Aplicación de aprendizaje automático para la detección de fallas entre turnos en el sistema de bombeo

Jul 15, 2023

Scientific Reports volumen 12, Número de artículo: 12906 (2022) Citar este artículo

1589 Accesos

3 citas

3 Altmetric

Detalles de métricas

El diagnóstico de fallas de la bomba es esencial para el mantenimiento y la seguridad del dispositivo, ya que es un dispositivo importante utilizado en varios sectores importantes. El diagnóstico de fallas en el momento adecuado puede reducir los costos de mantenimiento y ahorrar energía. Este artículo utiliza un modelo de Simulink basado en ecuaciones matemáticas para analizar los efectos de la estimación de parámetros de bombas centrífugas basadas en motores de inducción trifásicos en condiciones de falla entre vueltas. La falla entre vueltas provoca una entrada masiva, un aumento masivo de la corriente, que afecta severamente los parámetros tanto del motor como de la bomba. Estos han sido analizados por simulación a través del modelo Matlab Simulink. Posteriormente, los resultados son verificados por un simulador basado en hardware en bucle (HIL). En este documento, se han aplicado modelos de redes neuronales artificiales (ANN) y ANFIS (ANN y Fuzzy) basados ​​en aprendizaje automático (ML) para la detección de fallas. Los modelos basados ​​en ANN y ANFIS proporcionan un nivel de precisión satisfactorio. Estos modelos proporcionan resultados precisos de entrenamiento y pruebas. Basado en el error cuadrático medio (RMSE), R2, precisión de predicción y valor de validación medio, estos modelos se comparan para averiguar cuál es más adecuado para este experimento. Se comparan varios algoritmos supervisados ​​con ANN, ANFIS y, por último, se encuentra cuál es el más adecuado para este experimento.

El motor de inducción es un dispositivo de uso común indispensable para diversas industrias y ha recibido una mayor atención por su construcción robusta, alto rendimiento, confiabilidad y costo de mantenimiento1. Cualquier tipo de falla en el motor de inducción provoca consecuencias drásticas en los dispositivos conectados con el motor y todo el sistema. Si la bomba está conectada con un motor de inducción defectuoso, el valor de cabeza cambiará, el caudal cambiará y la vibración colosal creará daños severos2. La avería de todo el sistema provoca daños en el sistema y crea una enorme pérdida de energía, y el tiempo de inactividad repentino no planificado provoca enormes costos de mantenimiento. Se informa que se observa un 30–40% de fallas en los motores de inducción por fallas entre espiras del estator3. En realidad, se trata de una falla eléctrica, y esta falla eléctrica es muy sensible, lo que provoca daños graves. Solo entre un 10 y un 20 % de los fallos entre espiras provoca un aumento masivo de la corriente en el motor de inducción, lo que provoca pérdidas de aislamiento en los devanados4. Las fallas eléctricas se clasifican como fallas del estator y del rotor5. La falla del rotor que se ve en el motor de inducción es una barra de rotor rota. Las fallas del estator son principalmente tres: falla de fase a fase, falla entre vueltas y falla de fase a tierra. Entre ellos, la falla entre vueltas es significativa y crítica6. Esta falla entre vueltas dificulta la operación del motor de inducción y la operación de bombeo. Además de las fallas mecánicas e hidráulicas, la falla eléctrica también dificulta el rendimiento de la bomba. Una bomba centrífuga es una máquina giratoria que se utiliza para transferir fluidos a través de tuberías. El apagado repentino del sistema de bombeo provoca una enorme pérdida de mantenimiento7. Se ha analizado que el 70% del costo de mantenimiento se ve en el sistema de bombeo. Por lo tanto, se requiere mejorar la tecnología de mantenimiento para reducir costos. Se han realizado varias investigaciones para la detección de fallas entre vueltas en motores de inducción. Para la detección de fallas se utilizó el voltaje entre líneas, neutro y estrella del motor. Este se usó como modelo del motor y se creó un desequilibrio debido a una falla de cortocircuito entre vueltas. Antes de la avería total y daño significativo de los dispositivos, este desequilibrio debe ser identificado8. La impedancia de secuencia negativa se estimó y se utilizó como indicador de falla en la investigación. La impedancia de secuencia negativa se vio debido a un desequilibrio en el motor. La oscilación utilizada para la corriente de transformación de Park se utilizó para la detección de fallas, que se creó para el desequilibrio.

Para identificar este problema, se requiere el análisis de vectores espaciales9. La falla eléctrica se puede detectar mediante el análisis de firma de corriente del motor (MCSA) y el análisis de vibración. Para estimar la impedancia negativa en el motor, se agregó como enfoque la robustez con respecto al suministro de voltaje desequilibrado10. El espectro de frecuencia y el análisis de transformada rápida de Fourier (FFT) también son útiles para la detección de fallas en motores de inducción. En algunos trabajos se utilizaron transformaciones de paquetes Wavelet (WPT) y FFT junto con algún tipo de clasificador11,12.

Sobre las fallas en el estator para la extracción de conocimiento se utilizó estadística de orden superior (HOS). Para las máquinas rotativas, el monitoreo del estado de la bomba puede analizar el voltaje de suministro, la corriente, la potencia, el par y el valor de velocidad. Las fallas en la máquina también se pueden analizar e identificar mediante análisis de armónicos. En este caso, la corriente del estator produce una corriente armónica instantánea13. La técnica de estimación de parámetros también realiza el proceso de monitoreo del estado de la bomba. Las frecuencias armónicas pueden analizar el estado de la máquina. En condiciones ambientales peligrosas y extremas donde el acceso a la máquina es difícil, como plantas de energía nuclear, fábricas de papel, plantas químicas e instalaciones en tierra y en alta mar, este método se aplica para el monitoreo de la salud de las máquinas14,15. MCSA es una técnica de monitoreo de maquinaria eléctrica con amplias aplicaciones, principalmente en la industria pesada. Se puede utilizar para detectar fallas en el motor. Aún así, la limitación de este método es que funcionará mejor si se usa junto con otras tecnologías como la transformación rápida de Fourier (FFT), la lógica difusa y el análisis vectorial de Park. El último desarrollo en inteligencia artificial (IA) es el 'aprendizaje de transferencia', que puede detectar patrones de falla de diferentes dispositivos. Esta técnica se puede utilizar en lugar de MCSA para encontrar anomalías localizadas y se ha sugerido en lugar de MCSA para diagnosticar fallas en rodamientos. Impulsor rompiendo fallas en un motor de inducción16. El bosque aleatorio, la máquina de vectores de soporte, el método de aprendizaje automático extremo (ELM), la red neuronal probabilística se compararon en función de varias características para la detección de fallas en maquinarias rotativas. Según la precisión, se encuentra que cuando el tamaño de los datos es limitado, el bosque aleatorio funciona mejor que otros algoritmos17. Para el diagnóstico de fallos de sistemas complejos, se ha utilizado una red de patrones espaciotemporales (STPN) con una red neuronal convolucional (CNN) como modelo híbrido. Este método de aprendizaje profundo se ha utilizado para el análisis del conjunto de datos de fallas de rodamientos como un estudio de caso. El rendimiento de STPN-CNN se ha evaluado en función de la tasa de precisión18. CNN y la red neuronal convolucional antagónica profunda (DACNN) se han utilizado para el diagnóstico de fallas mecánicas en un estudio. La novela DACNN se utiliza para capturar características invariantes de dominio. Sobre la base de varias muestras de capacitación y 11 estudios de casos, se realizó un diagnóstico de fallas en la caja de cambios19. El codificador automático profundo se ha utilizado para el análisis de varios daños en los rodamientos de las máquinas. Se ha utilizado la unidad lineal exponencial escalada (SELU) para mejorar la calidad de los datos de vibración para el análisis de fallas mecánicas. La tecnología de transferencia profunda puede hacer que el sistema sea más potente y flexible20.

