispositif HIL.

(a) Courbe de performance de la pompe et courbe du système en bon état (b) Courbe de performance de la pompe et courbe du système en condition de défaut inter-tours de 40 %.

Configuration matérielle du périphérique HIL.

Généralement, les algorithmes ML sont de deux types, supervisés et non supervisés, et les algorithmes supervisés ont des variables cibles qui sont formées à partir de la valeur prédite des variables d'entrée. La figure 8 montre le schéma fonctionnel généralisé de la recherche proposée après la collecte des données pour trouver l'algorithme le mieux adapté.

Schéma bloc de la recherche proposée pour choisir l'algorithme le mieux adapté.

La puissante technique ANN est utilisée pour le diagnostic du moteur à induction avec plus de précision. Le réseau de neurones (NN) est l'un des classificateurs de modèles. De nombreux problèmes peuvent être résolus en utilisant la classification des modèles de NN k, qui implique la reconnaissance de variables. Pour l'induction, le diagnostic de panne moteur ne peut pas être entièrement décrit ou prédit. L'algorithme de calcul basé sur un modèle mathématique est ANN qui se comporte comme le cerveau humain et le processus de réflexion. Il possède diverses fonctionnalités telles que des capacités similaires de traitement parallèle, d'auto-organisation, d'auto-apprentissage, de classification et de cartographie non linéaire. La combinaison de Fuzzy et ANN est ANFIS26,27, et elle est combinée pour améliorer la vitesse, la tolérance aux pannes, l'adaptabilité et pour obtenir un meilleur système de modélisation. Sur la base des valeurs RMSE, R2, il est possible de comparer quel algorithme convient à la détection de défauts entre spires dans un système de pompage à moteur à induction.

La détection des défauts entre spires dans les modèles de moteurs à induction ANN et ANFIS est proposée. Le système immunitaire artificiel pour ANN a un contrôle auto-adaptatif et fonctionne mieux pour une fonction non linéaire continue. Le processus peut être effectué par le biais d'une surveillance en ligne28. Les ANN sont hautement interconnectés et similaires au cerveau humain et suivent un processus d'apprentissage comme les êtres humains29. Les unités ont des interconnexions entre elles et ont des poids qui sont multipliés par les valeurs qui les traversent. L'unité a une entrée fixe connue sous le nom de biais ; chaque unité forme une somme pondérée où le biais est ajouté. La fonction de transfert analyse cette somme. La prédiction de NN dépend des données d'entraînement et de test. Le travail principal de l'algorithme ML est de faire l'extraction de caractéristiques. L'extraction de caractéristiques est l'outil important qui aide à classer les données de formation et de test pour l'analyse. Les caractéristiques les plus hybrides sont la racine carrée moyenne (RMS), la valeur d'aplatissement (KV), l'amplitude racine, la valeur crête à crête (PPV), l'écart type (SD), la valeur d'asymétrie (SV), le facteur de clairance, le facteur de crête (CF ), le facteur d'impulsion (IF), le facteur de forme (SF) et la valeur moyenne (MV). Ces caractéristiques statistiques aident à l'analyse de chaque signal dans des conditions saines et défectueuses. Des techniques d'extraction de caractéristiques sont utilisées pour l'analyse statistique afin de réduire la grande quantité d'informations contenues dans le signal actuel qui sont reflétées dans le signal global. Le signal de courant brut est utilisé pour la conversion de plusieurs fonctionnalités afin de prendre en charge un système intelligent pour analyser et classer les situations saines et défectueuses. Cette procédure globale est appelée extraction de caractéristiques. Les caractéristiques statistiques et les équations sont décrites dans le tableau 2 qui a été utilisé pour la recherche proposée.

Dans ces équations, x est le signal et N est le nombre d'échantillons. L'ANN est une technique puissante permettant d'identifier les défauts des moteurs à induction. Les réseaux de neurones sont des classificateurs de modèles et sont utilisés pour les problèmes de classification de modèles. Les réseaux de neurones les plus couramment utilisés sont le réseau multicouche feedforward ou la méthode Levenberg Marquardt. Dans la recherche proposée, la méthode Levenberg Marquardt a été utilisée.

