基于神经网络的故障检测和诊断系统的三相逆变器和感应电动机变速传动

文摘

最近,电子驱动器通常将逆变器和感应电机。因此,逆变器必须考虑与感应电动机提供相关有效的诊断这些系统。逆变器的各种缺点可能影响意想不到的系统操作维护,这就增加了成本因素,降低整体效率。在这篇文章中,故障检测和诊断基于特征提取和神经网络技术对三相逆变器。这个故障检测和诊断系统的基本目的是检测单个或多个故障有效。从克拉克转换输出电流中提取一些特征,用于故障检测和诊断的神经网络作为输入。因此,一些模拟研究以及硬件实现和实验进行了验证该方案的可行性。设计结果表明,该系统不仅检测的缺点很容易,而且可以有效区分多个错误。这些结果证明设计系统的可信度和显示令人满意的性能。结果证明系统设计之前的霸权特征提取断层系统,因为它可以检测和诊断故障在一个单一的周期比以前高的多周期的检测精度。

1。介绍

近年来,感应电动机主要是美联储从脉宽调制电压源逆变器(PWM-VSI)变速操作在不同的工业应用。事实上,最常见的驱动行业VSI和感应电动机。最近,行业已经开始高功率等级的需求。逆变器驱动系统已经成为解决高功率应用,这些系统更可靠的比直接在线提供。有几种类型的故障,如控制器故障,故障电流传感器,开关设备故障、电机故障、和直流总线故障(1,2]。然而,使用逆变器有一些缺陷的引入电力电子转换器来增加组件故障的可能性主要开关设备故障如IGBT、MOSFET,是机器。

这些开关设备故障可分为打开开关故障和短开关故障。短开关故障不仅生成一个异常电力转换系统的过电流和发电机,但也导致了一些次要的问题像同步发电机的退磁。在这种情况下,应立即关闭整个系统安全的目的,而一个开放的开关故障不需要停止操作,但可以诱导系统中的噪声和振动。此外,健康的过电流流开关会导致额外的错误在这些开关。因此,打开开关故障需要立即处理。高成本由于停滞和修复,以及一般需要提高可靠性,导致研究在故障检测系统3- - - - - -5]。

关于诊断这些开放的开关故障,还提到了之前的一些研究方法。

Peuget等人建议两种方法对故障检测分析的基础上目前的矢量轨迹和瞬时频率但技术使用这个频率不能检测到错误的开关(6]。Khomfoi和托尔伯特提出了故障诊断技术来检测和识别故障定位使用神经网络在多电平逆变器。然而,这种方法需要计算努力(7]。Zidani等人提出了一个基于模糊技术检测错误的开关PWM逆变器的感应电动机使用Concordia模式,但这种方法应用于单相逆变器(8]。也Ko和李试图提出基于模糊逻辑的故障诊断系统,但这种技术只适用于单一的错,因为模糊逻辑不能区分单个和多个断层角作为他们互相重叠9]。

在本文中,基于神经网络的故障检测和诊断方法10,11三相逆变器喂养一个感应电动机的目的是检测和定位失败在一组inverter-induction电动机不需要额外的传感器或计算如图1。这种技术可以检测单个或多个开关设备故障在三相逆变器系统通过分析定子电流从输出电流模式和特征提取,然后利用这些特性的神经网络方法。硬件实现的仿真模型也进行了确认方案的可行性。结果证明,所设计的故障检测和诊断系统更健壮,准确、系统、有效和动态检测一个或多个错误。这项提议的技术要好得多相比以前的技术(7- - - - - -10],它甚至可以检测多个故障有100%的准确度,因为有效的特征提取系统相比95%或更低精度的技术,它也可以探测单个和多个故障快甚至在单一电流周期。这些模拟和基于硬件的系统结果证明系统的可信度和显示令人满意的性能。

2。故障检测与诊断系统的结构

性能诊断和状态监测变速交流驱动器是一种需要,或多或少根据其应用程序。故障检测和诊断可以避免计划外维护和停滞,让它可以运行紧急操作的缺点。本文我们讨论了两种故障情况:(我)单一故障(2)多个故障

2.1。特征提取系统

特征提取系统必须确定神经网络作为一个系统,可以提供足够的重要细节模式,可以实现神经网络性能的最高精度。特征提取系统应该为不同的速度普遍通过归一化函数的引用。还每个模式的本地化类应该在限制定义的阈值。在先前的研究中,不同的研究者也尝试使用特征提取系统故障检测和诊断三相逆变器和感应电动机。

Ko和李试图利用特征提取器的故障诊断系统在风力发电机逆变器系统(9]。他认为目前的角度和直径与模糊逻辑功能只针对单一故障检测技术。这个研究工作并不适用于多个故障模糊逻辑将无法区分单个和多个断层角度相互重叠。因此,应进一步改进这项技术适用于多个故障检测。

