تشخيص الأعطال الكهربائية والميكانيكية في المحركات الحثية

الضرورة من تشخيص الأعطال الكهربائية والميكانيكية في المحركات الحثية

تُستخدم المحركات الحثية على نطاق واسع في المنشآت الصناعية للعمليات الحرجة، حيث يمكن أن يؤدي الفشل إلى إيقاف جزئي أو كامل لعملية الإنتاج، بحيث يمكن أن تؤدي الصيانة غير المخطط لها أو التوقف عن العمل أو عمليات الاستبدال إلى تكاليف عالية، علاوة على ذلك؛ فإنه يمكن أن يكون للفشل الخطير تداعيات خطيرة على السلامة.

كما يمكن تصنيف أعطال المحرك التحريضي على أنها ذات صلة بالكهرباء أو ميكانيكية أو متعلقة بالبيئة، حيث أن نطاق العيوب المحتملة عديدة، كما تكون أخطاء الجزء الثابت والمحمل والدوار هي الأكثر انتشاراً، لذلك ستؤثر هذه الأخطاء على الخصائص الميكانيكية والمغناطيسية والكهربائية للمحرك التعريفي بطرق مختلفة.

ونتيجة لذلك، قد لا يكون نوع المستشعر الأمثل لتشخيص نوع واحد من أوضاع الخطأ هو نفسه المستشعر الأمثل لتشخيص وضع خطأ آخر، لذلك سبق أن ثبت أنه يمكن تشخيص أعطال معينة في المحرك التحريضي باستخدام مستشعرات مختلفة، كما تعد الإشارات الاهتزازية والصوتية والكهربائية من بين أكثر أنواع المستشعرات شيوعاً للكشف عن أعطال الدوار والجزء الثابت.

إلا أن بعض المستشعرات أكثر ملاءمة لاكتشاف أخطاء معينة من غيرها لاحظ، كما أن الإشارات الصوتية والاهتزازية هي الأكثر حساسية لاكتشاف أخطاء المحمل، في حين أن الإشارات الكهربائية أكثر حساسية لأعطال قضيب الدوار المكسور.

لذلك لقد ثبت مؤخراً أن الإشارات الصوتية مناسبة لتشخيص أخطاء المحمل والجزء الثابت والدوار لمحركات الحث أحادية الطور وثلاثية الطور، بالإضافة إلى ذلك؛ فإنه يمكن لأجهزة الاستشعار التي تستجيب لخطأ معين أن توفر أيضاً معلومات حول العيوب الأخرى، ومن ثم؛ فإن نظام مراقبة الحالة الذي يقوم بدمج المعلومات التي تم الحصول عليها من أنواع أجهزة استشعار متعددة يمكن أن يضمن إمكانية اكتشاف مجموعة شاملة من أوضاع الأعطال بسرعة وبدقة.

طرق الإبلاغ عن المشاكل الكهربائية والميكانيكية في المحركات الحثية

لاحقاً تم الإبلاغ عن طرق مختلفة لمراقبة الحالة تهدف إلى زيادة دقة ومتانة اكتشاف الأخطاء عبر اندماج المستشعر، كما تم استخدام الشبكات العصبية لدمج إشارات التيار الكهربائي والاهتزاز من أجل تشخيص الأعطال الميكانيكية والكهربائية، وقد تبين أن أنواع الإشارات هذه مكملة لبعضها البعض وأن اندماجها باستخدام نظرية (Dempster-Shafer) على مستوى القرار يزيد من دقة التصنيف.

أيضاً تم تطبيق مصنف خاص باكتشاف الأعطال، وذلك باستخدام مقياس التسارع وإشارات الحمل من أجل تشخيص أخطاء المحامل، مما يوضح أنه في حين أن إشارات الحمل تكون أكثر فائدة في التمييز بين المحامل الملائمة من المحامل المعيبة، كما أن إشارات مقياس التسارع أفضل في اكتشاف الموقع من الخطأ، بحيث تم تحقيق أفضل أداء عندما تم دمج الإشارتين معاً.

كما تم دمج الإشارات الصوتية والاهتزازية باستخدام نظرية (Dempster-Shafer) على مستوى القرار لتشخيص الأعطال في علب التروس الكوكبية، حيث أدى الاندماج إلى تشخيصات أكثر دقة إلى جانب تقليل معدلات الإنذارات الخاطئة والمفقودة، كما وتم دمج إشارات الاهتزاز والصوت والحطام النفطي على مستوى الميزة لتشخيص الأعطال في التروس من خلال تحليل المكونات الرئيسية (PCA) وتحليل المكونات المستقلة.

