Aplicación del aprendizaje automático para la detección de fallas entre vueltas en el sistema de bombeo.

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

1890 Accesos

4 citas

3 altmétrico

Detalles de métricas

El diagnóstico de fallas de la bomba es esencial para el mantenimiento y la seguridad del dispositivo, ya que es un aparato 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 espiras provoca un aumento masivo de la corriente, lo que afecta gravemente los parámetros tanto del motor como de la bomba. Estos han sido analizados mediante simulación mediante el modelo Matlab Simulink. Posteriormente, los resultados se verifican mediante un simulador basado en hardware en bucle (HIL). En este artículo, 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 satisfactorio de precisión. Estos modelos proporcionan resultados precisos de entrenamiento y pruebas. Con base en el error cuadrático medio (RMSE), R2, la precisión de la predicción y el valor de validación medio, estos modelos se comparan para descubrir 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 mucha atención por su construcción robusta, alto rendimiento, confiabilidad y costo de mantenimiento1. Cualquier tipo de falla en un motor de inducción tiene consecuencias drásticas en los dispositivos conectados al motor y en todo el sistema. Si la bomba está conectada a un motor de inducción defectuoso, el valor de la cabeza cambiará, el caudal cambiará y una vibración colosal creará daños graves2. La avería de todo el sistema provoca daños en el sistema y genera una enorme pérdida de energía, y el tiempo de inactividad repentino no planificado provoca enormes costes de mantenimiento. Se informa que se observa entre un 30% y un 40% de fallas en motores de inducción debido a fallas entre vueltas del estator3. En realidad, se trata de una falla eléctrica, y esta falla eléctrica es muy sensible, lo que causa daños graves. Sólo un 10-20% de falla entre espiras provoca un aumento masivo de 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 del rotor rota. Las fallas del estator son principalmente tres: falla entre fases, falla entre espiras y falla entre fases y tierra. Entre ellas, la falla entre espiras es significativa y crítica6. Esta falla entre vueltas dificulta el funcionamiento del motor de inducción y el funcionamiento del bombeo. Además de las fallas mecánicas e hidráulicas, las fallas eléctricas también afectan el rendimiento de la bomba. Una bomba centrífuga es una máquina rotativa que se utiliza para transferir fluido 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 por el sistema de bombeo. Por lo que es necesario 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 voltaje entre líneas, neutro y punto estrella del motor. Este se utilizó como modelo del motor y se creó un desequilibrio debido a una falla de cortocircuito entre vueltas. Ante la avería total y daños importantes de los dispositivos, conviene identificar este desequilibrio8. La impedancia de secuencia negativa se estimó y 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 crearon para el desequilibrio.

