تشخیص و شناسایی خرابی آنلاین و آفلاین موتورهای القایی با استفاده از مدل هیبرید

در این مقاله یک مدل محاسبات هیبرید نرم متشکل از شبکه ی عصبی min-max (FMM) و درخت رگرسیون و طبقه بندی (CART) برای تشخیص و شناسایی خرابی موتور شرح داده شده است. به طور ویژه مدل هیبرید که (FMM-CART) نامیده می شود برای تشخیص و طبقه بندی شرایط خرابی موتور القایی در محیط های آفلاین و آنلاین استفاده می شود. تعدادی آزمایشات انجام شده است که روش تجزیه و تحلیل جریان موتور ( MCSA ) برای تشکیل پایگاه داده ها به کاررفته که حاوی نشان های جریان استاتور تحت شرایط متفاوت موتور می باشد. هارمونیک های سیگنال از چگالی طیف توان (PSD) استخراج شدند و به عنوان ویژگی های ورودی مجزا برای طبقه بندی خرابی با FMM-CART به کار رفته اند. سه وضعیت و شرایط اصلی موتور القایی مثل میله های شکسته شده ی روتور و خرابی های سیم پیچی استاتور و منبع بدون بالانس برای ارزیابی کارایی FMM-CART استفاده شده است. نتایج نشان می دهند که FMM-CART می تواند خرابی های موتور را در مرحله ی اولیه و زود هنگام تشخیص دهد تا از آسیب بیشتر و خرابی بیشتر موتورهای القایی و همچنین خرابی کل دستگاه یا سیستم که از موتور در کارهای خود استفاده می کند جلوگیری به عمل آورد.