Le succès de la formation dépend grandement de la bonne sélection des intrants30. Le processus d'apprentissage utilise des données de test et NN construit un mappage entrée-sortie. L'itération basée sur la minimisation ou l'optimisation de certaines erreurs mesurées entre la sortie produite et la sortie souhaitée peut ajuster les poids et le biais. Ce processus est répété jusqu'à ce qu'un critère de convergence acceptable soit obtenu. NN se compose des couches d'entrée, cachée et de sortie, comme illustré à la Fig. 9. La couche de sortie se compose de six neurones comme l'état de santé, 5 tours de court-circuit, 10 tours de court-circuit, 20 tours de court-circuit, 30 tours de court-circuit et Court-circuit de 40 tours. L'algorithme peut choisir le nombre de couches cachées par un processus d'essais et d'erreurs.

Schéma fonctionnel du réseau de neurones.

Comme le paramètre de courant est la principale raison du défaut entre spires, les courants du stator sont collectés dans des conditions saines et défectueuses, telles que différentes conditions de spires en court-circuit. Ensuite les courants doivent être convertis en qd trame. Les signaux de courant sont prétraités à l'aide d'extractions de caractéristiques et ces caractéristiques sont transmises aux classificateurs pour le diagnostic des défauts du moteur à induction. Le premier cas, l'expérience a été réalisée dans des conditions saines et les données actuelles ont été collectées. Ensuite, les données de courant des conditions de 5, 10, 20, 30 et 40 tours ont été collectées pendant les conditions de défaut. Les courants triphasés sont convertis en trame qd par transformation commis. Les 5000 échantillons ont été collectés pour la durée de chaque signal de 0,2 s. Chaque signal a été divisé en 50 segments de 1000 échantillons. L'extraction de caractéristiques est nécessaire pour le traitement des signaux de données brutes, puis six caractéristiques ont été extraites de ces segments et comme il y avait deux signaux, un total de 12 dimensions de l'ensemble de données a été formé. La dimension totale de l'ensemble de données est \(12 \times 300\). Ces caractéristiques ont été utilisées comme caractéristiques d'entrée des réseaux de neurones. L'ensemble de données a ensuite été divisé en un ensemble de données d'apprentissage, un ensemble de validation croisée et un ensemble de données de test. L'ensemble de données de formation est de 70 %, 15 % pour la validation croisée et 15 % pour l'ensemble de données de test indiqué dans le tableau 3. L'ensemble de données de formation a été utilisé pour former le modèle et l'ensemble de données de validation croisée et de test a été utilisé pour évaluer la performance du classificateur pour connaître la précision du modèle. L'erreur quadratique moyenne a été calculée via le réseau pour ajuster le poids et trouver le taux de précision ultime grâce à un ensemble de données d'entraînement et de test.

La rétropropagation de Levenberg Marquardt est choisie à des fins de formation, et les données de formation et de test aident à obtenir l'erreur quadratique minimale moyenne (MSE) pour ANN. Les valeurs MSE moyennes concernant les éléments de traitement présents dans la couche cachée sont indiquées dans les tableaux 4 et 5. En ce qui concerne les éléments de traitement, le pourcentage de précision des couches cachées est indiqué pour des conditions de défaut de virage saines et différentes dans les tableaux 4, 5, fig. 10 et 11. Dans la plupart des cas, les tableaux 4 et 5 et les figures montrent que la précision est de 100 pour les conditions saines et défectueuses à la fois pour l'apprentissage, la validation croisée et l'ensemble de données de test.

Pourcentage de précision par rapport au traitement des éléments dans des conditions saines et défectueuses (ensemble de données d'entraînement).

Pourcentage de précision en ce qui concerne le traitement des éléments dans des conditions saines et défectueuses (validation croisée et ensemble de données de test).

