Aplicación de sistemas de autoaprendizaje al diagnóstico de máquinas eléctricas

Abstract

[EN] The aim of the fault diagnosis techniques of rotatory electrical machine is to determine the condition of the motor in order to reduce economical loses. In the technical literature is found different signal processing techniques that allow discriminate with the help of an expert that recognize the results, between the healthy and faulty condition of the electrical machines.

It is therefore essential to automate this expert task. It is also a priority to research and to develop new detection systems more accurate than the previous ones. Complex systems based on expert systems are used to improve the classification of faults.

For this research thesis, has been developed an automatic "supra-system" capable to generate optimal fault diagnosis systems. The proposed "supra-system" is able to generate the optimal diagnostic system for the fault detection induction motors. This has been achieved following these steps:

Sample collection: an experimental test bench has been build, where the test motor current and speed are sampled. These samples are obtained for different motor speeds and different load torque. A total of 735 samples has been analyzed in the thesis. The samples have been processed with different techniques of diagnosis according to the working regime. For the steady-state regime is: - Signal analysis. - The analytical signal modulus (Hilbert transform). - Cepstrum transform. - Analysis of Park transform modulus. - Harmonic order tracking analysis (HOTA).

For the steady-state regime 20 different diagnostic methods have been explored, resulting from the variations of these techniques. While the techniques used for the transient regime are: - Harmonic order tracking analysis (HOTA) using the Short-Time Fourier Transform (STFT) with Gaussian window. - Harmonic order tracking analysis (HOTA) using the Short-Time Fourier Transform (STFT) with Prolate window (This window is a contribution of this thesis). - Harmonic order tracking analysis (HOTA) using the Short-Frequency Fourier Transform (SFFT) with Gaussian window (This technique is a contribution of this thesis) - Harmonic order tracking analysis (HOTA) using the Short-Frequency Fourier Transform (SFFT) with Prolate window.

In addition to these two contributions that are integrated into the HOTA method, have been applied to the original algorithm improvements that helps to decrease the computation time and memory space needed. The improvements are: - A new band-pass filtering stage. - The minimization of the edge effect. - A new faster algorithm for the optimum setting of the filter window.

For the transient regime 4 different diagnostic methods are explored.

For each of the techniques used, the relevant features are obtained. Thus, a matrix is obtained with feature vectors column with 24 dimension length (20 in steady-state and 4 in transient) and as many rows as the number of tests used in this thesis (735 tests).

For each of the feature vectors obtained different classifiers are generated based on artificial neural networks (with one and two hidden layer) and Support Vector Machine (with polynomial or Gaussian kernel function). In other words, four different classifier methods that run in parallel and automatically obtain the optimum parameters according to its parameters.

In the final step, the results are analysed and the optimal diagnosis system is selected. The "supra-system" developed in this thesis have the following advantages: 1. It achieves a final optimal diagnostic system. 2. It produces several local optimal diagnostic systems taking into account the training time and the estimated diagnosis time. 3. It is completely autonomous. 4. It is adaptable to the induction motor type, as it can generate an optimal diagnostic system specific for each type of motor.

[ES] El objetivo de las técnicas de diagnóstico de fallo en las máquinas eléctricas rotativas es el de determinar el estado del motor para minimizar costes. En la literatura técnica se encuentran diversas técnicas de análisis de señal que permiten discriminar, mediante un experto capaz de interpretar los resultados, entre una máquina eléctrica en estado de fallo o en estado sano.

Por tanto, se hace necesaria la automatización de esta labor. Es prioritario investigar y desarrollar nuevos sistemas de detección que maximicen la precisión respecto a las características disponibles. Para mejorar la clasificación de fallos se estudian sistemas cada vez más complejos basados en sistemas expertos.

Se ha desarrollado para esta tesis de investigación un "suprasistema" automático capaz de generar sistemas óptimos de diagnóstico de fallos. Este "suprasistema" se encarga de generar el sistema de diagnóstico óptimo para la detección de fallos en motores de inducción. Para ello se han seguido los siguientes pasos:

Obtención de muestras: se ha diseñado un banco de ensayos experimental del cual se obtienen las corrientes y velocidad del motor de estudio. Los ensayos permiten diferentes velocidades del motor y diferentes pares resistentes. Se analizan un total de 735 muestras en la tesis. A estas muestras se les han aplicado diferentes técnicas de diagnosis según el régimen de funcionamiento. Para régimen estacionario son: - Análisis de la señal. - Transformada de Hilbert (módulo de la señal analítica). - Transformada Cepstrum. - Transformada del módulo de Park. - Análisis del orden de armónico (HOTA).

Para el régimen estacionario se han explorado 20 métodos, resultado de las diferentes variantes de las técnicas empleadas. Mientras que las técnicas usadas para el régimen transitorio son: - Análisis del orden de armónico (HOTA) de la señal con Short Time Fourier Transform y con ventana Gaussiana. - Análisis del orden de armónico (HOTA) de la señal con Short Time Fourier Transform y con ventana Prolate. (Aportación a la tesis de la aplicación de esta ventana). - Análisis del orden de armónico (HOTA) de la señal con Short Frequency Fourier Transform y con ventana Gaussiana. (Aportación a la tesis de la aplicación de esta técnica). - Análisis del orden de armónico (HOTA) de la señal con Short Frequency Fourier Transform y con ventana Prolate.

