34 KB358 KB33 KB199920252004Juričić, ĐaniRakar, Andrej10 straništevilka:5letnik:50str. 267-276ISSN:0039-2480COBISSID:7452955URN:URN:NBN:SI:doc-D6IGW8JUenslAssociation of Mechanical Engineers and Technicians of Slovenia et al.Zveza strojnih inženirjev in tehnikov Slovenije et al.Strojniški vestnikelektromotorjielektromotorji univerzalniidentifikacijamodeliranjemreže adaptivnenapakenevronske mrežezaznavanje napakModeliranje elektromotorjev za potrebe zaznavanja napak| Modelling for fault detection of electric motors|A semi-physical model aimed at detection of incipient faults in electric motors is presented. In order to gain high sensitivity to faults a physical model is combined with a black-box model based on an Adaptive-Network-based Fuzzy Inference System (ANFIS) as a corrective term. The method is applied to vacuum-cleaner motors. The architecture and hybrid learning procedure is presented. In the first step, the parameters of the physical model are identified by a simple least-squares method. Then, the modelling error is compensated using an adaptive-network learning procedure. In this way, the meaning of the physical parameters can be preserved. Next, the detection of the electrical faults of the motor - sparking of the brushes, changes in electrical parameters, etc. - are presented, where there is the most significant physical modelling error. The diagnostic results show a higher sensitivity to faults, which enables reliable fault detection. Consequently, the false and missed alarm ratio is reduced as wellPrispevek podaja semi-fizikalni model za potrebe zaznavanja zgodnjih napak elektromotorjev. Da bi dosegli veliko občutljivost na napake, fizikalni model kombiniramo z modelom, ki temelji na sistemu mehkega sklepanja na podlagi adaptivnih nevronskih mrez (MSSANM - ANFIS). Metodo uporabimo na realnem primeru elektromotorja sesalne enote. Predstavljena sta zgradba modela in hibridni postopek učenja. V prvem koraku najprej identificiramo parametre fizikalnega modela z osnovno metodo najmanjših kvadratov. Nato kompenziramo odstopanje modela z učenjem adaptivne nevronske mreze. Tako lahko ohranimo pomen fizikalnih parametrov. V nadaljevanju so prikazani rezultati zaznavanja električnih napak motorja (iskrenje sčetk, spremembe v električnih parametrih ipd.), kjer je odstopanje fizikalnega modela najbolj izrazito. Diagnostični rezultati kazejo povečano občutljivost na napake, kar omogoča večjo zanesljivost zaznavanja napak. Posledično se zmanjša tudi število lažnih alarmov in spregledanih napakTEXTznanstveno časopisjejournalsSlovenian National E-content AggregatorNational and University Library of SloveniaUniverza v Ljubljani, Fakulteta za strojništvo