|
DOI: 10.14489/hb.2026.11.pp.042-050
Хохловский В. Н., Диб Али, Кожубаев Ю. Н., Мотин А. В.
МОДЕЛИРОВАНИЕ И ДИАГНОСТИРОВАНИЕ АСИНХРОННОГО ДВИГАТЕЛЯ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ LSTM
(с. 42-50)
Аннотация. Предложен подход к диагностике асинхронного электродвигателя, основанный на применении искусственных нейронных сетей к анализу временных сигналов, характеризующих его работу. Кратко рассмотрены характерные виды повреждений асинхронных машин и основные методы их выявления. В качестве примеров моделируются два распространенных дефекта: межвитковое короткое замыкание в статорной обмотке и нарушение целостности беличьей клетки ротора. Для воспроизведения аварийных режимов используется имитационная модель двигателя в среде Simulink, по результатам которой формируется набор данных для обучения и тестирования нейросетевого алгоритма. В качестве архитектуры выбрана рекуррентная нейронная сеть с LSTM-слоем, позволяющая учитывать протяженные временные зависимости в сигналах. По данным моделирования достигнута точность классификации состояний порядка 94 %. Отдельно описана интеграция алгоритма диагностики с реальным электроприводом: передача данных осуществляется через преобразователь частоты и программируемый логический контроллер с использованием протокола CANopen и OPC-сервера, а обработка – в приложении на языке Python. Испытания на двигателе, работающем в режиме холостого хода, показали устойчивую работу нейросети на средних и высоких частотах вращения, что подтверждает корректность разработанного алгоритма.
Ключевые слова: асинхронный электродвигатель; диагностика неисправностей; межвитковое короткое замыкание; повреждение беличьей клетки; модель Simulink; нейронная сеть LSTM; Python-приложение.
Khokhlovsky V. N., Dib Ali, Kozhubaev Yu. N., Motnin A. V.
ASYNCHRONOUS MOTOR MODELING DIAGNOSTICS USING LSTM NEURAL NETWORKS
(pp. 42-50)
Abstract. The paper proposes an approach to the diagnosis of an asynchronous electric motor based on the application of artificial neural networks to the analysis of time signals characterizing its operation. The characteristic types of damage to asynchronous machines and the main methods of their detection are briefly considered. Two common defects are modeled as examples: an inter-turn short circuit in the stator winding and a violation of the integrity of the squirrel cage of the rotor. To reproduce emergency modes, an engine simulation model is used in the Simulink environment, based on the results of which a data set is generated for training and testing a neural network algorithm. A recurrent neural network with an LSTM layer is chosen as the architecture, which allows taking into account extended time dependencies in signals. According to the simulation data, the accuracy of the classification of states is about 94 %. The integration of the diagnostic algorithm with a real electric drive is described separately: data is transmitted via a frequency converter and a programmable logic controller using the CANopen protocol and an OPC server, and processing is carried out in a Python application. Tests on an engine running in idle mode showed stable operation of the neural network at medium and high rotational speeds, which confirms the correctness of the developed algorithm.
Keywords: Asynchronous electric motor; Fault diagnostics; Inter-turn short circuit; Squirrel cage damage; Simulink model; LSTM neural network; Python application.
В. Н. Хохловский, Диб Али, Ю. Н. Кожубаев, А. В. Мотнин (Санкт-Петербургский Политехнический университет Петра Великого, Санкт-Петербург, Россия) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
V. N. Khokhlovsky, Dib Ali, Yu. N. Kozhubaev, A. V. Motnin (Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russia) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
1. Калачев Ю. Н., Самохвалов Д. В. SimInTech: основы регулируемого электропривода. М.: ДМК-Пресс, 2023. 234 с.
2. Беляев П. В., Головский А. П. Диагностика неисправностей асинхронных двигателей на ранних стадиях повреждения // Динамика систем, механизмов и машин. 2020. Т. 8, № 3. С. 16 – 23.
3. Методы диагностики неисправностей электродвигателей [Электронный ресурс]. Режим доступа: https://eti.su/articles/spravochnik/spravochnik_1680.html (дата обращения: 03.11.2025).
4. Васильева Ю. З., Полищук В. И. Диагностика повреждения короткозамкнутой обмотки ротора асинхронного двигателя // Технические науки в России и за рубежом. М., 2015. С. 50 – 53.
5. Диагностирование короткозамкнутых обмоток роторов без разборки электродвигателей [Электронный ресурс]. Режим доступа: https://www.ess-ltd.ru/diagnosticselectrical/diagnostirovanie-korotkozamknutykh-obmotok/ (дата обращения: 03.11.2025).
6. Inverter-Fed Motor Drive System: a Systematic Analysis of Condition Monitoring and Practical Diagnostic Techniques / M. U. Sardar, T. Vaimann, L. Kutt, et al. // Energies. 2023. Vol. 16, No. 15. Art. 5628.
7. Trends and Challenges in Intelligent Condition Monitoring of Electrical Machines Using Machine Learning / K. Kudelina, T. Vaimann, B. Asad, et al. // Applied Sciences. 2021. Vol. 11, No. 6. Art. 2761.
8. Диагностика асинхронного двигателя с помощью машинного обучения / С. В. Сальников, Е. М. Солодкий, Д. Д. Вишняков и др. // Междунар. конф. по мягким вычислениям и измерениям. 2023. Т. 1. С. 295 – 300.