同样,Zidani et al。8)使用相同的角度和直径的差别在他们的研究工作以及模糊逻辑故障检测。这种方法也只适用于单一的故障检测。

Kadri et al。10]试图利用特征提取的故障检测和诊断。但在他们的情况下,特征提取器提取只有一个功能所示

这种技术只对恒速可接受的环境;他们提到,特征提取系统需要改进更好的分类性能。系统精度不高作为单一特征值可以创建虚假检测在多个故障的情况下,也就是说,两个或三个缺点。

在我们的系统,我们使用四个不同的特性以及神经网络系统的故障检测和诊断系统使我们的系统更加准确、高效和区别于以前的技术。大量的功能中扮演着至关重要的角色区分单个和多个错误。

我们使用下面提到的数学方程来计算我们的四个特征分别对仿真软件和硬件环境。特性在错误的条件下,我们在逆变器产生故障系统手动为每一个可能的场景。重复这个过程几次考虑每一个可能的变化特征值由于噪声和其他不确定性实时环境。数据范围的每个特性在每个故障条件确定基于重复过程导致下一步利用最好的神经网络训练数据。然后神经网络训练数据进行进一步的处理。

如流程图如图所示1安,设计基于故障检测和诊断系统包括四个主要步骤。

最初从三相输出电流测量数据转换两阶段使用克拉克变换。评估执行这个转换开路电源开关故障时定子电流模式进化发生在逆变器如图2。此外,在图3每个开关故障,故障诊断空间。在健康和正常情况下,定子电流模式α- - - - - -β参照系是一个圆而在故障的情况下,目前的模式是偏向的方向错误的开关。

在特征提取系统中,分析当前的重要任务是检测错误的开关。如前所述,转换固定框架,从当前模式等各种特性的意思是,表面,并在提取角。

在故障检测步骤,错误的开关可以检测并确认使用从上一步获得的属性。这一步骤的输出将1或0,0代表,1代表各自的开关状态。

当前意味着在两轴(和可以使用以下公式计算: 在哪里定义样本的数量。第三个功能角度对当前模式()可以计算 在哪里是中心frame和的中心是=框架。可以计算夹角的起源和质心如图4。

第四功能表面健康之间当前模式的差异和错误条件如图4可以计算为 在哪里健康的模式和电流矢量面是电流矢量表面缺陷模式。

提取特征数据表明,该块输出给一个适当的解相关之间的不同类型的单个和多个错误。

2.2。人工神经网络系统

人工神经网络(ann)模型的一个家庭受到生物神经网络用于估计或近似函数,可以依靠大量的输入和通常是未知的,如图5。

架构设计的故障检测和诊断神经网络前馈网络作为输入数据包含连续特性。我们的神经网络是基于一个输入层有四个神经元的四个提取特征((意味着)(平均),角和表面差异),15一个隐层神经元,神经元和一个输出层有13指缺点我们要检测的数量。乙状结肠激活函数是用于隐层和输出层。目标系统的输出二进制(1或0)。

最初,神经网络训练与正常和故障数据是必需的。那么这个训练神经网络用于故障检测系统。目标输出正常情况下将如下: 1代表了正常状态,0表示,目前没有错。输出将1的断层T1等各自的过错;输出将如所示

3所示。模拟研究

基于神经网络的故障检测和诊断系统与感应电动机三相逆变器简要描述的部分2。现在的Matlab / Simulink仿真研究了在这一节中证实其可靠性。

3.1。错一代

在我们的系统中,我们产生故障在三相逆变器系统外部检查提出了系统在故障条件下的性能。我们生成单个和多个故障通过打开的igbt逆变器,因此系统可以接收输入信号没有各自的阶段。在双故障的情况下,通常有高可能性的故障在t1和t2等两个盖茨用在同一阶段,T5&T6等等。完成阶段失踪可以注意到的缺点如短路或线路故障。但是安全起见,我们训练神经网络对于每一个可能的场景在两门开关的缺点。一些生成的缺点是T1, T2, T1和T2、T3, T2和T3, T4&T6等等。