Un système intelligent La technique Neuro-Flou ANFIS est utilisée pour modéliser et contrôler des systèmes mal définis et incertains. Les paires de données d'entrée/sortie du système considéré construisent ANFIS. ANFIS est la combinaison d'ANN et Fuzzy, qui est utilisée pour la capacité d'apprentissage du système flou. L'ANFIS se compose de cinq couches31,32. La couche 1 est la couche de fuzzification qui calcule la fonction d'appartenance. La couche 2 représente la couche de règles, dont la sortie est la puissance de tir de chaque nœud. La couche 3 met en évidence la couche de normalisation, qui normalise la force de tir calculée. La couche 4 montre la couche résultante, dont la couche de sortie est le produit de la force de tir normalisée et du polynôme résultant des règles floues. La couche 5 montre la sortie globale et définit la couche de défuzzification, dont la sortie est la sortie ANFIS globale. Les problèmes de changements continus dans les environnements d'apprentissage mobile sont résolus par l'ANFIS33. Le modèle ANFIS proposé peut être utilisé pour modéliser le contexte de l'apprenant. La définition des valeurs d'entrée et de sortie, les ensembles flous pour les valeurs d'entrée, les règles floues et la création et la formation du NN sont les étapes appliquant l'ANFIS au modèle d'apprenant34. Ici aussi, les courants de stator sont collectés et transformés en trame qd par la transformation de commis. Le modèle ANFIS utilise la transformation discrète en ondelettes (DWT) ou la transformation continue en ondelettes (CWT). Le CWT est un concept similaire à la FFT, mais il utilise le nombre d'ondelettes comme fonction au lieu de la fonction sinus et cosinus. L'ondelette se compose de deux paramètres tels que l'échelle et la translation et le signal est affiché dans un plan d'échelle de temps bidimensionnel au lieu d'un plan unidimensionnel. L'éq. (35) montre la fonction CWT.

Ici Wx est la transformée en ondelettes liée à deux paramètres et ici a est le paramètre d'échelle et b apparaît comme paramètre de temps. ϕ est la fonction d'ondelettes et x (t) est le signal d'origine. DWT est utilisé pour collecter les défauts du rotor et il est principalement utilisé pour l'extraction de caractéristiques dans la recherche proposée. Les modèles ANN et ANFIS sont implémentés et comparés dans le travail proposé pour trouver une meilleure performance. R2 et l'erreur quadratique moyenne (RMSE) sont utilisées pour trouver le modèle le mieux adapté pour la détection des défauts des systèmes de pompage à moteur à induction. RMSE et R2 sont utilisés pour l'analyse des défauts pour ANFIS principalement. Sur la base de DWT, l'évaluation des performances peut être effectuée (tableau 6).

Identique à ANN pour ANFIS, 5000 échantillons de données ont également été collectés puis divisés en 100 sections avec 500 échantillons pour chaque section. Ces 100 sections sont utilisées pour l'extraction de caractéristiques. 100 échantillons sont utilisés pour chaque condition, telle qu'une condition saine ou une condition de défaut de rotation. Au total, pour six conditions, 600 échantillons ont été formés. Parmi ces échantillons, 300 ont été utilisés à des fins de formation et 300 échantillons ont été utilisés à des fins de test (tableau 7).

Le tableau 8 montre la valeur RMSE pour les données d'entraînement et de test dans différentes conditions.

Les performances des modèles ANN et ANFIS obtenus sont également comparées après la construction du modèle. RMSE et R2 ont des valeurs statistiques comparatives pour les modèles ANN et ANFIS, qui sont données dans le tableau 9. Les données de validation du modèle sont de 0,05. La précision de la prédiction est également mesurée par R2 et RMSE. La précision de la prédiction pour ANN (R2 est de 100 et RMSE est de 0,054) est meilleure que celle du modèle ANFIS (R2 est de 96,91 et RMSE est de 0,121). C'est la comparaison moyenne des conditions totales.

Les modèles ANN et ANFIS ont tous deux bien fonctionné et sont compatibles pour la détection des défauts et capables de prédire le défaut. Cependant, sur la base du RMSE et du R2 des données d'entraînement et de test, ANN a obtenu de meilleurs résultats que l'ANFIS dans l'expérience proposée. Le modèle ANN a été appliqué jusqu'à 200 époques, et la meilleure validation a été reçue à 150 époques. La figure 12 montre la meilleure valeur d'ajustement du modèle proposé d'ANN en ce qui concerne la formation, les tests, la validation et les valeurs globales.

Meilleure sortie d'ajustement du modèle ANN.