Para identificar este problema, se requiere un análisis de vectores espaciales9. Las fallas eléctricas se pueden detectar mediante el análisis de la firma de corriente del motor (MCSA) y el análisis de vibraciones. Para estimar la impedancia negativa en el motor, se agregó como enfoque la robustez con respecto al suministro de voltaje desequilibrado10. El análisis del espectro de frecuencia y la 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 extraer conocimiento, se utilizó estadística de orden superior (HOS). Para 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 armónico. 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 extremas y peligrosas donde el acceso a la máquina es difícil, como plantas de energía nuclear, fábricas de papel, plantas químicas e instalaciones terrestres y marinas, este método se aplica para monitorear el estado de las máquinas14,15. MCSA es una técnica de monitorización de maquinaria eléctrica con amplias aplicaciones, principalmente en la industria pesada. Se puede utilizar para detectar fallas en el motor. Aun así, la limitación de este método es que funcionará mejor si se utiliza junto con otras tecnologías como la transformación rápida de Fourier (FFT), la lógica difusa y el análisis vectorial de Park. El último avance en inteligencia artificial (IA) es el "aprendizaje por 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. Fallos de rotura del impulsor en un motor de inducción16. Se han comparado bosques aleatorios, máquinas de vectores de soporte, métodos de aprendizaje automático extremos (ELM) y redes neuronales probabilísticas en función de diversas características para la detección de fallas en maquinarias giratorias. Con base en la precisión, se descubre que cuando el tamaño de los datos es limitado, el bosque aleatorio funciona mejor que otros algoritmos17. Para el diagnóstico de fallas de sistemas complejos se ha utilizado como modelo híbrido una red de patrones espaciotemporales (STPN) con una red neuronal convolucional (CNN). Estos métodos de aprendizaje profundo se han utilizado para el análisis del conjunto de datos de fallas de rodamientos como caso de estudio. El rendimiento de STPN-CNN se ha evaluado en función de la tasa de precisión18. En un estudio, se utilizaron CNN y una red neuronal convolucional adversaria profunda (DACNN) para el diagnóstico de fallas mecánicas. El novedoso 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. Se ha utilizado un codificador automático profundo para el análisis de diversos daños en los rodamientos de las máquinas. Se ha utilizado una 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 de un sistema de bombeo basado en un motor de inducción trifásico. La falla entre espiras se ha descrito aquí como un problema importante 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 del estado de la máquina. La necesidad de equipos adicionales y los costos de mantenimiento son una carga para las industrias debido a fallas repentinas de las máquinas. El control del estado del devanado de la máquina es muy importante para evitar pérdidas, ya que las fallas entre espiras causan daños a los devanados. En este artículo de investigación, la falla general del devanado del estator se analiza en las siguientes secciones y también se describe cómo los parámetros tanto del motor como de 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 ML se aplican para detectar fallas entre espiras del estator en sistemas de bombeo basados ​​en motores de inducción. Ambos modelos se utilizan en la investigación propuesta y se han comparado el rendimiento de ambos algoritmos. Además, se comparan varios algoritmos supervisados ​​con ANN y ANFIS para encontrar un mejor resultado. Algunos trabajos existentes también se han comparado con ANN y ANFIS.

La investigación propuesta se ha realizado en base a algunas ecuaciones matemáticas de un sistema de bombeo que está acoplado a un motor de inducción. Estas ecuaciones se aplican para construir el modelo Matlab Simulink de un sistema de bombeo basado en motor de inducción. Dado que la creación de fallas en un sistema en tiempo real causa daños importantes, se ha desarrollado un modelo de simulink basado en ecuaciones matemáticas para analizar las situaciones en buen estado y defectuosas. En un principio, 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 clasificó de manera que la corriente en la fase A aumente repentinamente, y también ayuda a aumentar la corriente de las fases B y C. Debido a los cambios en el valor actual, el par y el valor de 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 está acoplada al motor de inducción y funciona a la misma velocidad. Se permiten hasta tres niveles de subpartida. Los subtítulos no deben estar numerados.

Esta sección describe varias ecuaciones que expresan voltaje, corriente y flujo del estator y rotor de un 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 fases. as1, as2 denotan partes del estator que no están defectuosas y defectuosas, respectivamente. Aquí P es el operador de Laplace, el operador derivada \(\frac{d}{dt}\) se reemplaza por P.

Estas ecuaciones muestran una 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 del estator al 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 físicas fundamentales, se han realizado análisis de la dinámica de las plantas 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 la fuerza de Newton es que la aceleración angular es proporcional al par sobre el eje. Entonces, las ecuaciones muestran el movimiento del motor y el conjunto de bomba.

J muestra el momento de inercia. Aquí el momento de inercia es la constante de proporcionalidad en un caso específico. El par activo del motor asíncrono se muestra mediante \({M}_{MT} \; \mathrm{y \; aceleración \; par \; es \; mostrado \; por} \; {M}_{a}\) , el par pasivo o resistivo de la bomba se muestra mediante \(M_{p}\) 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. 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 la altura 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 velocidad expresan el flujo de la bomba. El valor de la cabeza es proporcional a la velocidad angular, ya que el caudal es proporcional a la velocidad angular23.

En la última ecuación, el coeficiente de eficiencia de la bomba se denota por el hecho de que es constante y, en diferentes modos, cambia hasta cierto punto, reflejándose en los demás parámetros.