Este artículo propuesto presenta la falla entre espiras del estator del sistema de bombeo basado en un motor de inducción trifásico. La falla entre vueltas se ha descrito aquí como un problema significativo y vital en la mayoría de los sectores industriales. Reducir los costos operativos y de mantenimiento es el objetivo principal de la mayoría de las industrias, lo que aumenta la importancia del monitoreo de la condición de la máquina. El requerimiento de equipos adicionales y los costos de mantenimiento son la carga para las industrias debido a fallas repentinas de las máquinas. El monitoreo de la salud del devanado de la máquina es muy importante para evitar pérdidas, ya que las fallas entre vueltas causan daños en los devanados. En este artículo de investigación, se analiza la falla general del devanado del estator en las siguientes secciones, y también se describe cómo los parámetros del motor y la bomba se ven afectados por la falla del estator. Como el monitoreo continuo y la predicción de la detección de fallas son posibles a través de algoritmos basados ​​en ML de la manera más adecuada, los modelos ANN y ANFIS basados ​​en algoritmos de ML se aplican para detectar fallas en el estator entre vueltas en sistemas de bombeo basados ​​en motores de inducción. Ambos modelos se utilizan en la investigación propuesta y se compararon los rendimientos de ambos algoritmos. Además, se comparan varios algoritmos supervisados ​​con ANN y ANFIS para obtener un mejor resultado. También se han comparado algunos trabajos existentes con ANN y ANFIS.

La investigación propuesta se ha realizado en base a algunas ecuaciones matemáticas de un sistema de bombeo que va acoplado a un motor de inducción. Estas ecuaciones se aplican para construir el modelo Matlab Simulink de un sistema de bombeo basado en un motor de inducción. Dado que la creación de fallas en un sistema en tiempo real causa un daño significativo, se ha desarrollado un modelo simulink basado en ecuaciones matemáticas para analizar las situaciones saludables y defectuosas. En un primer momento, el modelo se analizó en condiciones saludables sin cambiar ningún valor de parámetro. Luego, para analizar la situación de falla, el devanado de la fase A se ha ordenado de tal manera que la corriente en la fase A aumenta repentinamente, y también ayuda a aumentar la corriente de la fase B y la fase C. Debido a los cambios en el valor actual, el par y el valor de la velocidad también cambian, y los parámetros de la bomba, como la presión y el caudal, se ven obligados a cambiar a medida que la bomba se acopla con el motor de inducción y funciona a la misma velocidad. Se permiten hasta tres niveles de subpartida. Los subtítulos no deben numerarse.

Esta sección describe varias ecuaciones que expresan el voltaje, la corriente y el flujo del estator y el rotor del motor de inducción.

dónde

V representa el voltaje, I muestra la corriente, el flujo se representa como \({\lambda }_{i}\), aquí, "s" y "r" representan el estator y el rotor respectivamente, a, b, c denotan los tres sistema de fase. as1, as2 denotan partes defectuosas y defectuosas del estator, respectivamente. Aquí P es el operador de Laplace, el operador derivado \(\frac{d}{dt}\) se reemplaza por P.

Estas ecuaciones muestran la parte en cortocircuito del voltaje del devanado del estator. β denota giro en corto.

La matriz de resistencia se muestra como

Aquí, las ecuaciones representan la inductancia mutua y la autoinductancia del devanado del estator12,13,14.

β representa el número de vueltas en la fase a, \({\theta }_{r}\) representa la posición del rotor, Ls muestra la autoinductancia, Lr muestra la autoinductancia del rotor y Lsr representa la inductancia mutua entre el estator y el rotor. El agua se bombea desde un tanque de agua de nivel constante y el sistema de bombeo consta de un tanque de agua, un motor de inducción trifásico asíncrono y otras partes. El tanque recibe líquido con flujo de entrada \(\mathrm{representado por} {q}_{v}_{1}}\) El flujo de salida de la válvula de control está representado por \({q}_{{v }_{2}}\). Con la ayuda de la mecánica de fluidos y las leyes de la física fundamental, se ha realizado el análisis de la dinámica de la planta y se ha desarrollado un modelo matemático21. Este modelo matemático incluye los modelos matemáticos de bomba centrífuga y tanque. La contraparte de la ley de fuerza de Newton es que la aceleración angular es proporcional al par en el eje. Entonces, las ecuaciones muestran el movimiento del conjunto motor y bomba.

J muestra el momento de inercia. Aquí el momento de inercia es la constante de proporcionalidad en el caso específico. El par activo del motor asíncrono se muestra mediante \({M}_{MT} \; \mathrm{y \; la aceleración \; el par \; se \; muestra \; mediante} \; {M}_{a}\) , el par pasivo o resistivo de la bomba se muestra como \(M_{p}\) y el par viscoso es \(M_{\zeta }\)22. La frecuencia de la red se muestra mediante f, y se supone que el número de pares de polos del estator es uno. Aquí la siguiente ecuación muestra el par del motor asíncrono.

El par viscoso y el par pasivo se pueden representar mediante

La ecuación 18 muestra los parámetros básicos de la bomba centrífuga, y el caudal de la bomba se muestra mediante Q, H muestra el cabezal de la bomba y la velocidad angular se muestra mediante ω. La sección transversal periférica de los canales del impulsor y el componente meridiano de la velocidad expresan el flujo de la bomba. El valor de altura es proporcional a la velocidad angular, como el caudal es proporcional a la velocidad angular23.

En la última ecuación, el coeficiente de eficiencia de la bomba se denota por el cual es constante, y en diferentes modos, cambia en cierta medida, reflejando a los otros parámetros.

El sistema operativo total \(H_{Total}\) se puede definir como

Aquí la carga estática está representada por \({H}_{S}\), la carga dinámica está representada por \({H}_{D}\), la presión sobre la superficie del agua en el tanque receptor es se muestra como \({P}_{RT}\), y la presión sobre la superficie del agua en el tanque de reserva se representa como \({P}_{RES}\)24.

Basado en los cambios de presión de la altura de la bomba y se considera un valor insignificante. Pero la presión atmosférica cambia con la altura. La ecuación muestra el cambio de presión y la diferencia de elevación entre el depósito y el tanque receptor. Pero esto no es tan significativo y se considera insignificante.

