A. Głowacz, Z. Głowacz Adam GŁOWACZ Zygfryd GŁOWACZ AGH w Krakowie Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej DIAGNOSTYKA SILNIKA INDUKCYJNEGO KLATKOWEGO BAZUJĄCA NA ANALIZIE I ROZPOZNAWANIU SYGNAŁÓW AKUSTYCZNYCH Z UŻYCIEM ALGORYTMU GĘSTOŚCI WIDMA MOCY I ZMODYFIKOWANEGO KLASYFIKATORA OPARTEGO NA SŁOWACH Streszczenie. W artykule przedstawiono metodę diagnostyki silnika indukcyjnego generującego sygnały akustyczne. Wykonano badania dla czterech stanów silnika indukcyjnego. Badania zostały przeprowadzone dla algorytmów przetwarzania danych: gęstości widma mocy i zmodyfikowanego klasyfikatora opartego na słowach. Algorytmy te z odpowiednim sprzętem elektronicznym pozwalają na budowanie urządzeń i systemów samodiagnozujących do ochrony silników indukcyjnych. 1. Wprowadzenie Praca silników elektrycznych w zakładach przemysłowych wymaga określonego podejścia do spraw eksploatacji i diagnostyki. Trudnym wyzwaniem jest utrzymanie sprawności silników w okresie pomiędzy przeglądami. Bardzo ważne są działania prewencyjne podejmowane podczas pracy i krótkotrwałych postojów urządzeń. Diagnostyka kontrolna oraz monitoring pozwalają na określenie stanu technicznego silników [1, 2, 5-18, 20-25, 28]. Planowanie rocznych remontów odbywa się na podstawie zebranych danych z poszczególnych urządzeń. W niektórych przypadkach należy oszacować czy dana maszyna nadaje się do całkowitego remontu. W takich przypadkach należy porównać koszty remontu i zakup nowego urządzenia. W silnikach elektrycznych obserwacja poszczególnych parametrów technologicznych oraz sygnałów pomiarowych, pomaga analizować przyczyny występowania alarmów w systemie. Nowe jak i remontowane maszyny należy wyposażać w odpowiednio skonfigurowaną aparaturę kontrolno-pomiarową. Wprowadzenie monitoringu maszyn zapewnia pełną kontrolę nad pracującymi urządzeniami. Częstym przypadkiem przekraczania granicznych wartości prądów, temperatur, jest przeciążanie układów technologicznych lub uszkodzenie układu mechanicznego. Monitorowanie podstawowych parametrów ruchowych maszyn pozwala na wcześniejsze zlokalizowanie źródła awarii i ograniczenie jej skutków [1]. 199
Diagnostyka silnika indukcyjnego klatkowego bazująca na analizie i rozpoznawaniu sygnałów... W artykule opisano metodę diagnostyki silnika indukcyjnego generującego sygnały akustyczne. W przyjętym podejściu rozpatrywane sygnały akustyczne pochodzą od elementów wirujących. 2. Proces rozpoznawania sygnału akustycznego silnika indukcyjnego Proces rozpoznawania sygnału akustycznego silnika indukcyjnego składa się z procesu tworzenia wzorców do rozpoznawania i procesu identyfikacji. Na początku procesu tworzenia wzorców do rozpoznawania wykonywana jest normalizacja amplitudy. Kolejno stosowane jest okienkowanie z użyciem okna Hamminga. W kolejnym kroku dane są zamieniane przez algorytm gęstości widma mocy. Następnie z tak otrzymanych cech tworzony jest wektor cech danej kategorii (16384 cech). Kolejno wektory cech są zamieniane na wektory słów. W procesie identyfikacji etapy przetwarzania sygnału akustycznego są takie same jak dla procesu tworzenia wzorców do rozpoznawania (rys. 1). Istotna zmiana następuje w etapie klasyfikacji, podczas której porównywane są ze sobą wektory słów (wzorcowe wektory słów z nieznanym wektorem słów nowej próbki dźwięku). Rys. 1. Proces rozpoznawania sygnału akustycznego silnika indukcyjnego z użyciem algorytmu gęstości widma mocy i zmodyfikowanego klasyfikatora opartego na słowach 200