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

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

Se basa 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 mediante \({H}_{S}\). 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 superior del agua es TWL y el nivel inferior del agua es BWL.

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

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

Ahora la velocidad se muestra como

Aquí el caudal 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 a los accesorios del tanque receptor utilizados para las tuberías del sistema.

\({K}_{pipe}\) 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. Mediante 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 flujo 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 requisito de potencia para la bomba, H es la altura, \(g\) la aceleración de la gravedad y la 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 altura de 23,5 m. En condiciones saludables, el motor de inducción trifásico produce sólo 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 espira en un devanado monofásico con la ayuda del software MATLAB. El modelo Simulink se ha desarrollado experimentalmente porque resulta complicado crear fallos 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 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 en el bucle) para su validación. En otra parte del experimento, se implementaron algoritmos ML sobre 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 basándose en las ecuaciones matemáticas del “Modelo matemático de un sistema de bombeo basado en 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 detección de fallas entre vueltas en un sistema de bombeo basado en 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 son 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 la corriente de secuencia positiva y la corriente de secuencia negativa para clasificar la gravedad del nivel de falla en los devanados de fase.

No habrá ningún 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 espiras. 40%, el valor de \(\delta \; \mathrm{varía \; de } \; 1 \; \mathrm{ a } \; 0,98, \; \mathrm{ para \; cortocircuito \; circuito \; nivel \ ; of } \; 0 \; \mathrm{ to } \; 40{\%}\) La Fig. 2 muestra el modelo Simulink de un sistema de bomba centrífuga basado en 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 analizó desde un 0 hasta un 40 % de falla de cortocircuito, los resultados del HIL OP5700 se compararon entre una falla de cortocircuito saludable y un 40 % de falla para verificar la fluctuación más alta durante condiciones de falla extrema. Cuando ocurre la falla entre espiras, la corriente de la fase A aumenta y ayuda a aumentar la corriente de las fases B y C. Durante condiciones de falla, la respuesta de torque 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 a la bomba para que la velocidad también llegue a la bomba 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 desciende por debajo de la presión de vapor, se producirá un problema de cavitación y un aumento repentino en el caudal crea un problema de vibración en todo el sistema.

Las figuras muestran la curva de rendimiento de corriente, velocidad y 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 saludable y de falla entre vueltas 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 del 40% y en buen estado.

(a) Corriente del estator en buen estado 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) Velocidad del motor de inducción Se produce una falla entre vueltas del estator del 40%.

De manera similar, las Fig. 5a, b muestran el valor de torque en condición de falla entre vueltas en buen estado y el 40%. Durante una falla, el motor 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 del par.

(a) Par del motor de inducción en buen estado. (b) Torque del motor de inducción en condición defectuosa.