Entonces la ecuación será

La diferencia entre el punto de descarga y la superficie del depósito en el tanque receptor es la carga estática que se muestra como \({H}_{S}\). La carga estática del sistema variará entre los valores de carga máxima y mínima porque el nivel del agua del embalse también varía.

Aquí el nivel de agua superior es TWL y el nivel de agua inferior es BWL.

Dentro del sistema, como resultado de la cabeza de fricción dinámica se genera. La ecuación básica de Darcy Weisbach ayuda a calcular la carga dinámica

Aquí el coeficiente de pérdida se muestra con K, la velocidad en la tubería se muestra con y la aceleración es \(g\).

Ahora la velocidad se muestra como

Aquí, la tasa de flujo se muestra con Q a través de la tubería, y el área de la sección transversal se muestra con A.

El área A se muestra como

El coeficiente de pérdida K es una forma de dos elementos:

\({K}_{accesorios}\) se muestra bombeando el agua desde el depósito hasta los accesorios del tanque receptor utilizados para las tuberías del sistema.

\({K}_{tubería}\) está asociado con la longitud de la tubería, la fricción y el diámetro de la tubería.

Aquí F muestra el factor de fricción, L muestra la longitud de la tubería y D es el diámetro de la tubería. Por la versión modificada de la ecuación de Colebrook White, se puede encontrar el coeficiente de fricción f.

Aquí el factor de rugosidad es k, y el número de Reynolds es Re. El factor de rugosidad k es un valor fijo estándar recopilado de tablas estándar y depende del material y la condición de la tubería. Para cualquier caudal en la tubería, se utiliza la siguiente fórmula para el cálculo del número de Reynolds25:

\(\vartheta \) es la viscosidad cinemática. El funcionamiento del sistema de bombeo se basa en la ley de afinidad. La primera ley de afinidad se muestra en la ecuación donde el flujo Q es proporcional a la velocidad del eje N.

Según la segunda ley de afinidad, la cabeza es proporcional al cuadrado de la velocidad del eje.

La potencia de la bomba se puede calcular como

Aquí P es el requerimiento de energía para la bomba, H es la altura, \(g\) aceleración, gravedad y densidad del agua.

El experimento se realizó con un motor de inducción de jaula de ardilla trifásico, 50 Hz, 415 V, 0,75 HP acoplado con una bomba centrífuga basada en VFD con una velocidad de 2800 RPM y un valor de cabeza de 23,5 m. En condiciones saludables, el motor de inducción trifásico produce solo corrientes de secuencia positiva y es simétrico. Cuando la simetría se altera durante la falla, genera secuencias positivas, negativas y cero. El experimento se realizó creando una falla entre vueltas en el motor de inducción y analizando los cambios de parámetros tanto para el motor como para la bomba acoplada. Se ha construido un modelo Simulink de un motor de inducción trifásico con falla de giro en un devanado monofásico con la ayuda del software MATLAB. El modelo de Simulink se ha desarrollado porque, experimentalmente, es un desafío crear fallas debido a un cortocircuito de un alto valor porcentual. Después de completar el modelo desarrollado, el modelo se verifica tanto en condiciones saludables como defectuosas. En diferentes niveles de cortocircuito en un devanado de una fase, se simula el modelo y los valores de corriente de fase se almacenan en el espacio de trabajo de MATLAB. La corriente de secuencia negativa, la corriente de secuencia positiva y las corrientes de secuencia cero se calculan a partir de estos valores. El siguiente paso es verificar cómo la falla entre vueltas afecta varios parámetros de la bomba acoplada con el motor de inducción. Después del proceso de simulación, los resultados son verificados por el simulador en tiempo real OP5700 (hardware in the loop) para su validación. En otra parte del experimento, se implementaron algoritmos ML en datos de simulación recopilados a través de MATLAB para identificar y predecir fallas en sistemas de bombeo basados ​​en motores de inducción y analizar qué algoritmo es adecuado para detectar la falla. El modelo de Simulink se construyó en base a las ecuaciones matemáticas del "Modelo matemático del sistema de bombeo basado en un motor de inducción". La Figura 1 muestra el diagrama de bloques de la detección de fallas entre vueltas en un sistema de bombeo basado en un motor de inducción.

Diagrama de flujo de la detección de fallas entre vueltas en un sistema de bombeo basado en un motor de inducción.

Los detalles del motor de inducción son: la resistencia del estator Rs es 0.288 Ω, la resistencia del rotor Rr es 0.158 Ω, la inductancia del estator Ls y la inductancia del rotor Lr es 0.0425 H y 0.0438 H, respectivamente, la inductancia mutua Lm es 0.0412 H y la inercia J es 0.4. Aquí el número de polos es 2.

El parámetro de entrada principal muestra los cambios por unidad de corriente de secuencia positiva y corriente de secuencia negativa para la clasificación de la gravedad del nivel de falla en los devanados de fase.

No habrá giro de cortocircuito cuando el sistema esté en buenas condiciones. Pero cuando el sistema está en una condición de falla, la corriente de secuencia negativa aumentará una vez que aumente el porcentaje de falla de giro. En la investigación propuesta se ha medido hasta el 40% de la falla entre vueltas. 40%, el valor de \(\delta \; \mathrm{varía \; de } \; 1 \; \mathrm{ a } \; 0.98, \; \mathrm{ para \; cortocircuito \; nivel \; ; de } \; 0 \; \mathrm{ a } \; 40{\%}\) La figura 2 muestra el modelo de Simulink de un sistema de bomba centrífuga basado en un motor de inducción, que tiene una fuente trifásica, variadores VFD y un motor de inducción acoplado a una bomba. La Tabla 1 muestra la magnitud de la corriente de fase y la corriente del componente de secuencia.

Modelo Simulink de bomba centrífuga basada en motor de inducción.

Aunque el modelo de simulación se ha analizado de 0 a 40 % de falla de cortocircuito, los resultados de HIL OP5700 se han comparado entre fallas saludables y de 40 % de cortocircuito para verificar la fluctuación más alta durante condiciones de falla extrema. Cuando ocurre la falla entre vueltas, la corriente de la fase A aumenta y ayuda a aumentar la corriente de la fase B y la fase C. Durante condiciones de falla, la respuesta de par del motor sufre oscilaciones. Si ocurren fallas, el motor sufre grandes oscilaciones y cuando ocurren fallas entre vueltas, el motor enfrenta grandes oscilaciones. Cuando el porcentaje de giro aumenta, el valor del par también aumentará y el valor de la velocidad disminuirá. El motor está acoplado con la bomba para que la bomba también se alimente de velocidad, y una vez que la bomba funciona en una condición de falla, el valor del caudal aumenta repentinamente y la presión disminuye. Ahora bien, si la presión cae por debajo de la presión de vapor, se producirá un problema de cavitación y un aumento repentino en el caudal crea un problema vibratorio en todo el sistema.

Las figuras muestran la curva de rendimiento de la corriente, la velocidad y el par con respecto al tiempo y las curvas de la bomba para el caudal frente al valor de cabeza tanto en condiciones saludables como defectuosas. Todos los resultados se obtuvieron del dispositivo basado en HIL OP5700, que verificó los resultados de la simulación. Las Figuras 3a,b muestran la condición de falla entre vueltas saludable y del 40 % de la corriente del estator. La corriente de las fases A, B y C aumenta a medida que ocurre la falla. Las Figuras 4a,b muestran el valor de velocidad en condición de falla entre vueltas saludable y del 40 %.

