تشخيص الأعطال المتدرجة بحد أقصى لمحركات الحث المباشر

ضرورة تشخيص الأعطال المتدرجة بحد أقصى لمحركات الحث المباشر

تعد المحركات الحثية من الآلات الكهربائية الأكثر استخداماً في التطبيقات الصناعية المختلفة، ووفقاً لمسح شامل لمحركات الحث من (0.75) كيلو وات إلى (150) كيلو وات، تحدث هناك بعض الأعطال بانتظام في المحركات الحثية، مثل (7٪) أعطال قضيب الدوار مكسورة و (21٪) أخطاء لف الجزء الثابت و (69٪) أخطاء تحمل و (3٪) عمود أو اقتران وأخطاء أخرى.

ولتحسين موثوقية العمليات الصناعية الحرجة وتقليل وقت التوقف عن العمل، يعد التشخيص الفعال للأعطال الكهربائية والميكانيكية في المحركات الحثية أمراً ضرورياً، كما يمكن تقسيم طرق تشخيص الأعطال الحركية التحريضية المذكورة في الدراسات إلى ثلاث فئات، وهي:

• النهج القائمة على استخراج التوقيع: حيث يتم استخراج توقيعات الأعطال في الوقت أو مجال التردد الكهربائي من الإشارات المسجلة، مثل الجهد والتيار الكهربائي والاهتزاز وتدفق التسرب، كما ويتم استخدامها لتشخيص الأعطال، بحيث تعد طريقة تحليل “التوقيع الحركي” (MSCA) واحدة من أكثر التقنيات شيوعاً في البيئة الصناعية والأكثر نجاحاً في اكتشاف قضبان الدوار المكسورة أو حلقات النهاية، ومع ذلك؛ فإن إشارة الخطأ الخاطئة هي مشكلة شائعة باستخدام (MSCA) .

• النهج القائمة على النموذج: وهو النهج الذي يعتمد على “النمذجة الرياضية” للآلة في ظل ظروف الخطأ، ومع ذلك غالباً ما يصعب تطوير نماذج المحركات الدقيقة.

• النهج القائمة على المعرفة: حيث يتم استخدام تقنيات الذكاء الاصطناعي بشكل متزايد لتشخيص الأخطاء في الأنظمة المعقدة المتغيرة بمرور الوقت وغير الخطية، كما تعتمد الأساليب القائمة على المعرفة على البيانات، ولا تتطلب إنشاء نماذج آلية للظروف المعيبة.

لذلك اجتذب التقدم الأخير في معالجة الإشارات والذكاء الاصطناعي اهتمامات متجددة لتشخيص أعطال المحركات الحثية باستخدام التعلم الآلي، كما أن التعلم الخاضع للإشراف هو الأسلوب الأكثر استخداماً، كما تم الإبلاغ عن التعلم شبه الخاضع للإشراف والتعلم العميق في الدراسات الخاصة في هذا المجال.

كما يحتاج التعلم الآلي إلى مجموعات بيانات مسجلة من القياسات الميدانية أو التجارب المعملية، وذلك على الرغم من أن جمع البيانات في العمليات الصناعية ليس بالأمر الصعب، حيث تتم مراقبة بيانات الحالة بشكل مستمر، إلا أن تصنيف عينات البيانات يعد مهمة تستغرق وقتاً طويلاً وتكلفة باهظة، كما وتتطلب تدخل الخبراء.

كما أن هناك كميات كبيرة من العينات المسمى مطلوبة للتعلم تحت الإشراف والتعلم العميق، وفي هذا الصدد، يتمتع التعلم شبه الخاضع للإشراف (SSL) بمزايا لأن كمية صغيرة فقط من البيانات المصنفة مطلوبة لتدريب نموذج تصنيف من كمية هائلة من البيانات غير المسماة.

التقنيات الخاصة بتحسين كفاءة ودقة أنظمة تشخيص الأعطال

تم استخدام تقنيات (SSL) لتحسين كفاءة ودقة أنظمة تشخيص الأعطال المختلفة، بحيث تم اقتراح خوارزمية تحسين تحديد المواقع القائمة على التطور التفاضلي، وذلك لتسمية البيانات غير المسماة من خلال عملية وضع العلامات الذاتية المتكررة، كما تم اقتراح التضمين الخطي المحلي المعدل شبه الخاضع للإشراف، ولتشخيص أعطال فرن المغنيسيا المصهور كهربائياً.

أيضاً اكتسب (SSL) أيضاً شعبية أكبر في مجال تشخيص أعطال المحركات التحريضية، بحيث تتضمن الأساليب المنشورة طبقات ألفا سلسة شبه خاضعة للإشراف لتشخيص خطأ المحمل، وذلك ضمن إطار عمل تعلم القاموس المتسق شبه الخاضع للإشراف لتصنيف أعطال الآلة والتعلم العميق شبه الخاضع للإشراف لتشخيص أعطال التروس الحركية.