La Figura 3 muestra que el valor actual aumenta para la fase A. Una vez que ocurre una falla entre vueltas y si el número de vueltas aumenta, el valor actual también aumenta. También se acelera el aumento de la corriente de las fases B y C. De manera similar, los valores de velocidad y torque también aumentan durante condiciones de falla, como se muestra en las Figs. 4 y 5. Una vez que aumenta la velocidad del motor, la velocidad de la bomba también aumenta. 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 condiciones saludables y con un 40% de falla entre vueltas. 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 del 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 diagnosticar el 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 el diagnóstico de fallas del motor de inducción, no se puede describir ni 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 capacidades 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 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 control autoadaptativo y funciona mejor para una función no lineal continua. El proceso se puede realizar a través de seguimiento en línea28. Las RNA están altamente interconectadas y son similares al cerebro humano y siguen 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 agrega 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 extracción de características. La extracción de características es una 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 curtosis (KV), la amplitud de la raíz, el valor pico a pico (PPV), la desviación estándar (SD), el valor de asimetría (SV), el factor de despeje, 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 reducir la gran cantidad de información contenida en la señal actual que se refleja en la señal general. La señal de corriente bruta se utiliza para la conversión de múltiples funciones para respaldar el sistema inteligente para analizar y clasificar situaciones saludables y defectuosas. Este procedimiento general se denomina extracción de características. Las características estadísticas y ecuaciones 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 son técnicas poderosas mediante las cuales se pueden identificar fallas en los motores 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 un mapeo de entrada-salida. La iteración basada en la minimización u optimización de algún error medido entre el resultado producido y el resultado deseado puede ajustar las ponderaciones 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 condición de salud, cortocircuito de 5 vueltas, cortocircuito de 10 vueltas, cortocircuito de 20 vueltas, cortocircuito de 30 vueltas 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 espiras, las corrientes del estator se recopilan tanto en condiciones saludables como defectuosas, como en diferentes condiciones de espiras en cortocircuito. Entonces las corrientes deben convertirse en marco qd. Las señales actuales se preprocesan mediante extracciones de características y estas características se envían a los clasificadores para el diagnóstico de fallas del motor de inducción. En el primer caso el experimento se ha realizado en condiciones saludables y se han recogido datos actuales. Luego se han recopilado datos actuales de condiciones de 5, 10, 20, 30 y 40 vueltas durante condiciones de falla. Las corrientes trifásicas se convierten en marco qd mediante transformación de empleado. Las 5000 muestras se recolectaron para cada señal con una duración 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 desempeño del clasificador para determinar la precisión del modelo. El error cuadrático medio se calculó a través de la red para ajustar el peso y encontrar la tasa de precisión máxima a través del conjunto de datos de entrenamiento y prueba.

La retropropagación de Levenberg Marquardt se elige con fines de capacitación, y los datos de capacitación y prueba ayudan a obtener el error cuadrático mínimo (MSE) promedio para ANN. Los valores promedio de MSE relacionados con 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 saludables 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 como para la validación cruzada y el conjunto de datos de prueba.

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

Porcentaje de precisión con respecto a elementos de procesamiento en condiciones saludables 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 inciertos y mal definidos. Los pares de datos de entrada/salida del sistema considerado construyen 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 membresía. La capa 2 representa la capa de reglas, cuya salida es la fuerza 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 consiguiente, cuya capa de salida es el producto de la fuerza de disparo normalizada y el polinomio consiguiente de reglas difusas. La capa 5 muestra la salida general y define la capa de defusificación, cuya salida es la salida ANFIS general. Los problemas de los 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. Definir valores de entrada y salida, conjuntos difusos para valores de entrada, reglas difusas y crear y entrenar el NN son los pasos para aplicar ANFIS al modelo de alumno34. Aquí también las corrientes del estator se recogen y transforman en un marco qd mediante transformación de empleado. El modelo ANFIS utiliza transformación wavelet discreta (DWT) o transformación wavelet continua (CWT). El CWT es un concepto similar al FFT pero utiliza el número de ondas como función en lugar de la función seno y coseno. La wavelet consta de dos parámetros como escala y 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 y b se muestra como parámetro de tiempo. ϕ es la función wavelet y x (t) es la señal original. DWT se utiliza para recopilar fallas del rotor y se utiliza 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 rendimiento. R2 y el error cuadrático medio (RMSE) se utilizan para encontrar el modelo más adecuado para la detección de fallas en sistemas de bombeo basados ​​en motores de inducción. RMSE y R2 se utilizan principalmente para el análisis de fallas para ANFIS. Con base en DWT se puede realizar la evaluación del desempeño (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 funciones. Se utilizan 100 muestras para cada condición, como condición de estado saludable o de falla de giro. En total para seis condiciones se formaron 600 muestras. De estas, 300 muestras se han utilizado con fines de capacitación 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.

El rendimiento de los modelos ANN y ANFIS obtenidos también se compara una vez finalizada la construcción del modelo. RMSE y R2 tienen valores estadísticos comparativos para los modelos ANN y ANFIS, que se dan 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 la predicción para ANN (R2 es 100 y RMSE es 0,054) es mejor que la del 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 tuvo un mejor desempeño 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 al entrenamiento, pruebas, validación y valores generales.

