Asynchronous motor fault detection using machine learning algorithms

Full Text

Введение

Асинхронные двигатели получили широкое распространение в электроприводе транспортных средств и технологических механизмов предприятий промышленности и транспорта благодаря простоте конструкции, надежности в эксплуатации и ремонтопригодности. По данным статистики асинхронные двигатели потребляют до 80% электрической энергии в промышленности и до 30% на транспорте. Несмотря на высокую надежность, асинхронные двигатели подвержены отказам, наиболее частыми причинами которых являются эксплуатационные перегрузки (около 50% случаев) и технологические нарушения (около 35% случаев). Для асинхронных двигателей общепромышленного исполнения мощностью 5 кВт и выше около 85% отказов происходят из-за повреждения обмоток статора, при этом свыше 90% от этого числа составляют межвитковые замыкания. Для асинхронных двигателей, работающих в особо тяжелых условиях эксплуатации, связанных с тепловыми, вибрационными и ударными механическими нагрузками, в частности тяговых двигателей, распределение отказов по элементам конструкции может отличаться от приведенных значений в сторону увеличения процента отказов подшипниковых узлов и обрыва стержней ротора [1–4].

Контроль технического состояния и диагностирование неисправностей являются важным элементом правильной эксплуатации электрических машин и эффективным инструментом предупреждения отказов, вызывающих нарушение технологического процесса. В настоящее время известно множество методов диагностирования неисправностей электрических машин, однако большинство из них связано с необходимостью остановки двигателя и технологического механизма. Кроме того, многие методы для правильной интерпретации результатов диагностики требуют участия высоко квалифицированного персонала [5–9]. По этим причинам в последнее время возрастает интерес к системам диагностирования, основанным на методах машинного обучения при минимальном участии обслуживающего персонала и минимальной потребности в измерительном оборудовании [10, 11].

Постановка задачи. модель машинного обучения

В настоящей работе рассматривается следующая задача: для асинхронного трехфазного двигателя на основе методов машинного обучения создать систему диагностирования, способную малыми измерительными средствами с достаточной точностью определять не только наличие неисправности, но и степень ее развития. В качестве неисправности, идентификация которой осуществляется методами машинного обучения, выступает наиболее распространенная причина отказов асинхронных двигателей – межвитковое короткое замыкание обмотки статора.

Модель машинного обучения, способная анализировать и диагностировать неисправности асинхронных двигателей, создана на базе экспериментального стенда, схема которого представлена на Рис. 1. Две фазы асинхронного двигателя АД питаются от преобразователя частоты ПЧ через автотрансформатор АТ, третья фаза АД питается от ПЧ напрямую. Таким образом удается имитировать межвитковое короткое замыкание в третьей фазе двигателя. Путем изменения положения подвижного контакта АТ можно также имитировать межвитковое короткое замыкание различного количества витков в фазе обмотки статора АД. Два датчика тока ДТ передают сигнал на измерительное устройство ИУ, связанное с персональным компьютером ПК. Нагрузка АД обеспечивается машиной постоянного тока МПТ независимого возбуждения, создающей противодействующий момент на валу двигателя АД. В Табл. 1 представлен объем собранных экспериментальных данных для различного количества короткозамкнутых витков фазы обмотки статора АД. Исходный сигнал, получаемый от датчиков тока ДТ, представлен на Рис. 2.

 

Рис. 1. Экспериментальный стенд ПЧ – преобразователь частоты; АТ – автотрансформатор; ДТ1, ДТ2 – датчики тока; АД – асинхронный двигатель; МПТ – машина постоянного тока; ОВ – обмотка независимого возбуждения МПТ; СУ МПТ – система управления МПТ; ИУ – измерительное устройство; ПК – персональный компьютер.

Fig. 1. Experimental setup ПЧ – frequency converter; AT – autotransformer; ДТ1, ДТ2 – current sensors; АД – asynchronous motor; МПТ – direct current machine; ОВ – independent excitation winding of МПТ; СУ МПТ – control system of МПТ; ИУ – measuring device; ПК – personal computer.

