Resumen

En este artículo, se investiga el fallo de la barra de rotor rota (BRB) utilizando el método de análisis de firmas de corriente del motor (MCSA). En el entorno industrial, el motor de inducción es muy simétrico, y puede tener componentes de señal eléctrica obvios a diferentes frecuencias de fallo debido a sus errores de fabricación, instalación inadecuada del motor y otros factores influyentes. Los experimentos de desalineación revelaron que una instalación inadecuada del motor podría provocar un pico de frecuencia inesperado, lo que afectaría al proceso de diagnóstico de fallos del motor. Además, el entorno ruidoso de fabricación y funcionamiento también podría perturbar el proceso de diagnóstico de fallos del motor. Este trabajo presenta una técnica de aprendizaje eficiente y supervisada de redes neuronales artificiales (RNA) que es capaz de identificar el tipo de fallo cuando la situación del diagnóstico es incierta. Se extraen características significativas de la corriente eléctrica que se basan en los diferentes puntos de frecuencia y valores de amplitud asociados con el tipo de fallo. Los resultados de la simulación mostraron que la técnica propuesta era capaz de diagnosticar el tipo de fallo objetivo. La arquitectura de la RNA funcionó bien con la selección de un número significativo de conjuntos de datos de características. Parece que, según los resultados, la precisión en la detección de fallos con el vector de características se ha logrado a través del rendimiento de la clasificación y el porcentaje de error de confusión es aceptable entre las condiciones sanas y defectuosas del motor.

• Materias:Algoritmos genéticos Modelado Campo de flujo Teoría de elasticidad Sensor pasivo
• Subjects:Genetic algorithms Modeling Flow field Elasticity theory Passive sensor
• Palabras claves:proceso de diagnóstico de averías del motor, tipo de avería, análisis de la firma de la corriente del motor, componentes obvios de la señal eléctrica, red neuronal artificial, porcentaje de error de confusión, diferentes frecuencias de avería, diferentes puntos de frecuencia, conjuntos de datos de características, instalación incorrecta del motor
• Keywords:motor fault diagnosis process, fault type, Motor Current Signature Analysis, obvious electrical signal components, Artificial Neural Network, confusion error percentage, different fault frequencies, different frequency points, feature data sets, improper motor installation