A. Głowacz, Z. Głowacz 2.1. Gęstość widma mocy Gęstość widma mocy (ang. Power Spectrum Density) opisuje jak moc sygnału jest rozdzielana w częstotliwości. W podejściu tym moc może być zdefiniowana jako kwadrat wartości sygnału. Moc chwilowa jest zatem wyrażona dla sygnału s(t) następującym wzorem: 2 P ( t) = s( t) (1) Następnie stosowane jest twierdzenie Wienera-Khinchina. Gęstość widma mocy jest transformatą Fouriera funkcji autokorelacji R(τ) sygnału, gdy sygnał może być traktowany jako szeroki w sensie procesu stacjonarnego: iωt d S ( ω ) = 2 R ( τ ) e τ (2) gdzie: R(τ) = <x(t)x(t+τ)>, symbole < > oznaczają średnią wartość, x(t) jest procesem losowym reprezentującym sygnał fizyczny [11]. Obliczona gęstość widma mocy jest stosowana w następnych obliczeniach (rys. 2a, 2b, 3a, 3b). Rys. 2. a) Gęstość widma mocy dla sygnału akustycznego silnika indukcyjnego bez uszkodzeń, b) Gęstość mocy widma dla sygnału akustycznego silnika indukcyjnego z uszkodzonym pierścieniem klatki wirnika 201
Diagnostyka silnika indukcyjnego klatkowego bazująca na analizie i rozpoznawaniu sygnałów... Rys. 3. a) Gęstość widma mocy dla sygnału akustycznego silnika indukcyjnego z jednym uszkodzonym prętem klatki wirnika, b) Gęstość widma mocy dla sygnału akustycznego silnika indukcyjnego z dwoma uszkodzonymi prętami klatki wirnika 2.2. Zmodyfikowany klasyfikator oparty na słowach W literaturze przetwarzania sygnałów akustycznych autorzy opisują rozmaite algorytmy klasyfikacji [3, 4, 19, 26, 27, 29]. Jednym z nich jest klasyfikator oparty na słowach, który bazuje na założeniach klasyfikatora Nearest Mean [6, 7]. Postanowiono zmodyfikować wspomniany klasyfikator. Modyfikacje obejmowały zmianę założeń działania klasyfikatora, gdzie zamiast klasyfikatora Nearest Mean (najbliższa średnia) zastosowano klasyfikator Nearest Neighbor (najbliższego sąsiada). Następnie wektory cech były kodowane w poszczególne słowa. Analogicznie jak w standardowym klasyfikatorze opartym na słowach dobierano również parametr k, który odpowiadał za zakres kodowanych wartości [6, 7]. Największy wpływ na rozpoznawanie sygnału akustycznego zmodyfikowanym klasyfikatorem opartym na słowach mają: liczba słów potrzebna do oznaczenia współrzędnych wektora cech i parametr k. Liczba słów wynosiła 260, ponieważ jest ona wystarczająca do rozpoznawania. Zakłada się prowadzenie badań ze zmodyfikowanym klasyfikatorem opartym na słowach, przy różnym dobieraniu parametru k. 3. Wyniki rozpoznawania sygnału akustycznego silnika indukcyjnego Sygnały akustyczne zostały zarejestrowane z zastosowaniem mikrofonu OLYMPUS TP-7 i karty dźwiękowej firmy REALTEK. Plik audio posiadał następujące parametry: format WAVE PCM, częstotliwość próbkowania - 44100 Hz, liczba bitów - 16, liczba kanałów - 1. Badania zostały wykonane dla czterech identycznych silników indukcyjnych o mocy 500 W, przy czym jeden z nich był sprawny a kolejne zostały uszkodzone. 202
A. Głowacz, Z. Głowacz Kategorie rozpoznawanego sygnału akustycznego określono następująco: sygnał akustyczny silnika indukcyjnego bez uszkodzeń, sygnał akustyczny silnika indukcyjnego z uszkodzonym pierścieniem klatki wirnika, sygnał akustyczny silnika indukcyjnego z jednym uszkodzonym prętem klatki wirnika, sygnał akustyczny silnika indukcyjnego z dwoma uszkodzonymi prętami klatki wirnika. Proces tworzenia wzorców do rozpoznawania przeprowadzony został dla 16 próbek pięciosekundowych dla każdej z czterech kategorii sygnału akustycznego. W procesie identyfikacji stosowano nowe próbki o długości pięć sekund dla każdej z kategorii. W tym etapie 96 próbek zostało zastosowanych dla każdej kategorii. Skuteczność rozpoznawania sygnału akustycznego była określona następującym wzorem: N E = 1 100% (3) N gdzie: E skuteczność rozpoznawania sygnału akustycznego, N 1 liczba poprawnie rozpoznanych próbek testowych, N liczba wszystkich próbek testowych w procesie identyfikacji. Każdy wektor składał się z 16384 cech. Rysunek 4 przedstawia skuteczność rozpoznawania sygnału akustycznego silnika indukcyjnego w zależności od parametru k. Najlepsze wyniki zostały otrzymane dla k=0,01 i k=0,015. Skuteczność rozpoznawania sygnału akustycznego dla silnika indukcyjnego z dwoma uszkodzonymi prętami klatki wirnika zawierała się w przedziale 79,16-100%. W pozostałych przypadkach skuteczność rozpoznawania sygnału akustycznego zawierała się w przedziale 95,83-100%. Rys. 4. Skuteczność rozpoznawania sygnału akustycznego silnika indukcyjnego w zależności od parametru k 203