بالإضافة الى متشعب التعلم شبه الخاضع للإشراف القائم على التنظيم لتشخيص خطأ التحمل وطريقة (SSL) العميقة لتشخيص أعطال علبة التروس الكوكبية الحركية، كما تستخدم جميع طرق تشخيص أعطال المحركات الحثية المستندة إلى (SSL) المذكورة في الدراسات العلمية العديدة مثل إشارات الاهتزاز، كما وتتعامل في الغالب مع اكتشاف خطأ فردي.

ومع ذلك، وضمن الحياة الواقعية، قد تحدث الأعطال في الآلات الكهربائية في تسلسل متتالي، كما وقد يتسبب عطل في أحد المواقع في الجهاز في حدوث عطل في مكان آخر، لذلك اذا حدث خطأ واحد أو عدة أنواع مختلفة من الأخطاء في وقت واحد داخل الجهاز وهي سيناريوهات محتملة يجب مراعاتها لتشخيص الأخطاء.

كما أن طرق (SSL) الحالية لا تغطي هذا الجانب. سوف نتعامل مع هذه المشكلة في هذه الورقة من خلال النظر في ظروف الخطأ الفردي والمتعدد للمحركات الحثية من خلال التصنيف الثنائي (خطأ فردي مقابل الحالة الصحية) والتصنيف متعدد الفئات (عدة أنواع من الأعطال والحالة الصحية).

الطريقة المقترحة والنظرية الأساسية لـ (GSSL)

يمكن تنفيذ طريقة تشخيص الأعطال المعتمدة على (GGMC) للمحركات الحثية المباشرة عبر الإنترنت في هذا الطرح في الخطوات الثلاث التالية:

أولاً: الحصول على البيانات من خلال التجارب في المختبر أو القياسات الميدانية، بحيث يعتمد نهج تشخيص الأخطاء المقترح على التعلم الآلي، كما ويعتمد على مجموعات البيانات التي تمثل مختلف ظروف الماكينة الصحية والخاطئة لغرض التدريب على تصنيف الأخطاء للحصول على مجموعات بيانات مناسبة؛ فقد أجريت تجارب في معمل لمحركين حثيين من ثلاث مراحل (0.25) حصان على شكل “قفص السنجاب”.

ثانياً: استخراج الميزات من خلال (DWT) لمجموعات بيانات التيار الثابت والاهتزاز التي تم الحصول عليها في الخطوة السابقة، كما تُستخدم الميزات المستخرجة لاحقاً في التعلم الآلي في الخطوة التالية، حيث أن (DWT) مناسب للتنفيذ المحوسب للتحويل (WT) لإشارة الإدخال نظراً للمزايا التالية:

• تتحلل الإشارة الأصلية إلى مستويات تقريبية (مكونات منخفضة التردد) وتفاصيل (مكونات عالية التردد) من خلال التحليل متعدد الدقة (MRA).

• تحتوي مستويات التحلل على معلومات كافية عن الإشارة الأصلية مع وقت حسابي أقل بشكل ملحوظ.

• مقياس ومعلمات التحول من (WT)، والتي يمكن تقديرها، كما يمكن تمثيل (DWT) للإشارة على النحو التالي:

حيث:

[ψ (t)]: هي وظيفة الموجات.

[x|k|]: هي إشارة الإدخال.

(s): هي معلمات المقياس والتحويل على التوالي.

(j ،k): أعداد صحيحة موجبة.

ثالثاً: التصنيف الثنائي والتصنيف متعدد الفئات باستخدام (GGMC)، وذلك للكشف عن أعطال المحركات الحثية، كما يتعامل التصنيف الثنائي مع خطأ فردي مقابل الحالة الصحية، بينما يصنف التصنيف متعدد الطبقات العيوب بين الأخطاء الفردية والمتعددة والحالة الصحية، كما إنها مهمة بنفس القدر، حيث قد تظهر مواقف مماثلة في الحياة الواقعية أثناء تشغيل المحرك.

أيضاً يمكن تقييم نهج تشخيص الأخطاء المقترح المستند إلى (GGMC) بشكل كامل من خلال التصنيفات الثنائية والمتعددة، وذلك للتحقق من صحة أداء النهج المقترح، بحيث تتم مقارنة خوارزميتين أخريين من أحدث تقنيات (GSSL)، وهما (LGC و GFHF)، بالإضافة الى (GGMC)، كما يتم تقديم النظرية الأساسية لـ (GGMC و LGC و GFHF).