Resultado de mejor ajuste del modelo ANN.

Se han realizado varios trabajos previos para la detección de fallas entre espiras de motores de inducción y sistemas de bombeo basados ​​en motores. Hasta ahora, la investigación sobre la falla entre espiras del motor de inducción analizaba solo los cambios de los parámetros del motor de inducción después de que se producía 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 espiras, 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 vueltas en motores de inducción. El estudio de desarrollo Mexbios fue creado para analizar los cambios de parámetros en un motor de inducción durante una condición de falla. Aunque esto es posible implementarlo 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 obtener menos 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 espiras y se obtuvieron cambios de corriente en la fase A. El experimento analizó el cambio de unidad de corriente de secuencia positiva a partir de corriente de secuencia negativa. El experimento se realizó hasta 54 épocas. Aquí se realizó un análisis experimental para un pequeño nivel de valores36. Se desarrolló el modelo NN en tres condiciones diferentes: sin carga, 50% de carga y carga completa para cinco motores diferentes para el análisis de fallas entre vueltas. Se desarrolló hasta un 15% de falla entre espiras y la tasa de precisión del modelo NN para varios motores varió del 88 al 99%37. El novedoso análisis wavelet se desarrolló en una investigación.

El modelo se construyó para analizar fallas entre espiras basándose en una transformación de ondas discretas utilizando la transformación vectorial de Park. Se realizó un análisis de rendimiento para condiciones saludables y de fallas de giro diversas. El MSE se obtuvo para el análisis de precisión del desempeño de situaciones saludables y defectuosas38. Otras investigaciones se basan en el análisis FFT y la transformación de Park, pero estas investigaciones no son adecuadas para modelos de control predictivos 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 una falla entre vueltas. Como es el modelo Simulink, es posible crear para el análisis un rango tan alto que es de hasta el 40% de falla entre vueltas.

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

De manera similar, los autores también implementaron 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. Generalmente, los algoritmos de ML tienen variables objetivo que deben predecirse a partir de variables independientes, y estas variables generan funciones para mapear la entrada para lograr el resultado deseado. Después de ese proceso de capacitación se debe realizar para lograr mejores logros y mayor precisión. El proceso de capacitación 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 clases; este es el proceso de clasificación. Los márgenes se clasifican entre márgenes duros y márgenes blandos. Dado que el presente diagnóstico aborda el problema de clasificación no lineal, se utiliza un margen suave. La precisión de SVM depende de tres factores: función de umbral, función de costo y función del núcleo. 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 discriminativa, el algoritmo memoriza el conjunto de datos de entrenamiento. Al minimizar el conjunto de entrenamiento, el aprendizaje basado en intenso ayuda a evitar errores. Las desventajas de K-NN son un amplio almacenamiento de memoria, un tiempo de predicción prolongado y una sensibilidad innecesaria a 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 tanto para problemas de clasificación como de regresión. Dividiendo en subconjuntos más pequeños, se puede realizar el proceso de clasificación y, en base a 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 al usuario una ecuación gráfica para la predicción de los datos. Siempre muestra el valor promedio ponderado para fines de predicción. A través del análisis estadístico puede predecir el resultado exacto. La mayoría de los cursos de estadística elemental cubren técnicas fundamentales, como hacer diagramas de dispersión y realizar regresión lineal. 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 características se dividen en dos categorías al azar en una proporción de 70:30. En la mayoría de los casos, el 70% de los datos se utiliza con fines de capacitación y el 30% se utiliza para probar datos para evaluación. Para todos los algoritmos, la regla es la misma. El tamaño de los datos de la muestra es 5000 como ANN y ANFIS. Para fines de extracción de características, se han formado 300 muestras de datos para un mejor análisis. De estos, el 70% se utiliza con fines de capacitación, el 15% para validación cruzada y el 15% restante con fines de prueba. Todo el diagnóstico se realiza 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.