(a) Corriente del estator en condiciones saludables para motor de inducción. (b) Corriente del estator después de una falla entre vueltas del 40% en un motor de inducción.

(a) Velocidad del motor de inducción en buen estado. (b) Ocurre una falla entre vueltas del estator del 40% de la velocidad del motor de inducción.

De manera similar, la Fig. 5a,b muestra el valor de torque en condición de falla entre vueltas saludable y del 40 %. Durante una falla, el motor de condición sufre oscilaciones. El tamaño de las oscilaciones cambia cuando el porcentaje de giro aumenta en la misma condición de carga. A medida que las oscilaciones aumentan la potencia nominal de la máquina, también aumenta la oscilación en el par.

(a) Torque del motor de inducción en condiciones saludables. (b) Torque del motor de inducción en condición defectuosa.

La Figura 3 muestra que el valor de la corriente aumenta para la fase A. Una vez que ocurre la falla entre espiras y si aumenta el número de espiras, el valor de la corriente también aumenta. También se acelera el aumento de la corriente de la fase B y la fase C. De manera similar, los valores de velocidad y par también aumentan durante las condiciones de falla, como se muestra en las Figs. 4 y 5. Una vez que aumenta la velocidad del motor, también aumenta la velocidad de la bomba. El aumento de la velocidad provoca un aumento del caudal y una disminución del valor de la cabeza. Las Figuras 6a,b muestran la curva de rendimiento de la bomba y la curva del sistema en condición saludable y con falla entre vueltas del 40 %. La figura 7 muestra la configuración del hardware del dispositivo HIL.

(a) Curva de rendimiento de la bomba y curva del sistema en condiciones saludables (b) Curva de rendimiento de la bomba y curva del sistema en condición de falla entre vueltas del 40 %.

Configuración de hardware del dispositivo HIL.

Generalmente, los algoritmos de ML son de dos tipos, supervisados ​​y no supervisados, y los algoritmos supervisados ​​tienen variables objetivo que se forman a partir del valor predicho de las variables de entrada. La figura 8 muestra el diagrama de bloques generalizado de la investigación propuesta después de la recopilación de datos para encontrar el algoritmo más adecuado.

Diagrama de bloques de la investigación propuesta para elegir el algoritmo más adecuado.

La poderosa técnica ANN se utiliza para el diagnóstico del motor de inducción con mayor precisión. La red neuronal (NN) es uno de los clasificadores de patrones. Muchos problemas se pueden resolver utilizando la clasificación de patrones de NN k, que implica el reconocimiento de variables. Para la inducción, el diagnóstico de fallas del motor no se puede describir o predecir por completo. El algoritmo computacional basado en modelos matemáticos es ANN, que se comporta como el cerebro humano y el proceso de pensamiento. Tiene varias características como procesamiento paralelo similar, autoorganización, autoaprendizaje, clasificación y habilidades de mapeo no lineal. La combinación de Fuzzy y ANN es ANFIS26,27, y se combina para mejorar la velocidad, la tolerancia a fallas, la adaptabilidad y obtener un mejor sistema de modelado. Con base en los valores RMSE, R2, se puede comparar qué algoritmo es adecuado para la detección de fallas entre vueltas en un sistema de bombeo basado en un motor de inducción.

Se propone la detección de fallas entre espiras en motores de inducción modelos ANN y ANFIS. El sistema inmunológico artificial para ANN tiene un control autoadaptativo y funciona mejor para la función no lineal continua. El proceso se puede hacer a través de un seguimiento en línea28. ANN está altamente interconectada y es similar al cerebro humano y sigue un proceso de aprendizaje como los seres humanos29. Las unidades tienen interconexiones entre ellas y tienen pesos que se multiplican por los valores que las atraviesan. La unidad tiene una entrada fija conocida como sesgo; cada unidad forma una suma ponderada donde se suma el sesgo. La función de transferencia analiza esta suma. La predicción de NN depende de los datos de entrenamiento y prueba. El trabajo principal del algoritmo ML es realizar la extracción de características. La extracción de características es la herramienta importante que ayuda a clasificar los datos de entrenamiento y prueba para su análisis. Las características más híbridas son la raíz cuadrática media (RMS), el valor de la curtosis (KV), la amplitud de la raíz, el valor de pico a pico (PPV), la desviación estándar (SD), el valor de asimetría (SV), el factor de eliminación, el factor de cresta (CF). ), factor de impulso (IF), factor de forma (SF) y valor medio (MV). Estas características estadísticas ayudan en el análisis de cada señal durante condiciones saludables y defectuosas. Las técnicas de extracción de características se utilizan para el análisis estadístico para la reducción de la gran cantidad de información contenida en la señal actual que se refleja en la señal general. La señal de corriente sin procesar se utiliza para la conversión de múltiples características para apoyar el sistema inteligente para analizar y clasificar situaciones saludables y defectuosas. Este procedimiento general se denomina extracción de características. Las características y ecuaciones estadísticas se describen en la Tabla 2, que se ha utilizado para la investigación propuesta.

En esas ecuaciones, x es la señal y N es el número de muestras. ANN es una técnica poderosa mediante la cual se pueden identificar las fallas del motor de inducción. Las redes neuronales son clasificadores de patrones y se utilizan para problemas de clasificación de patrones. Las redes neuronales más utilizadas son la red feedforward multicapa o el método Levenberg Marquardt. En la investigación propuesta se ha utilizado el método de Levenberg Marquardt.

El éxito de la formación se ve muy afectado por la adecuada selección de insumos30. El proceso de aprendizaje utiliza datos de prueba y NN construye mapas de entrada y salida. La iteración basada en la minimización u optimización de algún error medido entre la salida producida y la salida deseada puede ajustar los pesos y el sesgo. Este proceso se repite hasta que se obtiene un criterio aceptable de convergencia. NN consta de las capas de entrada, oculta y de salida, como se muestra en la Fig. 9. La capa de salida consta de seis neuronas como estado de salud, 5 vueltas de cortocircuito, 10 vueltas de cortocircuito, 20 vueltas de cortocircuito, 30 vueltas de cortocircuito y Cortocircuito de 40 vueltas. El algoritmo puede elegir el número de capas ocultas mediante un proceso de prueba y error.

Diagrama de bloques de una red neuronal.

