Detection of broken rotor bars in induction motors using motor current signature analysis (MCSA)

Abstract

Asenkron motorlar, basit yapıları, ucuz olmaları ve güvenilirlikleri nedeniyle elektro-mekanik enerji dönüşümünde yaygın olarak kullanılan makinelerdir. Sağlamlığına rağmen nadiren de olsa arızalanabilmektedirler. Asentron motorların yaygın kullanımı dolayısıyla bağlı olduğu işlemlerin önemi sebebiyle bu alanda çok sayıda çalışma yapılmış ve hala arıza teşhisi üzerine çalışmalar devam etmektedir. Bu çalışmada kırık rotor çubuğu hatalarının bir makine öğrenme yaklaşımı ile tespiti sunulmuştur. Bu yaklaşımda hataların tespiti için motorun bir fazından alınan akım kullanıldı. Akım verileri Hall etkili akım sensörü ile alındı ve kaydedildi. Sinyaller çevrim dışı olarak işlendi ve yüksek frekanslı bileşenler çıkarıldı. Frekans alanına inceleme için FFT algoritması uygulandı. Temel bileşen analizi kullanılarak özellik çıkarımı ve veri azaltma yapıldı. Her bir arıza ve sağlam durumu için nominal yük altında alınmış 24 örnek kullanıldı.Çalışmada iki sınıflandırma yaklaşımı önerildi. Yaklaşım 1; tek aşamada sınıflandırma gerçekleştirir. Yaklaşım 2; iki adımda sınıflandırma gerçekleştirir. Geliştirilen yaklaşımları değerlendirmek için çeşitli testler yapıldı. Algoritmaların değerlendirilmesinde; genel sınıflandırma doğruluğu, yanlış pozitif ve yanlış negatif oranlar anahtar faktörler olarak kullanıldı. Önerilen yaklaşım sayesinde rotor arızaları %4,2 lik hata ile sınıflandırıldı ve hatalı rotor %100 doğrulukla teşhis edildi.

Induction motors are the most used machines for electro-mechanical energy conversion due to their compactness and reliability. Despite the robustness, faults still occur in IM. Numerous works have been published but false diagnosis still remain an issue.A machine learning approach for BRB detection is presented in this work. The approach used single-phase current measurements for detection of the faults. Sensing was performed using a hall-effect sensor. The signals were preprocessed and high frequency components removed. The signals were then amplified. An FFT algorithm was applied to convert the signals to frequency domain. Feature extraction and dimensionality reduction was carried out using principal component analysis (PCA). 24 samples were collected for each class under different load conditions. 2 classification schemes were proposed. Scheme 1 performs classification in one step and scheme 2 in 2 steps. Several experiments were performed to evaluate the systems developed. Key factors that were considered for the evaluation of the algorithms were overall classification accuracy, false positive and false negative rates. The effect of the number of principal components used on the performance was also inspected. With the proposed approaches, the rotor faults were classıfıed with an error of 4.2%; and the faulty motors were diagnosed with 100% accuracy.