การพัฒนา MATLAB GUI สำหรับการวินิจฉัยฟอลต์มอเตอร์เหนี่ยวนำ

Article Sidebar

PDF
เผยแพร่แล้ว: เม.ย. 3, 2017
คำสำคัญ:
MATLAB GUI การวินิจฉัยฟอลต์ การวิเคราะห์สัญญาณกระแสมอเตอร์ ความล้มเหลวของมอเตอร์ Artificial Intelligence

Main Article Content

Chanchai Kusoljittakorn
Department of Electronic Engineering Technology, College of Industrial Technology, King Mongkut’s University of Technology North Bangkok
Chanwit Tangsiriworakul
Department of Electronic Engineering Technology, College of Industrial Technology, King Mongkut’s University of Technology North Bangkok
Eakalak Kulchonchan
Department of Electronic Engineering Technology, College of Industrial Technology, King Mongkut’s University of Technology North Bangkok
Chalermchat Manop
Department of Electrical Engineering, Faculty of Engineering, King Mongkut’s Institute of Technology Lardkrabang, Bangkok

บทคัดย่อ

บทความนี้นำเสนอการพัฒนาซอฟต์แวร์สำหรับการวินิจฉัยฟอลต์สเตเตอร์ และฟอลต์โรเตอร์ในมอเตอร์เหนี่ยวนำบนพื้นฐาน GUI ของโปรแกรม MATLAB การตรวจจับฟอลต์เหล่านี้ ได้ใช้การตรวจจับจากสเปกตรัมฟอลต์ที่เกิดขึ้นจากความล้มเหลวของสเตเตอร์และโรเตอร์ เทคนิคการวิเคราะห์ที่สำคัญคือการวิเคราะห์จากสัญญาณกระแสมอเตอร์ (Motor Current Signature Analysis: MCSA) สำหรับการแยกแยะและวินิจฉัยฟอลต์ได้เลือกใช้วิธีการอัจฉริยะ 2 วิธีคือ โครงข่ายประสาทเทียม (Artificial Neural Network: ANN) และซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine: SVM) โดยโปรแกรมจะเริ่มต้นในการวิเคราะห์เมื่อผู้ใช้ป้อนข้อมูลที่สำคัญเข้ามาคือข้อมูลกระแสสเตเตอร์ของมอเตอร์ในโดเมนเวลา แล้วโปรแกรมจะวิเคราะห์และแสดงผลในหน้าต่างของ MATLAB GUI ซึ่งจะทำให้ง่ายต่อการอ่านผลและการวางแผนการบำรุงรักษา ทั้งนี้สมรรถนะการแยกแยะฟอลต์มอเตอร์เหนี่ยวนำได้ผลความถูกต้องมากกว่า 85%

Article Details

ฉบับ
ปีที่ 27 ฉบับที่ 2 (2017): April - June, 2017
บท
บทความวิจัย

บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น

References

[1] A. H. Bonnett, and G. C. Soukup, “Cause and analysis of stator and rotor failures in three–phase squirrel–cage induction motors,” IEEE Transaction on Industry Applications, vol. 28, no. 4, pp. 921–937, July–August 1992.

[2] S. Nandi, H. A. Toliyat, and X. Li, “Condition monitoring and fault diagnosis of electrical motors–a review,” IEEE Transaction on Energy Conversion, vol. 20, no. 4, pp. 719–729, December 2005.

[3] A. Garcia−Perez, R. J. Romero−Troncoso, E. Cabal−Yepez, and R. A. Osornio−Rios, “The application of high−resolution spectral analysis for identifying multiple combined faults in induction motors,” IEEE Transaction on Industrial Electronics, vol. 58, no. 5, pp. 2002–2010, May 2011.

[4] M. E. H. Benbouzid, and G. B. Kliman, “What stator current processing based technique to use for induction motor rotor faults diagnosis,” IEEE Transaction on Energy Conversion, vol. 18, no. 2, pp. 238–244, June 2003.

[5] W. T. Thomson and M. Fenger, “Current signature analysis to detect induction motor faults,” IEEE Industry Applications Magazine, vol. 7, no. 4, pp. 26–34, July–August 2001.

[6] C. Manop and C. Kusoljittakorn, “The application of digital signal processing technique to rotor fault detection in stator current of induction motors,” in International Conference on Information Communication Technology,Lao PDR, pp. 1–5, December 2007.

[7] Y. Lei, Z. He, Y. Zi, and Q. Hu, “Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs,” Mechanical Systems and Signal Processing, vol. 21, no. 5, pp. 2280–2294, July 2007.

[8] A. Soleimani, M. J. Mahjoob, and M. Shariat−panahi, “Fault classification in gears using support vector machines (SVMs) and signal processing,” in Soft Computing, Computing with Words and Perceptions in System Analysis, Decision and Control, 2009. ICSCCW 2009. Fifth International Conference on, pp. 1–4, 2–4 September 2009.

[9] A. G. Perez, R. J. R. Troncoso, E. C. Yepez, and R. A. O. Rios, “The application of high–resolution spectral analysis for identifying multiple combined faults in induction motors,” IEEE Transaction on Industrial Electronics, vol. 58, no. 5, pp. 2002–2010, May 2011.