Divers travaux antérieurs ont été réalisés pour la détection de défauts entre spires de moteurs à induction et de systèmes de pompage à moteur. Jusqu'à présent, la recherche sur le défaut inter-tours du moteur à induction n'a analysé que les changements des paramètres du moteur à induction après que le défaut se soit produit. Mais lorsque le moteur est confronté à un problème de défaut inter-tours, la pompe couplée est également affectée, et les paramètres de la pompe changent également. Dans la recherche proposée, y compris le changement des paramètres du moteur affectés par les défauts inter-tours, le changement des paramètres de la pompe a également été analysé. Un algorithme de transformation de coordonnées de courant pour l'analyse des défauts entre spires dans un moteur à induction a été développé. Le studio de développement Mexbios a été créé pour analyser les changements de paramètres dans le moteur à induction lors d'une condition de panne. Bien que cela soit possible à mettre en œuvre dans des applications industrielles, ce processus ne peut pas prédire le défaut avant qu'il ne se produise et que des dommages majeurs ne soient constatés35. Le modèle proposé est un processus simple, facile et utile pour moins de données et prédit le défaut avant une défaillance massive. L'algorithme ANN pour la détection des défauts entre spires dans le moteur à induction par rapport à différentes spires a été utilisé. L'expérience a créé jusqu'à 10 % de défaut entre les spires et des changements de courant de la phase A ont été obtenus. L'expérience a analysé le changement d'unité du courant de séquence positive à partir du courant de séquence négative. L'expérience a été faite jusqu'à 54 époques. Ici, une analyse expérimentale a été effectuée pour un petit niveau de valeurs36. Le modèle NN dans trois conditions différentes : sans charge, 50 % de charge et pleine charge pour cinq moteurs différents pour l'analyse des défauts inter-tours a été développé. Jusqu'à 15 % de défauts entre spires ont été développés et le taux de précision du modèle NN pour divers moteurs variait de 88 à 99 %37. La nouvelle analyse par ondelettes a été développée dans une recherche.

Le modèle a été construit pour analyser les défauts inter-spires sur la base d'une transformation en ondelettes discrètes utilisant la transformation vectorielle de Park. L'analyse des performances a été effectuée pour des conditions de défaut de virage saines et diverses. La MSE a été obtenue pour l'analyse de la précision des performances des situations saines et défectueuses38. D'autres recherches sont basées sur l'analyse FFT et la transformation de Park, mais ces recherches ne sont pas adaptées aux modèles de contrôle prédictif et ne sont pas utiles pour les applications industrielles lourdes39. La méthode proposée d'ANN a été utilisée dans la recherche actuelle, qui a développé le modèle Matlab pour analyser les changements de paramètres du moteur à induction et de la pompe lors d'un défaut inter-tours. Comme il s'agit du modèle Simulink, il est possible de créer une plage si élevée allant jusqu'à 40 % de défaut inter-spires pour l'analyse.

Ici, les modèles ANN et ANFIS ont été implémentés dans les résultats expérimentaux, et il a été constaté que les performances de l'ANN sont meilleures que celles du modèle ANFIS.

De même, les auteurs ont également mis en œuvre divers algorithmes ML supervisés tels que SVM, K-NN, Arbre de décision, Naïve Bayes, Analyse de régression avec ANN et ANFIS. Sur la base du taux de précision, de la vitesse de prédiction et du temps de formation, les algorithmes sont comparés pour trouver l'algorithme le plus approprié pour cette expérience. Généralement, les algorithmes ML ont des variables cibles qui doivent être prédites à partir de variables indépendantes, et ces variables génèrent des fonctions pour le mappage de l'entrée afin d'obtenir la sortie souhaitée. Après ce processus de formation doit être fait pour une meilleure réussite et pour plus de précision. Le processus de formation se poursuit jusqu'à ce que le taux de précision souhaité soit obtenu. Aucune variable cible n'est requise pour l'apprentissage non supervisé car il suit le processus de regroupement. SVM est un algorithme de reconnaissance de formes bien connu principalement utilisé pour la classification et la régression.