 

Таблица 1. Объем собранных экспериментальных данных для обучения модели

Table 1. Volume of collected experimental data for model training

Наличие межвиткового короткого замыкания	Количество измерений
Без межвиткового короткого замыкания	142
Межвитковое короткое замыкание, 5 % числа витков	85
Межвитковое короткое замыкание, 10 % числа витков	80
Межвитковое короткое замыкание, 15 % числа витков	90

 

Рис. 2. Исходный сигнал, получаемый от датчиков тока ДТ

Fig. 2. Initial signal received from the DT current sensors

 

Корректное применение алгоритмов машинного обучения возможно лишь после обработки (фильтрации) сигналов, получаемых от датчиков тока ДТ. Такая фильтрация сигналов, содержащих высокочастотные помехи, осуществлена с помощью фильтра на базе операционного усилителя LM252 и алгоритмически на основе скользящего среднего (Рис. 3). Обработанные, без помех сигналы датчиков ДТ1 и ДТ2 далее были нормализованы и приведены к одинаковой размерности с числом периодов N=4.

 

Рис. 3. Сигнал датчиков тока ДТ1, ДТ2 после фильтрации высокочастотных помех

Fig. 3. Signal from current sensors after filtering high-frequency interference

 

На Рис. 4 представлены обработанные и нормализованные сигналы датчиков тока для двух различных степеней развития межвиткового короткого замыкания в фазе обмотки статора АД. Видно, что сигналы для этих случаев визуально практически неотличимы, что делает применение стандартных методов диагностирования малоэффективным и приводит к необходимости использовать методы машинного обучения, позволяющие с достаточной точностью определить, как вид неисправности, так и степень ее развития [12].

 

Рис. 4. Вид нормализованных сигналов датчиков тока после фильтрации для различной степени развития межвиткового короткого замыкания: а – короткое замыкание 5% витков; b – короткое замыкания 15% витков

Fig. 4. View of normalized signals from current sensors after filtering for different degrees of development of interturn short circuit: а – short circuit of 5% of turns; b – short circuit of 15% of turns

 

Некоторые методы машинного обучения для решения поставленной задачи

Рассмотрим несколько методов машинного обучения, которые могут быть использованы при решении поставленной задачи.

Метод случайного леса (Random Forest) представляет собой метод, используемый для решения задач классификации и регрессии, и основан на объединении множества деревьев решений для улучшения точности и устойчивости модели. Алгоритм метода заключается в создании множества деревьев решений и использовании их для поиска окончательного решения. Каждое из деревьев строится на случайном подмножестве обучающих данных и признаков, в результате чего деревья отличаются друг от друга, что позволяет уменьшить эффект переобучения и повысить качество предлагаемых решений. Этот метод обеспечивает высокую точность, устойчивость к переобучению за счет использования подвыборок и случайных признаков, характеризуется большей гибкостью в силу того, что может обрабатывать пропущенные данные, и позволяет определить, какие признаки оказывают наиболее сильное влияние на результат. К недостаткам метода можно отнести потребность в настройке сложных параметров и необходимость значительного времени для обучения модели, особенно при использовании большого количества деревьев решений [13].

Метод Extreme Gradient Boosting обеспечивает высокую точность и масштабируемость результатов. Модели, которые обычно представляют собой деревья решений, обучаются последовательно, при этом последующая модель исправляет ошибки предыдущих. Первым этапом алгоритма является обучение базовой модели, которая в задачах регрессии прогнозирует среднее значение целевой переменной, и вычисление ошибок между прогнозируемыми и фактическими значениями. Обучение следующего дерева осуществляется на ошибках предыдущего с исправлением этих ошибок, далее процесс повторяется до тех пор, пока не будет удовлетворен критерий остановки. Преимуществами метода являются возможность параллельных вычислений, устойчивость к переобучению и выбросам, высокая точность, работа с пропущенными значениями, возможность обрабатывать новые данные. К недостаткам можно отнести трудоемкость вычислений, особенно при обучении сложных моделей, что затрудняет использование этого метода для систем с ограниченными ресурсами [14].

