Определение неисправностей асинхронных двигателей с помощью алгоритмов машинного обучения
- Авторы: Середа Е.Г.1, Соловьев А.С.2,3
-
Учреждения:
- ООО «Рэкфорк»
- Петербургский государственный университет путей сообщения Императора Александра I
- АО «Силовые машины»
- Выпуск: Том 11, № 2 (2025)
- Страницы: 261-272
- Раздел: Оригинальные статьи
- URL: https://ogarev-online.ru/transj/article/view/311285
- DOI: https://doi.org/10.17816/transsyst682000
- ID: 311285
Цитировать
Полный текст
Аннотация
Обоснование. Методы машинного обучения представляют собой современное и эффективное средство обеспечения функционирования различных технических систем, в том числе систем диагностирования. По мере накопления статистических данных о неисправностях диагностические системы, построенные на алгоритмах машинного обучения, обеспечивают более высокую точность прогнозирования и при этом не требуют дорогостоящего диагностического оборудования и высокой квалификации персонала.
Цель. Разработка диагностической системы, способной не только определять наличие неисправности, но и с высокой точностью оценивать степень ее развития.
Материалы и методы. Объектом исследования является трехфазный асинхронный двигатель с короткозамкнутым ротором; для достижения поставленной цели используются методы машинного обучения.
Результаты. На примере межвиткового короткого замыкания в обмотке статора показана возможность определения неисправности и степени ее развития даже на начальном этапе (при малом числе короткозамкнутых витков) с точностью не менее 95%.
Заключение. Методы машинного обучения позволяют создавать эффективные и недорогие диагностические системы, отличающиеся универсальностью, высокой точностью и не требующие высококвалифицированного персонала.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
Евгений Геннадьевич Середа
ООО «Рэкфорк»
Email: evgeniy.sereda@rackfork.ru
SPIN-код: 4284-3319
кандидат технических наук, старший специалист
Россия, Санкт-ПетербургАндрей Сергеевич Соловьев
Петербургский государственный университет путей сообщения Императора Александра I; АО «Силовые машины»
Автор, ответственный за переписку.
Email: vgvhyjh@mail.ru
ORCID iD: 0009-0001-2408-1840
SPIN-код: 1594-5049
аспирант, инженер по испытаниям
Россия, Санкт-Петербург; Санкт-ПетербургСписок литературы
- Kotelents NF, Akimova NA, Antonov MV. Ispytania, ekspluatatsia i remont elektricheskikh mashin. Moscow: Akademia; 2003. (In Russ.)
- Dorokhina ES, Goldovskaya AA, Girnik AS. A Way To Predict The Residual Lifetime Of Induction Traction Electric Motors. Journal of Machinery Manufacture and Reliability. 2019;48(4):336-339. (Russ., Engl.) doi: 10.1134/S0235711919040060
- Vorobiev VE, Kucher VIa. Prognozirovanie sroka sluzhby elektricheskikh mashin. St.-Petersburg: SZTU, 2004. 56 p. (In Russ.).
- Ryzhova EL, Kim KK, Ivanov SN. Evaluation оf Traction Motor Reliability Based On The State Of Winding Electrical Insulation. Učenye zapiski Komsomol’skogo-na-Amure gosudarstvennogo tehničeskogo universiteta. 2023; 5(69):8-14. (In Russ.). doi: 10.17084/20764359-2023-69-8
- Miasoedova MA, Mamonova LG. Analiz sovremennykh metodov diagnostiki elektrooborudovania. In: Proceedings of the 2nd All-Russian Scientific and Practical Conference “Technologii, mashiny i oborudovanie dlya agropromyshlennogo kompleksa”. 2024 June 5. Kursk: Universitetskaya Kniga. 2024:81-84. (In Russ.).
- Koroleva EB, Kurmashev SM, Kim KK, Tkachuk AA, Kuznetsov AA. Devices for express diagnostics of power semiconductor devices and semiconductor converters. Omsk Scientific Bulletin. 2023;2(186):119-125. (Russ., Engl.) doi: 10.25206/1813-8225-2023-186-119-125
- Siddique A, Yadava G, Singh B. A Review of Stator Fault Monitoring Techniques of Induction Motors. IEEE transactions on energy conversion. 2005;20(1):106-114. doi: 10.1109/TEC.2004.837304
- Villada F, Cadavid D, Munoz N, et al. Fault Diagnosis in Induction Motors Fed by PWM Inverters. In: 4th IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, 2003. SDEMPED; 2003:229-234. doi: 10.1109/DEMPED.2003.1234578
- Ryzhova EL, Osipov VYu. The use of technical means for diagnosing traction engines of rolling stock. Modern Transportation Systems and Technologies. 2024;10(4):556-576. doi: 10.17816/transsyst635142557
- Salnikov SV, Solodkiy EM, Vishnyakov DD, et al. Diagnostika asinhronnogo dvigatelia na osnove mashinnogo obuchenia. In: Proceedings of the XXVI International Conference on soft Computing and Measurements SCM-2023. 2023 May 24-26. St. Petersburg: SPBGETU “LETI”; 2023.
- Khalyasmaa A. Machine Learning as a Tool of High-Voltage Electrical Equipment Lifecycle Control Enhancement. Proceedings of Irkutsk State Technical University. 2020;24(5):1093-1094.] doi: 10.21285/1814-3520-2020-5-1093-1104.
- Korobeinikov AB, Sarvarov AS. Analysis Of Existing Methods for Diagnostics of Electric Motors and Perspectives of their Development. Electrotechnical Systems and Complexes. 2015;26(1):4-9. doi: 10.18503/2311-8318
- Breiman L. Random Forests. Machine Learning. 2001;45(1):5-32. doi: 10.1023/A:1010933404324
- Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco: ACM; 2016:785-794.
- Flakh P. Mashinnoe obuchenie. Nauka i iskusstvo postroenia algoritmov kotorye izvlekaut znznia iz dannyh. Moscow: DMK Press; 2015. (In Russ.).
- Kugaevskih AV, Muromtsev DI, Kirsanova OV. Klassicheskie Metody Mashinnogo Obuchenia. St.-Petersburg: Universitet ITMO; 2022. (In Russ.)
Дополнительные файлы