Como el parámetro actual es la razón principal de la falla entre giros, las corrientes del estator se recopilan tanto en condiciones saludables como defectuosas, como diferentes condiciones de giro en cortocircuito. Luego, las corrientes deben convertirse en marco qd. Las señales de corriente se preprocesan utilizando extracciones de características y estas características se alimentan a los clasificadores para el diagnóstico de fallas del motor de inducción. En el primer caso el experimento se ha realizado en condiciones de salud y se han recogido datos actuales. Luego, los datos actuales de las condiciones de 5, 10, 20, 30 y 40 vueltas se recopilaron durante las condiciones de falla. Las corrientes trifásicas se convierten en marco qd a través de la transformación de empleado. Las 5000 muestras se recogieron para la duración de cada señal de 0,2 s. Cada señal se dividió en 50 segmentos de 1000 muestras. La extracción de características es necesaria para el procesamiento de señales de datos sin procesar, luego se extrajeron seis características de estos segmentos y como había dos señales, se formó un total de 12 dimensiones del conjunto de datos. La dimensión total del conjunto de datos es \(12 \times 300\). Estas características se utilizaron como características de entrada de las redes neuronales. Luego, el conjunto de datos se dividió en un conjunto de datos de entrenamiento, un conjunto de validación cruzada y un conjunto de datos de prueba. El conjunto de datos de entrenamiento es 70%, 15% para validación cruzada y otro 15% para el conjunto de datos de prueba que se muestra en la Tabla 3. El conjunto de datos de entrenamiento se usó para entrenar el modelo y el conjunto de datos de validación cruzada y prueba se usó para evaluar el rendimiento del clasificador para averiguar la precisión del modelo. El error cuadrático medio se calculó a través de la red para ajustar el peso y encontrar la máxima tasa de precisión a través del conjunto de datos de entrenamiento y prueba.

La propagación hacia atrás de Levenberg Marquardt se elige con fines de capacitación, y los datos de capacitación y prueba ayudan a obtener el error cuadrático mínimo promedio (MSE) para ANN. Los valores promedio de MSE con respecto a los elementos de procesamiento presentes en la capa oculta se muestran en las Tablas 4 y 5. Con respecto a los elementos de procesamiento, el porcentaje de precisión de las capas ocultas se muestra para condiciones de falla de giro sanas y diferentes en las Tablas 4, 5, Figs. 10 y 11. En la mayoría de los casos, las tablas 4 y 5 y las figuras muestran que la precisión es 100 para condiciones saludables y defectuosas tanto para el entrenamiento, la validación cruzada y el conjunto de datos de prueba.

Porcentaje de precisión con respecto a los elementos de procesamiento en condiciones sanas y defectuosas (conjunto de datos de entrenamiento).

Porcentaje de precisión con respecto a los elementos de procesamiento en condiciones sanas y defectuosas (validación cruzada y conjunto de datos de prueba).

Un sistema inteligente La técnica Neuro-Fuzzy ANFIS se utiliza para modelar y controlar sistemas mal definidos e inciertos. Pares de datos de entrada/salida del sistema bajo consideración construir ANFIS. ANFIS es la combinación de ANN y Fuzzy, que se utiliza para la capacidad de aprendizaje del sistema difuso. ANFIS consta de cinco capas31,32. La capa 1 es la capa de fuzzificación que calcula la función de pertenencia. La capa 2 representa la capa de reglas, cuyo resultado es la potencia de disparo de cada nodo. La capa 3 resalta la capa de normalización, que normaliza la fuerza de disparo calculada. La capa 4 muestra la capa consecuente, cuya capa de salida es el producto de la fuerza de disparo normalizada y el polinomio consecuente de reglas difusas. La capa 5 muestra la salida general y define la capa de desfuzzificación, cuya salida es la salida ANFIS general. Los problemas de cambios continuos en los entornos de aprendizaje móvil se resuelven con ANFIS33. El modelo ANFIS propuesto se puede utilizar para modelar el contexto del alumno. La definición de los valores de entrada y salida, los conjuntos borrosos para los valores de entrada, las reglas difusas y la creación y entrenamiento de la NN son los pasos que aplican ANFIS al modelo de aprendizaje34. Aquí también las corrientes del estator se recogen y transforman en un marco qd a través de la transformación del empleado. El modelo ANFIS utiliza la transformación wavelet discreta (DWT) o la transformación wavelet continua (CWT). El CWT es un concepto similar a FFT pero utiliza el número de wavelets como función en lugar de la función seno y coseno. La ondícula consta de dos parámetros, como la escala y la traducción, y la señal se muestra en un plano de escala de tiempo bidimensional en lugar de un plano unidimensional. La ecuación. (35) muestra la función CWT.

Aquí Wx es la transformada wavelet vinculada con dos parámetros y aquí a es el parámetro de escala yb se muestra como parámetro de tiempo. ϕ es la función wavelet y x (t) es la señal original. DWT se usa para recopilar fallas del rotor y se usa principalmente para la extracción de características en la investigación propuesta. Los modelos ANN y ANFIS se implementan y comparan en el trabajo propuesto para encontrar un mejor desempeño. R2 y el error cuadrático medio (RMSE) se utilizan para encontrar el modelo más adecuado para la detección de fallas en los sistemas de bombeo basados ​​en motores de inducción. RMSE y R2 se utilizan para el análisis de las fallas para ANFIS principalmente. Basándose en DWT, se puede realizar la evaluación del rendimiento (Tabla 6).

Al igual que ANN para ANFIS, también se recopilaron 5000 muestras de datos y luego se dividieron en 100 secciones con 500 muestras para cada sección. Estas 100 secciones se utilizan para la extracción de características. Se utilizan 100 muestras para cada condición, como condición saludable o falla de giro. En total para seis condiciones se han formado 600 muestras. Entre estas 300 muestras se han utilizado con fines de formación y 300 muestras se han utilizado con fines de prueba (Tabla 7).

La Tabla 8 muestra el valor RMSE para datos de entrenamiento y prueba en diferentes condiciones.

Los rendimientos de los modelos ANN y ANFIS obtenidos también se comparan después de construir el modelo. RMSE y R2 tienen valores estadísticos comparativos para los modelos ANN y ANFIS, que se proporcionan en la Tabla 9. Los datos de validación del modelo son 0,05. La precisión de la predicción también se mide mediante R2 y RMSE. La precisión de predicción para ANN (R2 es 100 y RMSE es 0,054) es mejor que el modelo ANFIS (R2 es 96,91 y RMSE es 0,121). Esta es la comparación promedio de las condiciones totales.

Los modelos ANN y ANFIS funcionaron bien y son compatibles para la detección de fallas y capaces de predecir la falla. Sin embargo, según RMSE y R2 de los datos de entrenamiento y prueba, ANN se desempeñó mejor que ANFIS en el experimento propuesto. El modelo ANN se ha aplicado hasta 200 épocas, y la mejor validación se ha recibido en 150 épocas. La Figura 12 muestra el valor de mejor ajuste del modelo propuesto de ANN con respecto a la capacitación, prueba, validación y valores generales.

Salida de mejor ajuste del modelo ANN.