3.2。特性数据训练神经网络

在一开始,我们需要训练神经网络在有效的方式根据工作所需的环境。系统需要正常和故障特征数据用于训练目的,如表所示1。

训练后的神经网络与上述数据,我们可以使用该神经网络系统来检测三相逆变器喂养一个感应电动机的缺陷。这个系统甚至在实时环境中,提取的特征并不完全一样训练网络。

3.3。仿真结果

设计了基于神经网络的故障检测和诊断系统为三相逆变器变速传动测试的单个和多个错误。基于模型的系统图中可以看到图6。

在模拟测试集,系统显示令人满意的分类性能在一个或多个故障情况下。

特征提取的内部配置块在正常模式中可以看到数据7和8。

在图7,我们可以看到,人工神经网络输出表明系统目前运行在正常状态。同样,在图8,α- - - - - -β改变当前模式图形显示圆这表明系统正常状态。

设计的系统响应图中可以看到9这表明系统工作效率在一个或多个开关故障模式。

数据10和11显示α- - - - - -β改变当前模式图形操作系统时在单一故障而图12显示α- - - - - -β改变当前模式图形系统运行在多个故障期间,分别。

3.4。比较研究

如前所述在表2根据故障检测技术的参考号码,不同的研究人员6- - - - - -10,12)提出了逆变器故障检测和诊断技术在过去。一些研究人员设计的单相逆变器的技术。

我们与一些技术方法的比较表明,所提出的故障检测比以前更健壮和高效的研究方法在两个因素:精度和响应时间。作为上述最高精度之前的故障检测方法是最好的95%甚至大多数的故障检测方法是针对单一的错,然而,在我们的例子中,我们在多个故障甚至100%的准确率。提出了故障检测方法可以检测故障甚至在单一电流/电压周期而先前技术为故障检测至少需要两个周期。

4所示。硬件实现

提出了基于神经网络的故障检测和诊断技术要求硬件实验证明其准确性和真实性。因此,三相逆变器是用于实现我们提出的技术比较结果与仿真软件设计系统输出如图14。三相逆变器输出电压用于特征提取和进一步处理。

SPWM逆变器(13)的目的是通过使用dsPIC30F4011数字信号处理芯片来产生开关脉冲连同Lab-Volt (8134 - 20)。基于净(c#)的编程环境和监控系统用于设计器,人工神经网络(ANN),故障检测和监控系统。倪采集x系列usb - 6343是用于获取来自Lab-Volt三相电压信号输出。系统框图如图13。

4.1。SPWM逆变器设计和数据采集

dsPIC30F4011高速数字信号处理芯片能够产生高频PWM信号。因此,我们使用这个芯片生成三相逆变器的门脉冲。门开关信号来生成三相逆变igbt在图所示15。

Lab-Volt训练系统,多功能模块可以连接各种系统电池充电/放电等实验,数据采集、功率mosfet和igbt,交流电源接口,风轮机模拟器,和不同类型的负载如电阻、电容和电感。因此,Lab-Volt随着不同的模块是用来使三相逆变器连接到负载RL。

NI USB采集x系列USB - 6343, PCI express, PXI表达是一种先进的数据采集设备由国家仪器设计。倪采集的主要特征x系列USB板载时间,触发,优化使用多核电脑。这个设备集成高性能模拟、数字和计数器/定时器功能到一个设备,使它们适合广泛的应用程序,从基础数据记录到控制和自动化测试。我们使用这个设备从Lab-Volt获得三相输出。

4.2。设计的。基于网络的故障检测和诊断系统

微软visual studio是一个集成开发环境用于开发计算机程序以及web应用程序和服务。这个IDE项目支持不同的编程语言和允许代码编辑器支持几乎所有的编程语言。内置的语言包括C、c++和c++ / CLI,。净、c#和f#。

三相电压信号在c#程序,然后使用克拉克变换转化为两阶段(设在)。各种特性提取这两阶段信号等(意味着)(平均),模式角度,和表面的区别。

这四个特性是用来训练人工神经网络在Matlab环境中。然后训练人工神经网络用于c#程序来检测单个或多个错误。六个指拨开关连接到输入的三相逆变器门信号添加外部故障。设计故障检测和诊断监控系统图所示16。

这幅图显示了在故障检测监控系统,有几个选项用于更好的监控诸如加载三相输出信号与克拉克两阶段信号转换。接收信号参数和时间配置设置也可以。提取特征值可以连续监测。

4.3。实验结果

实验装置如图14是用来执行的三相逆变器实验系统运行正常,等各种条件单故障和多故障。Lab-Volt基于三相逆变器可以看到与dsPIC30F4011门开关信号,NI USB输出电压采集,采集电源、示波器和PC系统进行进一步处理。逆变器输出电压和频率是不变的,也就是说,20和50赫兹。输出电压负载获得使用NI数据收集。基于网络的故障检测和诊断系统。系统响应数据所示17,18,19。