SVM a un hyperplan et une marge en séparant l'ensemble de données et en effectuant la tâche de classification. L'hyperplan optimal dans le SVM maximise la largeur de l'hyperplan pour éviter le chevauchement des classes ; c'est le processus de classification. Les marges sont classées entre les marges dures et les marges souples. Étant donné que le présent diagnostic traite du problème de classification non linéaire, une marge souple est utilisée. La précision des SVM dépend de trois facteurs : la fonction de seuil, la fonction de coût et la fonction du noyau. K-NN est un algorithme d'apprentissage polyvalent non paramétrique également utilisé pour les problèmes de classification et de régression. Au lieu d'apprendre la fonction discriminative, l'algorithme mémorise l'ensemble de données d'apprentissage. En minimisant l'ensemble de formation, l'apprentissage basé sur l'intensité aide à éviter les erreurs. Les inconvénients de K-NN sont un stockage de mémoire suffisant, un long temps de prédiction et une sensibilité inutile aux fonctionnalités non pertinentes. Mais lorsque la taille des données est limitée, K-NN fonctionne mieux que tout autre algorithme d'apprentissage supervisé. Un modèle de classification dendritique d'arbre de décision est utilisé à la fois pour les problèmes de classification et de régression. En divisant en sous-ensembles plus petits, le processus de classification peut être effectué et, sur cette base, la sélection des fonctionnalités peut être effectuée. La structure finale ressemble à des branches d'arbres et chaque nœud met en évidence la fonctionnalité. L'analyse de régression fournit une équation utilisateur pour le graphique pour la prédiction des données. Il affiche toujours la valeur moyenne pondérée à des fins de prédiction. Grâce à l'analyse statistique, il peut prédire la sortie précise. La plupart des cours statistiques élémentaires couvrent des techniques fondamentales, telles que la création de diagrammes de dispersion et la réalisation d'une régression linéaire. L'algorithme le plus approprié peut être trouvé en fonction du taux de précision global, de la vitesse de prédiction et du temps d'entraînement.

Pour l'expérience, les caractéristiques sont divisées en deux catégories au hasard dans le rapport de 70:30. Dans la plupart des cas, 70 % des données sont utilisées à des fins de formation et 30 % sont utilisées pour tester les données en vue de leur évaluation. Pour tous les algorithmes, la règle est la même. La taille des données de l'échantillon est de 5000 comme ANN et ANFIS. À des fins d'extraction de caractéristiques, 300 échantillons de données ont été formés pour une meilleure analyse. Parmi ceux-ci, 70 % sont utilisés à des fins de formation, 15 % pour la validation croisée et 15 % restants à des fins de test. L'ensemble du diagnostic est effectué via les applications d'apprentissage de reconnaissance et de classification des formes MATLAB. Sur la base de l'évaluation, le taux de précision de chaque algorithme est obtenu à l'aide de la formule. À l'aide de l'application d'apprentissage de la classification, le taux de précision, la vitesse de prédiction et le temps de formation de chaque algorithme ont été analysés et comparés.

D'après le tableau 10, on voit que les performances du K-NN et de l'ANN sont meilleures pour cette recherche. Mais sur la base du taux de précision, de la vitesse de prédiction et du temps de formation, K-NN est plus approprié que ANN. La figure 13 illustre la précision globale des algorithmes ML.

Précision globale de divers algorithmes ML.

Cet article explique l'analyse des défauts inter-tours du système de pompage à moteur à induction, et les changements de paramètres pendant les situations de défaut dans différentes conditions de virage ont été montrés. Les résultats de la simulation ont été vérifiés via le dispositif basé sur la boucle HIL (OP5700) et le courant de phase du moteur augmente lorsque le défaut se produit. Une fois que le courant augmente, la vitesse et le couple augmentent également, affectant le système de pompage. La vitesse aide à augmenter soudainement le débit de la pompe et provoque une énorme chute de pression et une diminution de la valeur de la tête. Si la pression chute considérablement, un problème de cavitation se produit et une augmentation soudaine du débit provoque d'énormes vibrations dans le tuyau, ce qui provoque un problème de coup de bélier. Dans cette recherche, dans un premier temps, l'identification et la prédiction du défaut des modèles basés sur les algorithmes ANN et ANFIS ont été réalisées. Les deux techniques sont utilisées et on constate que l'ANN fonctionne mieux que l'ANFIS, sur la base des valeurs RMSE et R2. Divers autres travaux de recherche sont également comparés au travail proposé pour découvrir le nouveau développement du travail proposé. On observe que la recherche proposée est adaptée à une application industrielle et peut facilement identifier la condition défectueuse pour une grande quantité de données. À l'avenir, l'ANN aurait été utilisé pour d'autres détections de défauts dans les systèmes de moteur et de pompage et pour d'autres machines et peut devenir une technique de diagnostic complète. Les auteurs ont également comparé divers algorithmes ML avec ANN et ANFIS, parmi lesquels, sur la base du taux de précision, de la vitesse de prédiction et du temps de formation, on constate que K-NN et ANN peuvent mieux fonctionner pour la recherche proposée. Mais sur la base du taux de précision global, K-NN fonctionne mieux que ANN. De plus, le déploiement de la technique développée dans un environnement de laboratoire est une extension du présent travail. D'autres recherches sont possibles grâce au dispositif OP5700 basé sur HIL pour vérifier les résultats de la simulation.