Se han realizado varios trabajos previos para la detección de fallas entre vueltas de motores de inducción y sistemas de bombeo basados ​​en motores. Hasta ahora, la investigación sobre la falla entre vueltas del motor de inducción analizó solo los cambios de los parámetros del motor de inducción después de que ocurre la falla. Pero cuando el motor enfrenta un problema de falla entre vueltas, la bomba acoplada también se ve afectada y los parámetros de la bomba también cambian. En la investigación propuesta, incluido el cambio de los parámetros del motor afectados por fallas entre vueltas, también se analizó el cambio en los parámetros de la bomba. Se desarrolló un algoritmo de transformación de coordenadas de corriente para el análisis de fallas entre espiras en motores de inducción. El estudio de desarrollo Mexbios fue creado para analizar los cambios de parámetros en el motor de inducción durante una condición de falla. Aunque esto es posible de implementar en aplicaciones industriales, este proceso no puede predecir la falla antes de que ocurra y se observen daños importantes35. El modelo propuesto es un proceso simple, fácil y útil para una menor cantidad de datos y predecir la falla antes de una falla masiva. Se utilizó el algoritmo ANN para la detección de fallas entre espiras en motores de inducción con respecto a varias espiras. El experimento creó hasta un 10% de falla entre vueltas y se obtuvieron cambios de corriente de fase A. El experimento analizó el cambio de unidad de corriente de secuencia positiva de corriente de secuencia negativa. El experimento se hizo hasta 54 épocas. Aquí se realizó un análisis experimental para un nivel pequeño de valores36. Se desarrolló el modelo NN en tres condiciones diferentes: sin carga, con 50% de carga y con carga completa para cinco motores diferentes para el análisis de fallas entre vueltas. Se desarrolló hasta un 15 % de fallo entre espiras y la tasa de precisión del modelo NN para varios motores varió del 88 al 99 %37. El nuevo análisis wavelet fue desarrollado en una investigación.

El modelo se construyó para analizar fallas entre vueltas en función de la transformación wavelet discreta mediante la transformación vectorial de Park. Se realizó un análisis de rendimiento para condiciones de falla de giro sanas y diversas. MSE se obtuvo para el análisis de precisión de desempeño de situaciones sanas y defectuosas38. Otras investigaciones se basan en análisis FFT y transformación de Park, pero estas investigaciones no son adecuadas para modelos de control predictivo y no son útiles para aplicaciones industriales pesadas39. El método propuesto de ANN se ha utilizado en la investigación actual, que desarrolló el modelo Matlab para analizar los cambios de parámetros del motor de inducción y la bomba durante la falla entre vueltas. Como es el modelo de Simulink, es posible crear para el análisis un rango tan alto que es de hasta el 40% de la falla entre vueltas.

Aquí, los modelos ANN y ANFIS se implementaron en los resultados experimentales y se encontró que el rendimiento de ANN es mejor que el modelo ANFIS.

Del mismo modo, los autores también han implementado varios algoritmos de ML supervisados ​​como SVM, K-NN, árbol de decisión, Naïve Bayes, análisis de regresión con ANN y ANFIS. Según la tasa de precisión, la velocidad de predicción y el tiempo de entrenamiento, los algoritmos se comparan para encontrar el algoritmo más adecuado para este experimento. En general, los algoritmos de ML tienen variables objetivo que se deben predecir a partir de variables independientes, y estas variables generan funciones para mapear la entrada para lograr la salida deseada. Después de eso, se debe realizar un proceso de capacitación para un mejor logro y una mayor precisión. El proceso de entrenamiento continúa hasta que se obtiene la tasa de precisión deseada. No se requiere ninguna variable objetivo para el aprendizaje no supervisado, ya que sigue el proceso de agrupación. SVM es un conocido algoritmo de reconocimiento de patrones que se utiliza principalmente para clasificación y regresión.

SVM tiene un hiperplano y un margen al separar el conjunto de datos y realizar la tarea de clasificación. El hiperplano óptimo en SVM maximiza el ancho del hiperplano para evitar la superposición de las clases; este es el proceso de clasificación. Los márgenes se clasifican entre márgenes duros y márgenes blandos. Dado que el presente diagnóstico se ocupa del problema de la clasificación no lineal, se utiliza un margen suave. La precisión de SVM depende de tres factores: función de umbral, función de costo y función de kernel. K-NN es un algoritmo de aprendizaje versátil no paramétrico que también se utiliza para problemas de clasificación y regresión. En lugar de aprender la función discriminatoria, el algoritmo memoriza el conjunto de datos de entrenamiento. Al minimizar el conjunto de entrenamiento, el aprendizaje basado en un intenso ayuda a evitar errores. Las desventajas de K-NN son el amplio almacenamiento de memoria, el largo tiempo de predicción y la sensibilidad innecesaria a las características irrelevantes. Pero cuando el tamaño de los datos es limitado, K-NN funciona mejor que cualquier otro algoritmo de aprendizaje supervisado. Se utiliza un modelo de clasificación dendrítica de árbol de decisión para los problemas de clasificación y regresión. Al dividirse en subconjuntos más pequeños, se puede realizar el proceso de clasificación y, en función de esto, se puede realizar la selección de características. La estructura final es como las ramas de un árbol, y cada nodo resalta la característica. El análisis de regresión proporciona una ecuación de usuario para el gráfico para la predicción de los datos. Siempre muestra el valor promedio ponderado para el propósito de predicción. A través del análisis estadístico, puede predecir la salida precisa. La mayoría de los cursos de estadística elementales cubren técnicas fundamentales, como hacer diagramas de dispersión y realizar regresiones lineales. El algoritmo más adecuado se puede encontrar en función de la tasa de precisión general, la velocidad de predicción y el tiempo de entrenamiento.

Para el experimento, las funciones se dividen en dos categorías aleatoriamente en una proporción de 70:30. En la mayoría de los casos, el 70 % de los datos se utilizan con fines de capacitación y el 30 % se utilizan para probar los datos para la evaluación. Para todos los algoritmos, la regla es la misma. El tamaño de los datos de muestra es 5000 como ANN y ANFIS. Para fines de extracción de características, se han formado 300 muestras de datos para un mejor análisis. Entre estos, el 70% se utiliza con fines de capacitación, el 15% para validación cruzada y el 15% restante para fines de prueba. Todo el diagnóstico se lleva a cabo a través de las aplicaciones de aprendizaje de clasificación y reconocimiento de patrones de MATLAB. Según la evaluación, la tasa de precisión de cada algoritmo se obtiene mediante la fórmula. Con la ayuda de la aplicación de aprendizaje de clasificación, se analizaron y compararon la tasa de precisión, la velocidad de predicción y el tiempo de entrenamiento de cada algoritmo.

De la Tabla 10 se ve que el rendimiento de K-NN y ANN es mejor para esta investigación. Pero según la tasa de precisión, la velocidad de predicción y el tiempo de entrenamiento, K-NN es más adecuado que ANN. La Figura 13 ilustra la precisión general de los algoritmos de ML.

Precisión general de varios algoritmos de ML.