En 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 muestra la precisión general de los algoritmos de ML.

Precisión general de varios algoritmos de ML.

Este artículo explica el análisis de fallas entre vueltas del sistema de bombeo basado en motor de inducción y se muestran los cambios de parámetros durante situaciones de falla en diferentes condiciones de vuelta. Los resultados de la simulación se verificaron a través del dispositivo basado en bucle HIL (OP5700) y la corriente de fase del motor aumenta cuando ocurre la falla. Una vez que aumenta la corriente, la velocidad y el par también aumentan, afectando el sistema de bombeo. La velocidad ayuda a aumentar repentinamente el caudal de la bomba y provoca una gran caída de presión y una disminución del valor de la 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 principio, se han realizado la identificación y predicción de la falla mediante modelos basados ​​en algoritmos ANN y ANFIS. Se utilizan ambas técnicas y se ve que ANN funciona mejor que ANFIS, según los valores RMSE y R2. También se comparan varios otros trabajos de investigación con el trabajo propuesto para descubrir nuevos desarrollos en el trabajo propuesto. Se observa que la investigación propuesta es adecuada para aplicaciones industriales y puede identificar fácilmente la condición defectuosa de una gran cantidad de datos. En el futuro, la ANN se habría utilizado para otras detecciones de fallas en sistemas de motores y bombas y para otras maquinarias y puede convertirse en una técnica de diagnóstico integral. Los autores también compararon varios algoritmos de 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, la implementación 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 complementaria]. En el 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 de un 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 incipientes entre espiras para un motor síncrono trifásico de imanes permanentes. Traducción IEEE. Aplica. Ind. 52(5), 4426–4434 (2016).

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo de Google Scholar

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

Artículo MathSciNet Google Scholar

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

Artículo de Google Scholar

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

Google Académico

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

Artículo de Google Scholar

Orrù, 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 de Google Scholar

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

Artículo de Google Scholar

Ranganatha Chakravarthy, HS, Bharadwaj, SC, Umashankar, S., Padmanaban, S., Dutta, N., Bo Holm-Nielsen, J. Detección de fallas eléctricas mediante algoritmo de aprendizaje automático para bombas de agua centrífugas. En la Conferencia Internacional IEEE sobre Medio Ambiente e Ingeniería Eléctrica de 2019 y IEEE Industrial and Commercial Power Systems Europe de 2019 (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 y cols. Investigación experimental de firmas de potencia para cavitación y golpe de ariete en un sistema de bombeo paralelo industrial. Energías 12(7), 1351 (2019).

Artículo de Google Scholar

Jain, G. & Umashankar, S. Modelado y simulación de un motor de inducción alimentado con energía solar fotovoltaica para aplicaciones de bombeo de agua utilizando el algoritmo MPPT de observador y perturbación. En 2016, Conferencia Internacional sobre Tecnologías Energéticamente Eficientes 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 materiales y 2019, Ingeniería, vol. 623, núm. 1, 012016. (Publicación IOP, 2019).

Hussein, HA, Taha, M., Ammar, E. y Moustafa Hassan, MA El estator de un motor de inducción trifásico gira el análisis de fallas basado en inteligencia artificial. En t. J. Sistema. Din. Aplica. 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. Medidas. Control. 40(8), 2681–2693 (2018).

Artículo de Google Scholar

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

ADS del artículo Google Scholar

Han, Te., Liu, C., Yang, W. y Jiang, D. Un novedoso marco de aprendizaje adversario en una red neuronal convolucional profunda para el diagnóstico inteligente de fallas mecánicas. Sistema basado en el conocimiento. 165, 474–487 (2019).

Artículo de Google Scholar

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 de Google Scholar

Skowron, M., Orlowska-Kowalska, T., Wolkiewicz, M. & Kowalski, CT Diagnóstico de fallas incipientes del estator basado en datos de corriente del estator basado en redes neuronales convolucionales de un motor de inducción alimentado por inversor. Energías 13(6), 1475 (2020).