Toutes les données générées ou analysées au cours de cette étude sont incluses dans cet article publié [et ses fichiers d'informations supplémentaires]. Dans le fichier supplémentaire, toutes les données sous forme de tableau ont été ajoutées. De plus, si quelqu'un souhaite demander les données de cette étude, il doit contacter l'auteur correspondant ou le premier auteur.

Neti, P., Subhasis, N. Analyse des défauts inter-tours du stator du moteur synchrone à réluctance. Dans Conférence canadienne de génie électrique et informatique, 2005, 1283–1286. (IEEE, 2005).

Obeid, NH, Thierry, B. & Babak, N.-M. Modélisation et diagnostic des défauts interspires naissants pour un moteur synchrone triphasé à aimants permanents. IEEE Trans. Ind. Appl. 52(5), 4426–4434 (2016).

Article Google Scholar

Gao, F., Zhang, G., Li, M., Gao, Y. & Zhuang, S. Identification des défauts inter-tours d'un moteur synchrone à aimants permanents monté en surface basé sur les harmoniques de l'onduleur. Énergies 13(4), 899 (2020).

Article Google Scholar

Maraaba, LS, Twaha, S., Memon, A. & Al-Hamouz, Z. Reconnaissance du défaut inter-tours de l'enroulement du stator dans le LSPMSM à montage intérieur à l'aide de signaux acoustiques. Symétrie 12(8), 1370 (2020).

Article Google Scholar

Yassa, N. & Rachek, M. Modélisation et détection du défaut inter-tours de l'enroulement du stator des moteurs synchrones à aimants permanents à l'aide de l'analyse de la signature du courant du stator. Mathématiques. Calcul. Simul. 167, 325–339 (2020).

Article MathSciNetGoogle Scholar

Kim, B.-W., Kim, K.-T. & Hur, J. Modélisation et analyse simplifiées de l'impédance pour les défauts entre spires du moteur BLDC de type IPM. J. Électron de puissance. 12(1), 10–18 (2012).

Article Google Scholar

Kalaskar, CS & Gond, VJ Analyse de la signature du courant du moteur pour détecter le défaut du moteur à induction. Int. J.Eng. Rés. Appl. 4(6), 58–61 (2014).

Google Scholar

Mohanty, AR, Prasanta, KP, Nitaigour, PM & Sabyasachi, GD Détection de défauts dans une pompe centrifuge à l'aide de l'analyse des vibrations et de la signature du courant moteur. Int. J. Autom. Contrôle 6(3–4), 261–276 (2012).

Article Google Scholar

Orrù, PF et al. Approche d'apprentissage automatique utilisant les algorithmes MLP et SVM pour la prédiction de panne d'une pompe centrifuge dans l'industrie pétrolière et gazière. Durabilité 12(11), 4776 (2020).

Article Google Scholar

Sołjan, Z., Hołdyński, G. & Zajkowski, M. Minimisation basée sur CPC des compensateurs d'équilibrage dans les systèmes asymétriques non sinusoïdaux à quatre fils. Énergies 14(7), 1815 (2021).

Article Google Scholar

Ranganatha Chakravarthy, HS, Bharadwaj, SC, Umashankar, S., Padmanaban, S., Dutta, N., Bo Holm-Nielsen, J. Détection de défauts électriques à l'aide d'un algorithme d'apprentissage automatique pour les pompes à eau centrifuges. En 2019 Conférence internationale IEEE sur l'environnement et le génie électrique et 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), 1–6. (IEEE, 2019).

Dutta, N., Palanisamy, K., Umashankar, S. Effet des problèmes de vibration du moteur sur la qualité de l'alimentation du pompage de l'eau à la résidence. Dans IOP Conference Series: Materials Science and Engineering, vol. 937, non. 1, 012019. (Éditions IOP, 2020).

Arun Shankar, VK et al. Étude expérimentale des signatures de puissance pour la cavitation et les coups de bélier dans un système de pompage parallèle industriel. Énergies 12(7), 1351 (2019).

Article Google Scholar

Jain, G. & Umashankar, S. Modélisation et simulation d'un moteur à induction solaire photovoltaïque alimenté pour une application de pompage d'eau à l'aide de l'algorithme perturb et observer MPPT. En 2016, Conférence internationale sur les technologies écoénergétiques pour la durabilité (ICEETS), 250–254. (IEEE, 2016).

