BACKGROUND. Machine learning methods are effective advanced means ensuring the operability of various engineering systems, including test systems. As statistics on faults accumulate, test systems based on machine learning algorithms provide higher prediction accuracy and do not require expensive test equipment and skilled personnel.
AIM. To develop a test system capable of both determining the fault and assessing its extent with high accuracy.
MATERIALS AND METHODS. The subject of the study is a three-phase asynchronous motor with a squirrel cage rotor; machine learning methods are used to achieve the goal.
RESULTS. Using the example of interturn faults in the stator winding, the authors demonstrate that it is possible to detect the fault and its extent even at the initial stage (with a few short-circuited turns) with an accuracy of at least 95%.
CONCLUSION. Machine learning methods allow to develop effective and affordable test systems that are versatile, highly accurate, and do not require skilled personnel.
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.