وفي كل حالة سالفة الذكر؛ أثبت اندماج المستشعر أنه يزيد من الدقة والمتانة ومعدل الإنذار الفائت أو الخاطئ للنظام. يمكن تنفيذ اندماج المستشعرات على مستوى البيانات ومستوى الميزة وعلى مستوى القرار، بحيث يعتمد القرار بشأن مستوى التجريد على المعلومات التي تحملها الإشارات المختلفة، خاصةً إذا كانت أنواع الإشارات مختلفة بشكل كبير وتحمل معلومات تكميلية.

المصاعب التي تواجه اكتشاف الأعطال في المحركات الحثية

يتمثل أحد التحديات النموذجية التي تتم مواجهتها عند إنشاء خوارزميات الاندماج على مستوى القرار في وجود عدد كبير من الميزات المتعلقة بعدد الملاحظات، كما يمكن أن تكون هذه الميزات مترابطة بشكل كبير، مما قد يؤدي في النهاية إلى تحيز نتائج خوارزمية اكتشاف الخطأ. طريقة شائعة لتقليل الارتباط وأبعاد السمات هي (PCA).

على سبيل المثال، تم تقليل أبعاد الميزات المستخرجة من الاهتزاز والإشارات الحالية بواسطة (PCA) قبل تطبيق الخوارزميات الجينية والشبكة العصبية الاصطناعية لتصنيف الأعطال في المحرك التعريفي، بحيث تم العثور على أن أداء مصنف الأعطال قد تم تحسينه عن طريق إضافة (PCA) كخطوة معالجة مسبقة للميزة.

كما تمت مقارنة العديد من طرق تقليل الميزات وتحويلها بما في ذلك تحليل مكونات الحي والتحليل التمايز الخطي (LDA) والتنسيق الخطي المحلي و (PCA) مع التعلم المتري الانهيار الأقصى لتشخيص أخطاء المحامل المتعددة في المحركات الحثية مع التركيز بشكل خاص على جانب تقليل الأبعاد.

كما يوجد أيضاً تقليل الميزات في الأطر متعددة المراحل لتشخيص المحرك التعريفي، على سبيل المثال  تطبيق (PCA) و (LDA) وخوارزمية جينية ودرجة “فيشر” في استراتيجية هجينة للحصول على مجموعة ميزات مختصرة ومحسنة من الاهتزاز إشارات.

كما أن هناك مشكلة أخرى في اكتشاف الأخطاء تتم ملاحظتها بانتظام وهي ظروف التشغيل المتغيرة للآلات الكهربائية، والتي يمكن أن تنشأ من تغيير في الحمل أو الظروف البيئية، بحيث تم استنتاج أن أداء التنبؤ لخوارزمية الكشف عن الأخطاء القائمة على آلة ناقلات الدعم (SVM) لاكتشاف الأعطال الميكانيكية والكهربائية في المحركات التحريضية يعتمد على الحمل.

حيث تم رصد شدة مختلفة لأعطال الجزء الثابت في المحركات التحريضية في ظل تغير عزم دوران الحمل وعدم توازن جهد الإمداد وإيجاد أن أداء النظام متعدد العوامل والمقدر العصبي يعتمدان على شدة الخطأ، كما تمت مراجعة طرق التشخيص والتكهنات الخاصة بالآلات الدوارة، مما يبرز اعتماد حالة التشغيل للخوارزميات كمنطقة موجودة ولكنها غير مدروسة.

أيضاً تم وصف الاستدلال اللحظي على أنه طريقة مناسبة لاكتشاف الأخطاء وتصنيفها في أنظمة مراقبة الحالة، وفي الآونة الأخيرة، تم اقترح نهج الاستدلال “البايزي” على مرحلتين لمراقبة حالة نظام يتكون من عدة أنظمة فرعية.

بحيث تحدث المرحلة الأولى من اندماج المستشعر على مستوى النظام الفرعي، بينما تدمج المرحلة الثانية نتيجة المرحلة الأولى على مستوى القرار من أجل تحديد الحالة الصحية للنظام بأكمله، كما كانت الطريقة فعالة في تشخيص الأعطال في الأنظمة المعقدة المكونة من مكونات متفاعلة.

امتداداً للعمل السابق الذي تم فيه تطبيق طريقة اندماج حساس بايزي على مرحلتين لتشخيص الأعطال الميكانيكية في المحركات الحثية، وقد تبين أنه من خلال دمج التشخيصات المستقلة لأنواع أجهزة الاستشعار المختلفة على مستوى القرار؛ فإنه يمكن تقليل معدلات الإنذار الخاطئ والمفقود لخوارزمية تصنيف الخطأ بشكل كبير.

كما تم تطبيق نماذج خطية بسيطة لقيم الميزة المتوقعة المتعلقة بقيم التحميل لحساب اعتماد الحمل على الميزات، بحيث يحد هذا النهج من عمومية الحل حيث أن تحميل النظام مطلوب أيضاً كمدخل في الخوارزمية أثناء التدريب والاختبار.