图17表明,三相逆变器系统是工作在正常状态,我们可以看到完整的三相电压和循环两相图在安和正常状态输出。

另一方面,在图18,系统发生故障指示T5生成T5门信号故障外,我们也可以看到错误的条件在三相和两相电压图。图19显示系统运行与双误,同时开关T4&T6。

实验结果证实所提出的系统健壮和准确。也能有效地检测和诊断单个和多个错误。

性能表提出了基于神经网络的故障检测和诊断系统也显示。

仿真和硬件实验已经完成,每一个故障状态的次数来验证系统的准确性。数据对系统条件如表所示3。

5。结论

在本研究工作中,基于神经网络的故障检测和诊断系统面向领域的感应电动机驱动设计和测试仿真和硬件环境。考虑故障类型系统交换设备开放的缺点。基于当前的特征提取系统意味着,表面差异,和角度对当前模式也在这里讨论。提取特征的故障检测和定位起到至关重要的作用。需要一个健壮的算法获得正确的角度,因为不准确的价值可能会导致不正确的结果。不需要额外的传感器和复杂的计算设计系统。此外,错误的开关探测和识别可以即使在执行每一个电流或电压周期与高精度证明系统性能是比以前的故障检测系统6- - - - - -10,12),他们以两个或两个以上的周期为故障检测。如上所示模拟以及硬件实验结果证明信誉和展示设计的令人满意的性能故障检测和诊断系统三相逆变器喂养一个感应电动机。从三相输出电流/电压信号中提取多个特性证明提出的系统中发挥着关键作用优于以前的故障检测技术。如结果所示,所提出的系统快速、高效,并对单个或多个故障100%准确。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

引用

1. d . Kastha和b . k . Bose”调查voltage-fed逆变器系统的故障模式的感应电动机驱动,“IEEE行业应用,30卷,不。4、1028 - 1038年,1994页。视图:出版商的网站|谷歌学术搜索
2. d . e . Kim和d . c .李”故障诊断的三相PWM逆变器使用小波支持向量机,”电力电子杂志9卷,第385 - 377页,2009年。视图:谷歌学术搜索
3. a . Muetze和a .粘结剂”,实际评估规则inverter-induced轴承电流的电源供电交流电机500千瓦,”IEEE工业电子产品,54卷,不。3、1614 - 1622年,2007页。视图:出版商的网站|谷歌学术搜索
4. m . r . Ubale r . b . Dhmale, s . d . Lokhande”打开开关故障诊断在三相逆变器使用诊断变量方法,”国际期刊的研究在工程和技术,卷2,不。12日,第641 - 636页,2013年。视图:出版商的网站|谷歌学术搜索
5. s o·易卜拉欣、k·n·法里斯和e . Abo血型Elzahab”实现模糊建模系统的故障检测和诊断在三相感应电动机驱动系统中,“电气系统和信息技术杂志》上,卷2,不。1,27-46,2015页。视图:出版商的网站|谷歌学术搜索
6. r . Peuget美国库尔和j。Rognon”,故障检测和隔离在pwm逆变器通过知识模型,”IEEE行业应用,34卷,不。6,1318 - 1326年,1998页。视图:出版商的网站|谷歌学术搜索
7. 美国Khomfoi和l·m·托尔博特”故障诊断系统使用神经网络对多电平逆变器,”IEEE电力电子,22卷,不。3、1062 - 1069年,2007页。视图:出版商的网站|谷歌学术搜索
8. f . Zidani d·迪亚洛m . El Hachemi Benbouzid,和r . Nait-Said”fuzzy-based方法诊断的故障模式voltage-fed PWM逆变器感应电动机驱动,“IEEE工业电子产品,55卷,不。2、586 - 593年,2008页。视图:出版商的网站|谷歌学术搜索
9. Y.-J。Ko和K.-B。李,“voltage-fed PWM逆变器的故障诊断三个并行的电力转换系统在风力涡轮机,”电力电子杂志,10卷,不。6,686 - 693年,2010页。视图:出版商的网站|谷歌学术搜索
10. f f . Kadri s Drid Djeffal l . Chrifi-Alaoui”神经分类方法对电压源逆变器的故障检测和诊断与感应电动机变速传动,”第八届国际会展生态学报》汽车和可再生能源(13)蒙特卡罗,页1 - 5,摩纳哥,2013年3月。视图:出版商的网站|谷歌学术搜索
11. 诉几何和美国Selvaperumal”,故障检测和分类对三相单逆变器电路优化技术,”电力电子杂志》16卷,页1 - 14,2016。视图:谷歌学术搜索
12. 美国Khomfoi和l·m·托尔博特”故障诊断和多电平逆变器驱动使用基于ai技术,重新配置”IEEE工业电子产品,54卷,不。6,2954 - 2968年,2007页。视图:出版商的网站|谷歌学术搜索
13. s . Phogat共同“单相SPWM逆变器,分析”国际科学和研究杂志》上,3卷,第1798 - 1793页,2014年。视图:谷歌学术搜索

版权

版权©2016 Furqan Asghar等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。