Artículo de Google Scholar

Salih, HR, Ali, AA y Basarab, DG Modelado dinámico del sistema de accionamiento de bomba 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 vueltas y evaluación de la gravedad en un sistema de propulsión eléctrica utilizando un modelo híbrido HCNN-SVM. Traducción IEEE. Indiana Informar. 18, 1823–1832 (2021).

Artículo de Google Scholar

Ostojic, P., Arijit, B., Dhaval, P., Wrichik, B., Shahid, A. Monitoreo y diagnóstico avanzados del motor. En Industry Applications Society, 60ª Conferencia Anual de la Industria Química y del Petróleo, 1–9. (IEEE, 2013).

Haroun, S., Nait Seghir, A., Touati, S. Enfoque de detección y discriminación de fallas entre espiras y desequilibrio de voltaje del estator para una bomba de refrigerante de reactor. En 3ª Conferencia Internacional sobre Sistemas y Control, 99–104. (IEEE, 2013).

Mohamed, MA et al. Modelado de diagnóstico para fallas de motores de inducción mediante algoritmo ANFIS y extracción de características basada en DWT. Aplica. Ciencia. 11(19), 9115 (2021).

Artículo CAS Google Scholar

Rajeswari, R. & Kamaraj, N. Diagnóstico de falla entre espiras en el estator de un generador síncrono utilizando ANFIS basado en wavelets. Académico Mundial. Ciencia. Ing. Tecnología. 36, 203–209 (2007).

Google Académico

Panda, S., Mishra, DP, Dash, SN Comparación de técnicas ANFIS y ANN en clasificación y localización de fallas en líneas de transmisión largas. En 2018, Conferencia internacional 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 rodamientos de los motores de inducción. Energías 12(11), 2105 (2019).

Artículo de Google Scholar

Duan, F. & Rastko, Z. Un modelo para motor de inducción con fallas del estator. En 2012, 22ª 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 neurodifusión adaptativa para la detección de gravedad y fase de una máquina de inducción. En Conferencias sobre modelado y simulación, 41–51.

Ghafari, SH Un sistema de diagnóstico de fallas para maquinaria rotativa soportada por rodamientos. (Universidad de Waterloo, 2007).

Solodkiy, E., Dmitry, D. y Saveliy, S. Detección de cortocircuito entre vueltas del estator en un motor de inducción trifásico 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 mapear la susceptibilidad al hundimiento de la tierra. J. escupió. Ciencia. 65(3), 401–418 (2020).

Artículo de Google Scholar

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

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

Artículo de Google Scholar

Umashankar, S., Sanjeevikumar, P. y Paramasivam, S. Control de par directo basado en un sistema de inferencia neuro-difusa adaptativo (anfis) de una 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. Computadora. Ing. 11(1), 9 (2021).

Google Académico

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

Artículo de Google Scholar

Descargar referencias

Los autores desean expresar su más sincero agradecimiento al Danfoss Advanced Drives Laboratory, VIT University, por hacer que esta investigación funcione para su ejecución e implementación técnica en tiempo real. Este es el proyecto de colaboración conjunto industria-académica para una solución de bombeo industrial. La colaboración se realiza entre la industria VIT Vellore y Danfoss Pvt Ltd.

No existe ninguna fuente de financiación para esta actividad de investigación.

Estos autores contribuyeron igualmente: 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 puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

ND, PK ha realizado el análisis de fallas entre vueltas en un sistema de bombeo centrífugo basado en motor 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 artículo de investigación completo.

Correspondencia a Palanisamy Kaliannan.

Los autores declaran no tener conflictos de intereses.

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

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique 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 normativa legal o excede el uso permitido, deberá obtener 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 vueltas en un sistema de bombeo. Informe científico 12, 12906 (2022). https://doi.org/10.1038/s41598-022-16987-6

Descargar cita

Recibido: 17 de febrero de 2022

Aceptado: 19 de julio de 2022

Publicado: 28 de julio de 2022

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

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

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

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Revista de Electrónica de Potencia (2023)

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.