Метод логистической регрессии (Logistic Regression) используется для разделения данных на классы и моделирования вероятности отнесения данных к одному из классов. Суть метода заключается в прогнозировании вероятности возникновения некоторого события на основе данных об уже случившихся событиях. В отличие от обычной регрессии метод не предполагает прогнозирования численного значения переменной, а определяет вероятность того, что исходное значение будет принадлежать к определенному классу. Преимущества метода заключается в простоте реализации и интерпретации данных, удобстве использования для начальных этапов анализа данных, способности к быстрому обучению, возможности интерпретировать коэффициенты модели как показатели важности признака. Недостатками являются невозможность решения нелинейных задач, чувствительность к шуму и выбросам (аномальные значения могут существенно повлиять на результат), при наличии сильно взаимосвязанных переменных коэффициенты могут стать нестабильными и сложно интерпретируемыми [15, 16]. Логистическая регрессия изначально предназначена для бинарной классификации, но её можно адаптировать для задач с несколькими классами (мультиклассовая классификация). Одним из подходов является: One-vs-Rest (OvR) / One-vs-All (OvA). Этот подход основан на том, что для каждого класса создаётся отдельная бинарная модель, которая предсказывает вероятность принадлежности к этому классу против всех остальных. На этапе предсказания выбирается класс с наибольшей вероятностью.

Результаты

Методы случайного леса, Extreme Gradient Boosting и логической регрессии использованы для решения поставленной задачи по определению наличия межвиткового замыкания в фазе обмотки статора АД и степени его развития. Сравнение точности указанных алгоритмов машинного обучения для решения задачи проводилось при помощи перекрестной проверки при разделении данных на десять частей. Результаты представлены в Табл. 2.

 

Таблица 2. Точность использованных методов машинного обучения

Table 2. Accuracy of the machine learning methods used

Алгоритм	Точность	Отклонение
Метод случайного леса (Random Forest)	0,931	0,079
Метод экстремального усиления градиента (EG Boosting)	0,937	0,054
Метод логической регрессии (Logistic Regression)	0,985	0,020

 

Для решения поставленной задачи наиболее точным оказался метод логистической регрессии (точность 98,5%). ROC кривые (Receiver Operating Characteristics), которые показывают насколько хорошо модель машинного обучения может различать два класса событий, а также матрица ошибок, показывающая количество правильных и ошибочных предсказаний для каждого класса при обучении модели на 60% собранных данных, представлены на Рис. 5.

 

Рис. 5. Матрица ошибок (слева) и ROC кривая (справа) для алгоритма логистической регрессии

Fig. 5. Error matrix (left) and ROC curve (right) for the logistical regression algorithm

 

Заключение

На примере межвиткового короткого замыкания обмотки статора асинхронного двигателя показано, что алгоритмы машинного обучения являются эффективным средством диагностики не только наличия неисправности, но и позволяют с достаточной точностью определять степень ее развития. Использованные в работе методы позволяют с высокой достоверностью определять наличие межвиткового короткого замыкания даже при весьма малом числе короткозамкнутых витков обмотки, что дает возможность диагностировать неисправность на начальном этапе ее развития и предупредить нарушение технологического процесса. Диагностика с помощью методов машинного обучения характеризуется низкой стоимостью измерительно-диагностического оборудования и не требует специальных навыков обслуживающего персонала. Методы машинного обучения могут быть использованы для диагностики неисправностей различных элементов конструкции электрических машин; точность диагностирования будет при этом увеличиваться по мере накопления статистических данных.

Авторы заявляют, что:

1. У них нет конфликта интересов;
2. Настоящая статья не содержит каких-либо исследований с участием людей в качестве объектов исследований.

The authors state that:

1. They have no conflict of interest;
2. This article does not contain any studies involving human subjects.

About the authors

Evgeny G. Sereda

LLC “RackFork”

Email: evgeniy.sereda@rackfork.ru
SPIN-code: 4284-3319

Cand. Sci. (Tech.), Senior specialist

Russian Federation, St. Petersburg

Andrey S. Solovyov

Emperor Alexander I St. Petersburg State Transport University; JSC “Power machines”

Author for correspondence.
Email: vgvhyjh@mail.ru
ORCID iD: 0009-0001-2408-1840
SPIN-code: 1594-5049

Post graduate student, test engineer

Russian Federation, St. Petersburg; St. Petersburg

References

Supplementary files