Este artículo explica el análisis de fallas entre giros del sistema de bombeo basado en motores de inducción, y se muestran los cambios de parámetros durante situaciones de falla en diferentes condiciones de giro. Los resultados de la simulación se han verificado a través del dispositivo basado en lazo HIL (OP5700), y la corriente de fase del motor aumenta cuando ocurre la falla. Una vez que aumenta la corriente, también aumentan la velocidad y el par, lo que afecta el sistema de bombeo. La velocidad ayuda a aumentar repentinamente la tasa de flujo de la bomba y provoca una gran caída de presión y una disminución en el valor de cabeza. Si la presión cae drásticamente, se produce un problema de cavitación y un aumento repentino en el caudal provoca una gran vibración en la tubería, lo que provoca un problema de golpe de ariete. En esta investigación, en un primer momento, se han realizado modelos basados ​​en algoritmos ANN y ANFIS para la identificación y predicción de la falla. Se utilizan ambas técnicas y se ve que ANN funciona mejor que ANFIS, según los valores RMSE y R2. Varios otros trabajos de investigación también se comparan con el trabajo propuesto para descubrir el nuevo desarrollo en el trabajo propuesto. Se observa que la investigación propuesta es adecuada para la aplicación industrial y puede identificar fácilmente la condición defectuosa para una gran cantidad de datos. En el futuro, la ANN se habría utilizado para otras detecciones de fallas en motores y sistemas de bombeo y para otras maquinarias y puede convertirse en una técnica de diagnóstico integral. Los autores también compararon varios algoritmos ML con ANN y ANFIS, entre los cuales, según la tasa de precisión, la velocidad de predicción y el tiempo de entrenamiento, se ve que K-NN y ANN pueden funcionar mejor para la investigación propuesta. Pero según la tasa de precisión general, K-NN funciona mejor que ANN. Además, el despliegue de la técnica desarrollada en un entorno de laboratorio es una extensión del presente trabajo. Es posible realizar más investigaciones a través del dispositivo OP5700 basado en HIL para verificar los resultados de la simulación.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado [y sus archivos de información complementarios]. En archivo complementario se han agregado todos los datos en forma de tabla. Además, si alguien desea solicitar los datos de este estudio, debe comunicarse con el autor correspondiente o el primer autor.

Neti, P., Subhasis, N. Análisis de fallas entre vueltas del estator del motor síncrono de reluctancia. En Conferencia canadiense sobre ingeniería eléctrica e informática, 2005, 1283–1286. (IEEE, 2005).

Obeid, NH, Thierry, B. y Babak, N.-M. Modelado y diagnóstico de fallas entre espiras incipientes para un motor síncrono de imanes permanentes trifásico. Trans. IEEE. Aplicación ind. 52(5), 4426–4434 (2016).

Artículo Google Académico

Gao, F., Zhang, G., Li, M., Gao, Y. y Zhuang, S. Identificación de fallas entre vueltas del motor síncrono de imanes permanentes montado en superficie basado en los armónicos del inversor. Energías 13(4), 899 (2020).

Artículo Google Académico

Maraaba, LS, Twaha, S., Memon, A. y Al-Hamouz, Z. Reconocimiento de fallas entre espiras del devanado del estator en LSPMSM de montaje interior mediante señales acústicas. Simetría 12(8), 1370 (2020).

Artículo Google Académico

Yassa, N. & Rachek, M. Modelado y detección de la falla entre espiras del devanado del estator de motores síncronos de imanes permanentes mediante el análisis de la firma de corriente del estator. Matemáticas. computar Simul. 167, 325–339 (2020).

Artículo MathSciNet Google Académico

Kim, B.-W., Kim, K.-T. & Hur, J. Modelado y análisis de impedancia simplificados para fallas entre vueltas del motor BLDC tipo IPM. J. Electrón de potencia. 12(1), 10–18 (2012).

Artículo Google Académico

Kalaskar, CS & Gond, VJ Análisis de la firma de corriente del motor para detectar la falla en el motor de inducción. En t. J. Ing. Res. aplicación 4(6), 58–61 (2014).

Google Académico

Mohanty, AR, Prasanta, KP, Nitaigour, PM & Sabyasachi, GD Detección de fallas en una bomba centrífuga usando análisis de vibración y firma de corriente del motor. En t. J.Autom. Control 6(3–4), 261–276 (2012).

Artículo Google Académico

Orru, PF et al. Enfoque de aprendizaje automático que utiliza algoritmos MLP y SVM para la predicción de fallas de una bomba centrífuga en la industria del petróleo y el gas. Sostenibilidad 12(11), 4776 (2020).

Artículo Google Académico

Sołjan, Z., Hołdyński, G. & Zajkowski, M. Minimización basada en CPC de compensadores de equilibrio en sistemas asimétricos no sinusoidales de cuatro hilos. Energías 14(7), 1815 (2021).

Artículo Google Académico

Ranganatha Chakravarthy, HS, Bharadwaj, SC, Umashankar, S., Padmanaban, S., Dutta, N., Bo Holm-Nielsen, J. Detección de fallas eléctricas mediante el algoritmo de aprendizaje automático para bombas de agua centrífugas. En la Conferencia internacional IEEE de 2019 sobre medioambiente e ingeniería eléctrica y en 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), 1–6. (IEEE, 2019).

Dutta, N., Palanisamy, K., Umashankar, S. Efecto de los problemas de vibración del motor en la calidad de la energía del bombeo de agua en la residencia. En Serie de conferencias IOP: Ciencia e ingeniería de materiales, vol. 937, núm. 1, 012019. (Publicación IOP, 2020).

Arun Shankar, VK et al. Investigación experimental de firmas de potencia por cavitación y golpe de ariete en un sistema industrial de bombeo paralelo. Energías 12(7), 1351 (2019).

Artículo Google Académico

Jain, G. & Umashankar, S. Modelado y simulación de motores de inducción alimentados con energía solar fotovoltaica para aplicaciones de bombeo de agua utilizando el algoritmo MPPT de perturbación y observador. En 2016 Conferencia Internacional sobre Tecnologías de Eficiencia Energética para la Sostenibilidad (ICEETS), 250–254. (IEEE, 2016).

Nabanita, D., Sreedhar, S., Neha, Z., Onkar, B., Pratik, P., Raja Singh, R. Análisis de fallas entre vueltas en una máquina de inducción de rotor bobinado. En Serie de conferencias IOP: Ciencia de los materiales y 2019, Ingeniería, vol. 623, núm. 1, 012016. (Publicación IOP, 2019).

Hussein, HA, Taha, M., Ammar, E. & Moustafa Hassan, MA Análisis de fallas de giros del estator de motores de inducción trifásicos basado en inteligencia artificial. En t. Sistema J. Din. aplicación IJSDA. 6(3), 1–19 (2017).

Google Académico

Han, Te., Jiang, D., Zhao, Qi., Wang, L. y Yin, K. Comparación de bosques aleatorios, redes neuronales artificiales y máquinas de vectores de soporte para el diagnóstico inteligente de maquinaria rotativa. Trans. Inst. medida Control. 40(8), 2681–2693 (2018).

Artículo Google Académico

Han, Te., Liu, C., Linjiang, Wu., Sarkar, S. y Jiang, D. Un enfoque de aprendizaje de características espaciotemporales adaptable para el diagnóstico de fallas en sistemas complejos. mecánico sist. Proceso de señal. 117, 170–187 (2019).

Artículo ANUNCIOS Google Académico

Han, Te., Liu, C., Yang, W. y Jiang, D. Un nuevo marco de aprendizaje contradictorio en redes neuronales convolucionales profundas para el diagnóstico inteligente de fallas mecánicas. Sistema basado en conocimientos. 165, 474–487 (2019).