Diagnostyka silnika indukcyjnego klatkowego bazująca na analizie i rozpoznawaniu sygnałów... 4. Podsumowanie Przedstawione badania skupiały się na diagnozowaniu silnika indukcyjnego. Zaproponowano metodę diagnostyki, w której został zastosowany algorytm gęstości widma mocy i zmodyfikowany klasyfikator oparty na słowach. Kolejno odpowiednie algorytmy zostały zaimplementowane w języku programowania Java. Wyniki rozpoznawania sygnału akustycznego były bardzo dobre. Skuteczność rozpoznawania sygnału akustycznego zawierała się w przedziale 79,16-100%. Algorytmy te wraz z odpowiednimi układami elektronicznymi pozwalają na budowanie urządzeń i systemów samodiagnozujących. Rozbudowane systemy kontrolne już teraz dają możliwości zbierania i porównywania wyników diagnostycznych określonego silnika indukcyjnego. Proponowana metoda wnioskowania o stanie silnika może być wykonywana automatycznie. Idąc dalej można stwierdzić, że korzystanie z tego rodzaju systemu diagnozowania ułatwi pracę inżynierom. Podziękowania Praca została zrealizowana w ramach pracy statutowej AGH nr 11.11.120.612 (Adam Głowacz). Praca została zrealizowana w ramach pracy statutowej AGH nr 11.11.120.354 (Zygfryd Głowacz). 5. Literatura 1. Antal M., Antal L.: Charakterystyki eksploatacyjne silnika indukcyjnego dużej mocy z uszkodzoną klatką wirnika, Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały, 60 (27), 2007, 11-25. 2. Antczak M., Idziak P.: The influence of the sheet punching on the magnetic field distribution in a dc machine, Przegląd Elektrotechniczny, 88 (4a), 2012, 6-9. 3. Czech P., Wojnar G., Burdzik R., Konieczny L., Warczek J.: Application of the discrete wavelet transform and probabilistic neural networks in IC engine fault diagnostics, Journal of Vibroengineering, 16 (4), 2014, 1619-1639. 4. Dudek-Dyduch E., Tadeusiewicz R., Horzyk A.: Neural network adaptation process effectiveness dependent of constant training data availability, Neurocomputing, 72 (13-15), 2009, 3138-3149. 5. Dudzikowski I., Ciurys M.: Analysis of operation of a car starter with BLDC motor, Przegląd Elektrotechniczny, 86 (4), 2010, 166-169. 6. Głowacz A., Głowacz Z.: Diagnostics of DC machine based on analysis of acoustic signals with application of MFCC and classifier based on words, Archives of Metallurgy and Materials, 57 (1), 2012, 179-183. 204
A. Głowacz, Z. Głowacz 7. Glowacz A., Glowacz Z.: Diagnostics of induction motor based on analysis of acoustic signals with application of FFT and classifier based on words. Archives of Metallurgy and Materials, 55 (3), 2010, 707-712. 8. Glowacz A., Diagnostics of DC and Induction Motors Based on the Analysis of Acoustic Signals. Measurement Science Review, 14 (5), 2014, 257-262. 9. Głowacz Z., Głowacz W.: Mathematical Model of DC Motor for Analysis of Commutation Processes, Proceedings of 6-th IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drivers (SDEMPED), IEEE, Cracow, 6-8 September, 2007, pp. 138-141. 10. Głowacz Z., Zdrojewski A.: Diagnostics of commutator DC motor using spectral analysis method, Przegląd Elektrotechniczny, 85(1), 2009, 147-150. 