Nabanita, D., Sreedhar, S., Neha, Z., Onkar, B., Pratik, P., Raja Singh, R. Analyse des défauts inter-tours sur une machine à induction à rotor bobiné. Dans IOP Conference Series: Materials Science and 2019, Engineering, vol. 623, non. 1, 012016. (Éditions IOP, 2019).

Hussein, HA, Taha, M., Ammar, E. & Moustafa Hassan, MA Le stator du moteur à induction triphasé tourne l'analyse des défauts basée sur l'intelligence artificielle. Int. J. Syst. Dyn. Appl. IJSDA. 6(3), 1–19 (2017).

Google Scholar

Han, Te., Jiang, D., Zhao, Qi., Wang, L. et Yin, K. Comparaison d'une forêt aléatoire, de réseaux de neurones artificiels et d'une machine à vecteurs de support pour le diagnostic intelligent des machines tournantes. Trans. Inst. Mes. Contrôle. 40(8), 2681–2693 (2018).

Article Google Scholar

Han, Te., Liu, C., Linjiang, Wu., Sarkar, S. & Jiang, D. Une approche adaptative d'apprentissage des caractéristiques spatio-temporelles pour le diagnostic des défauts dans les systèmes complexes. Mech. Syst. Processus de signalisation. 117, 170-187 (2019).

Annonces d'article Google Scholar

Han, Te., Liu, C., Yang, W. et Jiang, D. Un nouveau cadre d'apprentissage contradictoire dans un réseau de neurones à convolution profonde pour le diagnostic intelligent des défauts mécaniques. Syst. 165, 474–487 (2019).

Article Google Scholar

Zhiyi, He., Haidong, S., Lin, J., Junsheng, C. & Yang, Yu. Transférer le diagnostic des défauts des roulements installés dans différentes machines à l'aide d'un encodeur automatique profond amélioré. Mesure 152, 107393 (2020).

Article Google Scholar

Skowron, M., Orlowska-Kowalska, T., Wolkiewicz, M. et Kowalski, CT. Énergies 13(6), 1475 (2020).

Article Google Scholar

Salih, HR, Ali, AA & Basarab, DG Modélisation dynamique du système d'entraînement de la pompe à l'aide du programme simulink/MATLAB. Int. Rés. J.Eng. Technol. IRJET 3(1), 21–24 (2016).

Google Scholar

Husari, F. & Jeevanand, S. Détection des défauts intertours naissants et évaluation de la gravité dans le système d'entraînement électrique à l'aide d'un modèle hybride basé sur HCNN-SVM. IEEE Trans. Ind. Inform. 18, 1823–1832 (2021).

Article Google Scholar

Ostojic, P., Arijit, B., Dhaval, P., Wrichik, B., Shahid, A. Surveillance et diagnostic avancés des moteurs. Dans Industry Applications Society 60th Annual Petroleum and Chemical Industry Conference, 1–9. (IEEE, 2013).

Haroun, S., Nait Seghir, A., Touati, S. Approche de détection et de discrimination des défauts intertours et des déséquilibres de tension du stator pour une pompe primaire. Dans 3e Conférence internationale sur les systèmes et le contrôle, 99–104. (IEEE, 2013).

Mohamed, MA et al. Modélisation de diagnostic pour les défauts de moteur à induction via l'algorithme ANFIS et l'extraction de caractéristiques basée sur DWT. Appl. Sci. 11(19), 9115 (2021).

Article CAS Google Scholar

Rajeswari, R. & Kamaraj, N. Diagnostic d'un défaut inter-tours dans le stator d'un générateur synchrone à l'aide d'un ANFIS basé sur des ondelettes. Monde Acad. Sci. Ing. Technol. 36, 203-209 (2007).

Google Scholar

Panda, S., Mishra, DP, Dash, SN Comparaison des techniques ANFIS et ANN dans la classification et la localisation des défauts dans les longues lignes de transmission. En 2018, Conférence internationale sur les innovations récentes en génie électrique, électronique et des communications (ICRIEECE), 1112–1117. (IEEE, 2018).

Esakimuthu, P., Shrinathan, YM et Hisahide, N. Une étude comparative entre l'algorithme d'apprentissage automatique et le réseau neuronal d'intelligence artificielle dans la détection des défauts mineurs de roulement des moteurs à induction. Énergies 12(11), 2105 (2019).