Artículo Google Académico

Zhiyi, He., Haidong, S., Lin, J., Junsheng, C. y Yang, Yu. Transfiera el diagnóstico de fallas de los rodamientos instalados en diferentes máquinas utilizando un codificador automático profundo mejorado. Medida 152, 107393 (2020).

Artículo Google Académico

Skowron, M., Orlowska-Kowalska, T., Wolkiewicz, M. y Kowalski, CT Diagnóstico incipiente de falla del estator basado en datos de corriente del estator basado en red neuronal convolucional del motor de inducción alimentado por inversor. Energías 13(6), 1475 (2020).

Artículo Google Académico

Salih, HR, Ali, AA & Basarab, DG Modelado dinámico del sistema de accionamiento de bombas utilizando el programa simulink/MATLAB. En t. Res. J. Ing. Tecnología IRJET 3(1), 21–24 (2016).

Google Académico

Husari, F. & Jeevanand, S. Detección incipiente de fallas entre giros y evaluación de la severidad en un sistema de accionamiento eléctrico usando un modelo híbrido basado en HCNN-SVM. Trans. IEEE. Ind. Informar. 18, 1823–1832 (2021).

Artículo Google Académico

Ostojic, P., Arijit, B., Dhaval, P., Wrichik, B., Shahid, A. Supervisión y diagnóstico avanzados del motor. En la 60.ª Conferencia anual de la industria química y del petróleo de la Industry Applications Society, 1–9. (IEEE, 2013).

Haroun, S., Nait Seghir, A., Touati, S. Enfoque de discriminación y detección de fallas entre espiras y desequilibrio de voltaje del estator para una bomba de refrigerante del reactor. En la Tercera Conferencia Internacional sobre Sistemas y Control, 99–104. (IEEE, 2013).

Mohamed, MA et al. Modelado de diagnóstico para fallas de motores de inducción a través del algoritmo ANFIS y extracción de características basada en DWT. aplicación ciencia 11(19), 9115 (2021).

Artículo CAS Google Académico

Rajeswari, R. & Kamaraj, N. Diagnóstico de fallas entre vueltas en el estator de un generador síncrono utilizando ANFIS basado en wavelet. Academia Mundial. ciencia Ing. Tecnología 36, 203–209 (2007).

Google Académico

Panda, S., Mishra, DP, Dash, SN Comparación de técnicas ANFIS y ANN en la clasificación y ubicación de fallas en líneas de transmisión largas. En la Conferencia internacional de 2018 sobre innovaciones recientes en ingeniería eléctrica, electrónica y de comunicaciones (ICRIEECE), 1112–1117. (IEEE, 2018).

Esakimuthu, P., Shrinathan, YM & Hisahide, N. Un estudio comparativo entre el algoritmo de aprendizaje automático y la red neuronal de inteligencia artificial para detectar fallas menores en los cojinetes de los motores de inducción. Energías 12(11), 2105 (2019).

Artículo Google Académico

Duan, F. & Rastko, Z. Un modelo para motor de inducción con fallas en el estator. En 2012, 22.ª Conferencia de ingeniería energética de universidades de Australasia (AUPEC), 1–5. (IEEE, 2012).

Samanta, S., Bera, N. y Sarkar, G., Un sistema inteligente de diagnóstico de fallas basado en neuro fuzzy adaptativo para la detección de severidad y fase de la máquina de inducción. En Lectures on Modeling and Simulation, 41–51.

Ghafari, SH Un sistema de diagnóstico de fallas para maquinaria rotativa respaldada por cojinetes de elementos rodantes. (Universidad de Waterloo, 2007).

Solodkiy, E., Dmitry, D. y Saveliy, S. Detección de cortocircuitos entre vueltas del estator en motores de inducción trifásicos mediante transformación de coordenadas de corriente. En 2019, 26.º Taller internacional sobre accionamientos eléctricos: mejora de la eficiencia de los accionamientos eléctricos (IWED), 1–4. (IEEE, 2019).

Ghorbanzadeh, O., Blaschke, T., Aryal, J. & Gholaminia, K. Una nueva técnica basada en SIG que utiliza un sistema de inferencia neurodifuso adaptativo para el mapeo de la susceptibilidad al hundimiento de la tierra. J. Spat. ciencia 65(3), 401–418 (2020).

Artículo Google Académico

Rajamany, G., Sekar, S., Krishnan, R. y Ramesh, KN Detección de fallas de cortocircuito entre vueltas del estator del motor de inducción de acuerdo con los componentes de secuencia de corriente de línea utilizando una red neuronal artificial. J. Electr. computar Ing. 2019, 1–12 (2019).

Maraaba, L., Al-Hamouz, Z. & Abido, M. Una herramienta eficiente de diagnóstico de fallas entre vueltas del estator para motores de inducción. Energías 11(3), 653 (2018).

Artículo Google Académico

Umashankar, S., Sanjeevikumar, P. y Paramasivam, S. Sistema de inferencia neurodifuso adaptativo (anfis) basado en el control directo del par de la bomba centrífuga impulsada por pmsm. (2017).

Babaa, F. & Bennis, O. Un modelo preciso de fallas de cortocircuito entre vueltas dedicado a motores de inducción. En t. J. Electr. computar Ing. 11(1), 9 (2021).

Google Académico

Irfan, M. & Glowacz, A. Diseño de una nueva técnica de diagnóstico eléctrico para el análisis de fallas de bombas centrífugas. aplicación ciencia 9(23), 5093 (2019).

Artículo Google Académico

Descargar referencias

A los autores les gusta expresar su más sincero agradecimiento al Laboratorio de variadores avanzados de Danfoss, Universidad VIT, por hacer que esta investigación funcione para su ejecución e implementación técnica en tiempo real. Este es el proyecto colaborativo conjunto industria-academia para la solución de bombeo industrial. La colaboración es entre VIT Vellore y la industria de Danfoss Pvt Ltd.

No existe fuente de financiación para esta actividad de investigación.

Estos autores contribuyeron por igual: Nabanita Dutta, Palanisamy Kaliannan y Paramasivam Shanmugam.

Departamento de Energía y Electrónica de Potencia, Escuela de Ingeniería Eléctrica, Instituto de Tecnología de Vellore, Vellore, 632014, India

Nabanita Dutta y Palanisamy Kaliannan

Esab India Limited, Chennai, India

Paramasivam Shanmugam

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

ND, PK han realizado el análisis de fallas entre giros en el sistema de bombeo centrífugo basado en motores de inducción. PS ha compartido su experiencia en el campo de accionamientos, control y análisis de fallas en sistemas de bombeo que utilizan VFD y bombas basadas en motores de inducción. Todos los autores han contribuido igualmente a articular el trabajo de investigación para su descripción final como un trabajo de investigación completo.

Correspondencia a Palanisamy Kaliannan.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Dutta, N., Kaliannan, P. y Shanmugam, P. Aplicación del aprendizaje automático para la detección de fallas entre turnos en el sistema de bombeo. Informe científico 12, 12906 (2022). https://doi.org/10.1038/s41598-022-16987-6

Descargar cita

Recibido: 17 febrero 2022

Aceptado: 19 julio 2022

Publicado: 28 julio 2022

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.