Artificial neural network and discrete wavelet transform for inter-turn short circuit and broken rotor bars faults diagnosis under various operating conditions

Abstract

Introduction. This work presents a methodology for detecting inter-turn short circuit (ITSC) and broken rotor bars (BRB) fault in variable speed induction machine controlled by field oriented control. If any of these faults are not detected at an early stage, it may cause an unexpected shutdown of the industrial processes and significant financial losses. Purpose. For these reasons, it is important to develop a new diagnostic system to detect in a precautionary way the ITSC and BRB at various load condition. We propose the application of discrete wavelet transform to overcome the limitation of traditional technique for no-stationary signals. The novelty of the work consists in developing a diagnosis system that combines the advantages of both the discrete wavelet transform (DWT) and artificial neural network (ANN) to identify and diagnose defects, related to both ITSC and BRB faults. Methods. The suggested method involves analyzing the electromagnetic torque signal using DWT to calculate the stored energy at each level of decomposition. Then, this energy is applied to train neural network classifier. The accuracy of ANN based on DWT, was improved by testing different orthogonal wavelet functions on simulated signal. The selection process identified 5 pertinent wavelet energies, concluding that, Daubechies44 (db44) is the best suitable mother wavelet function for effectively detecting and classifying failures in machines. Results. We applied numerical simulations by MATLAB/Simulink software to demonstrate the validity of the suggested techniques in a closed loop induction motor drive. The obtained results prove that this method can identify and classify these types of faults under various loads of the machine.Вступ. У цій роботі представлена методологія виявлення міжвиткового короткого замикання (ITSC) та несправності стрижнів ротора (BRB) в асинхронних машинах з регульованою швидкістю, керованих полеорієнтованим керуванням. Якщо будь-яка з цих несправностей не буде виявлена на ранній стадії, це може призвести до несподіваної зупинки виробничих процесів та значних фінансових втрат. Мета. З цих причин важливо розробити нову діагностичну систему для профілактичного виявлення ITSC та BRB за різних умов навантаження. Ми пропонуємо застосувати дискретне вейвлет перетворення, щоб подолати обмеження традиційної техніки для нестаціонарних сигналів. Новизна роботи полягає в розробці системи діагностики, що поєднує в собі як переваги дискретного вейвлет перетворення (DWT), так і штучної нейронної мережі (ANN) для виявлення та діагностики дефектів, пов'язаних як з несправностями ITSC, так і з BRB. Методи. Пропонований метод включає аналіз сигналу електромагнітного моменту, що крутить, з використанням DWT для розрахунку запасеної енергії на кожному рівні розкладання. Потім ця енергія застосовується на навчання класифікатора нейронної мережі. Точність ANN, заснованої на DWT, була підвищена за рахунок тестування різних ортогональних вейвлет функцій на сигналі, що моделюється. У процесі відбору було визначено п’ять відповідних енергій вейвлета, і було зроблено висновок, що Daubechies44 (db44) є найбільш підходящою материнською вейвлет функцією ефективного виявлення і класифікації відмов у машинах. Результати. Ми застосували чисельне моделювання за допомогою програмного забезпечення MATLAB/Simulink, щоб продемонструвати ефективність запропонованих методів приводу асинхронного двигуна із замкнутим контуром. Отримані результати доводять, що цей метод дозволяє виявити та класифікувати дані види несправностей при різних навантаженнях машини.