Article Google Scholar

Duan, F. & Rastko, Z. Un modèle de moteur à induction avec défauts de stator. En 2012, 22e Conférence sur l'ingénierie énergétique des universités australasiennes (AUPEC), 1–5. (IEEE, 2012).

Samanta, S., Bera, N. et Sarkar, G., Un système intelligent de diagnostic de défaut basé sur le neuro flou adaptatif pour la détection de la gravité et de la phase de la machine à induction. Dans Conférences sur la modélisation et la simulation, 41–51.

Ghafari, SH Un système de diagnostic des pannes pour les machines rotatives pris en charge par des roulements à éléments roulants. (Université de Waterloo, 2007).

Solodkiy, E., Dmitry, D. et Saveliy, S. Détection d'un court-circuit entre spires du stator dans un moteur à induction triphasé à l'aide d'une transformation de coordonnées de courant. En 2019, 26e atelier international sur les entraînements électriques : amélioration de l'efficacité des entraînements électriques (IWED), 1–4. (IEEE, 2019).

Ghorbanzadeh, O., Blaschke, T., Aryal, J. & Gholaminia, K. Une nouvelle technique basée sur le SIG utilisant un système d'inférence neuro-floue adaptatif pour la cartographie de la susceptibilité à l'affaissement des terres. J. Spat. Sci. 65(3), 401–418 (2020).

Article Google Scholar

Rajamany, G., Sekar, S., Krishnan, R. & Ramesh, KN Détection des défauts de court-circuit entre les tours du stator du moteur à induction conformément aux composants de séquence de courant de ligne utilisant un réseau neuronal artificiel. J. Electr. Calcul. Ing. 2019, 1–12 (2019).

Maraaba, L., Al-Hamouz, Z. & Abido, M. Un outil efficace de diagnostic des défauts inter-tours du stator pour les moteurs à induction. Énergies 11(3), 653 (2018).

Article Google Scholar

Umashankar, S., Sanjeevikumar, P. et Paramasivam, S. Système d'inférence neuro-flou adaptatif (anfis) basé sur le contrôle direct du couple de la pompe centrifuge entraînée par pmsm. (2017).

Babaa, F. & Bennis, O. Un modèle précis de défauts de court-circuit entre spires dédié aux moteurs à induction. Int. J. Electr. Calcul. Ing. 11(1), 9 (2021).

Google Scholar

Irfan, M. & Glowacz, A. Conception d'une nouvelle technique de diagnostic électrique pour l'analyse des défauts des pompes centrifuges. Appl. Sci. 9(23), 5093 (2019).

Article Google Scholar

Télécharger les références

Les auteurs tiennent à exprimer leur sincère gratitude au laboratoire Danfoss Advanced Drives, VIT University, pour avoir fait de cette recherche un travail d'exécution et de mise en œuvre technique en temps réel. Il s'agit du projet collaboratif conjoint industrie-université pour une solution de pompage industriel. La collaboration est entre VIT Vellore et l'industrie Danfoss Pvt Ltd.

Il n'existe aucune source de financement pour cette activité de recherche.

Ces auteurs ont contribué à parts égales : Nabanita Dutta, Palanisamy Kaliannan et Paramasivam Shanmugam.

Département d'énergie et d'électronique de puissance, École de génie électrique, Vellore Institute of Technology, Vellore, 632014, Inde

Nabanita Dutta & Palanisamy Kaliannan

Esab India Limited, Chennai, Inde

Paramasivam Shanmugam

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

ND, PK ont effectué l'analyse des défauts inter-tours dans le système de pompage centrifuge à moteur à induction. L'expertise dans le domaine des entraînements, du contrôle et de l'analyse des défauts dans les systèmes de pompage utilisant des VFD et des pompes à moteur à induction a été partagée par PS. Tous les auteurs ont également contribué à articuler le travail de recherche pour sa description finale en tant que document de recherche complet.

Correspondance à Palanisamy Kaliannan.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Dutta, N., Kaliannan, P. & Shanmugam, P. Application de l'apprentissage automatique pour la détection des défauts entre les tours dans le système de pompage. Sci Rep 12, 12906 (2022). https://doi.org/10.1038/s41598-022-16987-6

Télécharger la citation

Reçu : 17 février 2022

Accepté : 19 juillet 2022

Publié: 28 juillet 2022

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.