9. Solodkiy E., Dadenkov D., Salnikov S. Detection of Stator Inter-Turn Short Circuit in Three-Phase Induction Motor Using Current Coordinate Transformation // 26th International Workshop on Electric Drives: Improvement in Efficiency of Electric Drives (IWED). Moscow. 2019. P. 1 – 4.
10. Ewert P., Kowalski C. T., Orlowska-Kowalska T. Low-Cost Monitoring and Diagnosis System for Rolling Bearing Faults of the Induction Motor Based on Neural Network Approach // Electronics. 2020. Vol. 9, No. 9. 1334.
11. An Efficient Neural-Network Model for Real-Time Fault Detection in Industrial Machine / A. K. Verma, et al. // Neural Computing and Applications. 2021. Vol. 33. P. 1297 – 1310.
12. A Method for Broken Bar Fault Diagnosis in Three Phase Induction Motor Drive System Using Artificial Neural Networks / S. R. Kumar, et al. // International Journal of Ambient Energy. 2021. Vol. 43, No. 1. P. 5138 – 5144.
13. Kumar P., Hati A. S. Convolutional Neural Network with Batch Normalisation for Fault Detection in Squirrel Cage Induction Motor // IET Electric Power Applications. 2021. Vol. 15, No. 1. P. 39 – 50.
14. Convolutional Neural Networks for Automated Rolling Bearing Diagnostics in Induction Motors Based on Electromagnetic Signals / M. Minervini, et al. // Applied Sciences. 2021. Vol. 11, No. 17. 7878.
15. Tran M.-Q., Liu M.-K., Tran Q.-V., Nguyen T.-K. Effective Fault Diagnosis Based on Wavelet and Convolutional Attention Neural Network for Induction Motors // IEEE Transactions on Instrumentation and Measurement. 2022. Vol. 71. Art. 3501613.
1. Kalachev, Yu. N., & Samokhvalov, D. V. (2023). SimInTech: Fundamentals of adjustable electric drive. DMK-Press. [in Russian language].
2. Belyaev, P. V., & Golovsky, A. P. (2020). Diagnostics of induction motor faults at early stages of damage. Dinamika sistem, mekhanizmov i mashin, 8(3), 16–23. [in Russian language].
3. ETI. (n.d.). Methods for diagnosing electric motor faults. Retrieved November 3, 2025, from https://eti.su/articles/spravochnik/spravochnik_1680.html [in Russian language].
4. Vasilyeva, Yu. Z., & Polishchuk, V. I. (2015). Diagnostics of damage to the short-circuited rotor winding of an induction motor. In Tekhnicheskie nauki v Rossii i za rubezhom (pp. 50–53). Moscow. [in Russian language].
5. ESS. (n.d.). Diagnostics of short-circuited rotor windings without disassembling electric motors. Retrieved November 3, 2025, from https://www.ess-ltd.ru/diagnostics-electrical/diagnostirovanie-korotkozamknutykh-obmotok/ [in Russian language].
6. Sardar, M. U., Vaimann, T., Kutt, L., et al. (2023). Inverter-fed motor drive system: A systematic analysis of condition monitoring and practical diagnostic techniques. Energies, 16(15), Article 5628.
7. Kudelina, K., Vaimann, T., Asad, B., et al. (2021). Trends and challenges in intelligent condition monitoring of electrical machines using machine learning. Applied Sciences, 11(6), Article 2761.
8. Salnikov, S. V., Solodkiy, E. M., Vishnyakov, D. D., et al. (2023). Diagnostics of an induction motor using machine learning. In Proceedings of the International Conference on Soft Computing and Measurements (Vol. 1, pp. 295–300). [in Russian language].
9. Solodkiy, E., Dadenkov, D., & Salnikov, S. (2019). Detection of stator inter-turn short circuit in three-phase induction motor using current coordinate transformation. In Proceedings of the 26th International Workshop on Electric Drives: Improvement in Efficiency of Electric Drives (IWED) (pp. 1–4). Moscow.
10. Ewert, P., Kowalski, C. T., & Orlowska-Kowalska, T. (2020). Low-cost monitoring and diagnosis system for rolling bearing faults of the induction motor based on neural network approach. Electronics, 9(9), Article 1334.
11. Verma, A. K., et al. (2021). An efficient neural-network model for real-time fault detection in industrial machine. Neural Computing and Applications, 33, 1297–1310.
12. Kumar, S. R., et al. (2021). A method for broken bar fault diagnosis in three phase induction motor drive system using artificial neural networks. International Journal of Ambient Energy, 43(1), 5138–5144.
13. Kumar, P., & Hati, A. S. (2021). Convolutional neural network with batch normalisation for fault detection in squirrel cage induction motor. IET Electric Power Applications, 15(1), 39–50.
14. Minervini, M., et al. (2021). Convolutional neural networks for automated rolling bearing diagnostics in induction motors based on electromagnetic signals. Applied Sciences, 11(17), Article 7878.
15. Tran, M.-Q., Liu, M.-K., Tran, Q.-V., & Nguyen, T.-K. (2022). Effective fault diagnosis based on wavelet and convolutional attention neural network for induction motors. IEEE Transactions on Instrumentation and Measurement, 71, Article 3501613.
|
Current Issue
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»