maszyny synchroniczne, diagnoza uszkodzeń, uczenie maszynowe, klasyfikacja
Abstrakt
The aim of the research was to use modern data processing techniques in detection of electric motor faults. The research focuses on formulation of procedures developing a multi-criteria diagnosis of synchronous machine state. To take advantage of machine learning algorithms, a significant amount of measurement data was needed. At a laboratory stand the measurements of machine with faults introduced into winding were made. The currents and voltages of windings, rotational speed, electromechanical torque and another additional signals were recorded. The collected signals were filtered and pre-processed, and to 6632 features were calculated and transformed in five tidy dataset. The sparse Linear Discriminant Analysis algorithm was used to extract the most important defined features. On the basis, the classification of the machine states is carried out. The representative results are shown in 3D scatter plots. In this way was visualize the ability of the model to identify the most discriminant features. When the knowledge matrix is well defined up to ten machine condition can be recognized. Therefore it is possible to build a machine learning algorithm capable of classifying states of synchronous machine with faulty windings based on different kind of signals. The same method can be used for the diagnostic of other types of machine.
Celem pracy było wykorzystanie nowoczesnych technik przetwarzania danych w wykrywaniu uszkodzeń silników elektrycznych. Badania koncentrowały się na sformułowaniu procedur rozwijających wielokryterialną diagnostykę stanu maszyn synchronicznej. Aby skorzystać z algorytmów uczenia maszynowego potrzebna była znacząca liczba danych pomiarowych. Na stanowisku laboratoryjnym były wykonywane pomiary maszyny z zadanymi uszkodzeniami uzwojeń. Rejestrowane były prądy i napięcia uzwojeń, prędkość obrotowa, moment elektromagnetyczny oraz inne dodatkowe sygnały. Zebrane dane po wstępnym przetworzeniu pozwolił na określenie 6632 cech zgrupowanych w pięciu uporządkowanych zbiorach. Do wyłonienia najbardziej istotnych cech zastosowano algorytmy liniowej analizy dyskryminacyjnej. Na ich podstawie była wykonywana klasyfikacja stanów maszyny. Reprezentatywne wyniki są przedstawione na wykresach 3D. W ten sposób zastała zobrazowana zdolność modelu do identyfikowania najbardziej wyróżniających się cech. Gdy macierz wiedzy jest dobrze określona możliwe jest rozróżnianie do dziesięciu różnych stanów maszyny. Zatem możliwe jest sformułowane algorytmu uczenia maszynowego zdolnego do klasyfikowania stanów maszyny synchronicznej z uszkodzonymi uzwojeniami w oparciu o różne rodzaje sygnałów. Ta sama metoda może być wykorzystana do diagnostyki maszyn innych typów.