11. Głowacz A., Głowacz A., Korohoda P.: Recognition of Color Thermograms of Synchronous Motor with the Application of Image Cross-Section and Linear Perceptron Classifier, Przegląd Elektrotechniczny, 88(10a), 2012, 87-89. 12. Głowacz A., Głowacz A., Głowacz Z.: Diagnostics of Direct Current generator based on analysis of monochrome infrared images with the application of cross-sectional image and nearest neighbor classifier with Euclidean distance, Przegląd Elektrotechniczny, 88(6), 2012, 154-157. 13. Głowacz, J. Kozik Z.: Feature selection of the armature windings short circuit fault in synchronous motor using genetic algorithm and the Mahalanobis distance, Przegląd Elektrotechniczny, 88(2), 2012, 204-207. 14. Głowacz W.: Automatyczny system dialogowy w diagnostyce maszyn elektrycznych, Mechanizacja i Automatyzacja Górnictwa, Nr 12, 2008, 14-18. 15. Głowacz W.: Koncepcja sterowania maszyny elektrycznej z zastosowaniem automatycznego systemu dialogowego, Mechanizacja i Automatyzacja Górnictwa, Nr 5, 2013, 32-35. 16. Glowacz W.: Diagnostics of Induction motor based on Spectral Analysis of Stator Current with Application of Backpropagation Neural Network, Archives of Metallurgy and Materials, 58 (2), 2013, 559-562. 17. Gwoździewicz M., Zawilak J.: Influence of the rotor construction on the singlephase line start permanent magnet synchronous motor performances, Przegląd Elektrotechniczny, 87 (11), 2011, 135-138. 18. Hudy W., Jaracz K.: Wielokryterialna identyfikacja parametrów silnika indukcyjnego przy zastosowaniu algorytmu ewolucyjnego, Mechanizacja i Automatyzacja Górnictwa, Nr 10, 2005, 9-13. 19. MathWorks MATLAB and SimuLink for Technical Computing 2014; www.mathworks.com. 205
Diagnostyka silnika indukcyjnego klatkowego bazująca na analizie i rozpoznawaniu sygnałów... 20. Pleban D., Piochowicz J., Kosala K., The Inversion Method in Measuring Noise Emitted by Machines in Opencast Mines of Rock Material. International Journal of Occupational Safety and Ergonomics, 19 (2), 2013, 321-331. 21. Rusin A., Wojaczek A.: Wspomaganie decyzji remontowych maszyn i urządzeń energetycznych za pomocą analizy niezawodności, Rynek Energii, Nr 6, 2008, 34-38. 22. Sebok M., Gutten M., Kucera M.: Diagnostics of electric equipments by means of thermovision, Przegląd Elektrotechniczny, 87 (10), 2011, 313-317. 23. Smolnicki T., Stanco M., Pietrusiak D.: Distribution of loads in the large size bearing problems of identification, Tehnicki Vjesnik-Technical Gazette, 20 (5), 2013, 831-836. 24. Sułowicz M., Borkowski D., Węgiel T., Weinreb K.: Specialized diagnostic system for induction motors, Przegląd Elektrotechniczny, 86(4), 2010, 285-291. 25. Szymański Z.: Application of the Magnetic Field Distribution in Diagnostic Method of Special Construction Wheel Traction Motors, Studies in Applied Electromagnetics and Mechanics, Advanced Computer Techniques in Applied Electromagnetics, 2007, Vol. 30, 449-456. 26. Uddin J., Kang M., Nguyen DV., Kim J-M.: Reliable Fault Classification of Induction Motors Using Texture Feature Extraction and a Multiclass Support Vector Machine, Mathematical Problems in Engineering, 2014, 9 pages, http://dx.doi.org/10.1155/2014/814593. 27. Walendowski P.: Zastosowanie sieci neuronowych typu SVM do rozpoznawania mowy, Praca doktorska, Politechnika Wrocławska, 2008. 28. Wu RC., Tsai JI., Chiang CT., Ouyang CS.: Detection of induction motor operation condition by acoustic signal, 8th IEEE International Conference on Industrial Informatics (INDIN), 2010, 792-797. 29. Zuber N., Cvetkovic D., Bajric R.: Multiple fault identification using vibration signal analysis and artificial intelligence methods. Acoustics & Vibration of Mechanical Structures, Book Series: Applied Mechanics and Materials, 430, 2013, 63-69. 206