Además de estas dos aportaciones que se integran en el método HOTA se han aplicado mejoras al algoritmo original que permiten disminuir el tiempo de cálculo y el espacio de memoria necesario. Las mejoras son: - Un filtrado paso banda. - La minimización del efecto de borde. - Un nuevo algoritmo más rápido para el ajuste óptimo de la ventana de filtro.

En conclusión, para el régimen transitorio se exploran 4 métodos de diagnóstico.

Se ha obtenido características relevantes con cada técnica empleada. En conjunto se obtiene una matriz de vectores de características de dimensión 24 (20 estacionario y 4 en transitorio), donde cada vector tiene la dimensión del número de ensayos realizados, 735.

Para cada vector de características se generan varios clasificadores basados en Redes Neuronales Artificiales (de 1 y 2 capas ocultas) y Máquina de vectores de soporte (con kernel polinomial o de base radial). Es decir, se aplican 4 técnicas diferentes de clasificadores, que de forma paralela y automática obtienen los óptimos según los parámetros de los mismos.

Como paso final, se analizan los resultados obtenidos y se realiza la selección del sistema óptimo de diagnóstico. El suprasistema desarrollado en esta tesis aporta las siguientes ventajas: 1. Obtiene un sistema de diagnóstico óptimo final. 2. Obtiene varios sistemas de diagnóstico óptimos locales con los tiempos de entrenamiento y los tiempos de diagnóstico. 3. El suprasistema es totalmente autónomo. 4. El suprasistema es adaptable al tipo de motor

[CA] El principal objectiu de les tècniques de diagnosis es determinar l'estat del motor per minimitzar costos. En la literatura s'hi troben diferents tècniques de anàlisi i processament de la senyal que permeten identificar, amb ajuda de personal altament qualificat amb capacitat d'interpretar els resultats, si la maquina es troba en estat sa o en estat d'averia.

Per tot això, resulta necessari la tasca d'automatitzar aquesta labor. Es prioritari investigar nous sistemes de detecció que maximitzen la precisió, tenint en compte les característiques disponibles. Per millorar aquestes característiques de classificació es proposen sistemes cada vegada més complexos basats en sistemes experts.

S'ha desenvolupat un "suprasistema" automàtic capaç de generar sistemes òptims de diagnosi de falles. Aquest "suprasistema" proposat s'encarrega de generar el sistema de diagnosi òptim per a la detecció de fallades en motors de inducció. Per al seu desenvolupament s'han seguit les següents etapes:

Obtenció d'assajos: s'ha dissenyat un banc d'assajos experimental del qual s'obtenen les corrents i la velocitat del motor d'estudi. Els assaigs permeten diferents velocitats del motor i diferents parells resistents. S'analitzen un total de 735 mostres en la tesi. A aquestes assajos se'ls han aplicat diferents tècniques de diagnosi segons el règim de funcionament. Per al règim estacionari són: - Anàlisi de la senyal. - Transformada de Hilbert (mòdul de la senyal analítica). - Transformada Cepstrum. - Transformada del mòdul de Park. - Anàlisi de l'ordre d'harmònic (HOTA).

Per a la diagnosi en règim estacionari s'han explorat 20 mètodes distints, resultat de diferents variacions de les tècniques utilitzades. Mentre que les tècniques aplicades al règim transitori han estat: - Anàlisi de l'ordre d'harmònic (HOTA) de la senyal amb transformada de Fourier curta en temps i finestra Gaussiana. - Anàlisi de l'ordre d'harmònic (HOTA) de la senyal amb transformada de Fourier curta en temps i finestra Prolate. (Aportació a la tesi de l'aplicació d'aquesta finestra) - Anàlisi de l'ordre d'harmònic (HOTA) de la senyal amb transformada de Fourier curta en freqüència i finestra Gaussiana. (Aportació a la tesi de l'aplicació d'aquesta tècnica). - Anàlisi de l'ordre d'harmònic (HOTA) de la senyal amb transformada de Fourier curta en freqüència i finestra Prolate.

A més d'aquestes dues aportacions que s'integren en el mètode HOTA s'han aplicat millores a l'algoritme original que permeten disminuir el temps de càlcul i l'espai de memòria necessari. Les millores són: - Una etapa de filtrat pas banda. - Minimització del efectes de costat. - Algoritme més ràpid per a l'ajust òptim de la finestra de filtrat.

En conclusió, per al règim transitori s'han analitzat quatre mètodes de diagnosi diferents.

Amb les tècniques utilitzades s'obté les característiques rellevants. En conjunt s'obté una matriu de vectors de característiques de dimensió 24 (20 estacionari més 4 en transitori), on cada vector té la dimensió del nombre d'assajos que s'han realitzat, 735.

Per cada un dels vectors de característiques obtinguts es desenvolupen distints tipus de classificadors basats en Xarxes neuronals artificials (d'una i de dues capes ocultes) y Màquines de vectors de suport (amb kernel polinomial o base radial gaussiana). És a dir, s'apliquen 4 tècniques diferents de classificadors, que de forma paral·lela i automàtica obtenen els òptims segons els paràmetres dels mateixos.

Finalment, es analitza els resultats i es realitza la selecció del sistema de diagnòstic òptim. El suprasistema construït en aquesta tesi aporta els següents avantatges: 1. Obtenir un sistema de diagnosi òptim final. 2. Obté diversos sistemes de diagnosi localment amb els temps del procés d'entrament i el temps de diagnosi 3. Es totalment autònom. 4. Es adaptable y pot generar un sistema de diagnosi específi