Diagnostic des défauts des moteurs à induction basé sur les signatures vibratoires et le signal du courant

Abstract

This study focuses on the monitoring and diagnosis of faults in induction motors. We are particularly interested in several types of faults: bearing defects, rotor misalignment, rotor warping, and rotor imbalance. To detect these faults, we created an artificial intelligence-based monitoring system using an artificial neural network. To train and test this network, we used time-domain vibration data from vibration analysis and features extracted from the current signal. The network output indicates whether a fault is present. The neural network is a multilayer perceptron trained with the Levenberg-Marquardt algorithm to improve its diagnostic performance. The results show that the performance of the artificial neural network is highly dependent on the choice of parameters and the quality of the data used for training and testing. We also compared current and vibration signals. This comparison reveals that current signals are more accurate and reliable than vibration signals for detecting faults. This highlights their effectiveness in monitoring and diagnostic systems for induction motors. Our results underscore the importance of selecting the right parameters and data to improve neural network performance. The use of current signals appears to be a promising approach for fault diagnosis in induction motors. ------------------------------------------------------ تركز هذه الدراسة على رصد وتشخي صأنشأنا نظام رصد يعتمد على وللكشف عن هذه األعطال، . وعدم توازن الدوار الدوار، عيوب المحامل، وعدم محاذاة : منها . الذكاء االصطناعي باستخدام شبكة عصبية اصطناعية ة من تحليل االهتزازات، باإلضافة إلى الزمني المستمد استخدمنا بيانات اهتزازات المجال ولتدريب هذه الشبكة واختبارها ،المستخدمة هي شبكة العصبية الشبكة . ويشير خرج الشبكة إلى وجود عطل من عدمه . خصائص مستخرجة من إشارة التيار وتُظهر . كوارت لتحسين أدائها التشخيصي مار تم تدريبها باستخدام خوارزمية ليفنبرغ ) Perceptron ( متعددة الطبقات اختيار المعلمات وجودة البيانات المستخدمة في التدريب العصبية االصطناعية يعتمد بشكل كبير على أداء الشبكة النتائج أن كما قارنا بين إشارات التيار وإشارات االهتزاز، وكشفت هذه المقارنة أن إشارات التيار أكثر دقة وموثوقية من . االختبار و . المحركات الحثية ما يُبرز فعاليتها في أنظمة رصد وتشخيص إشارات االهتزاز في الكشف عن األعطال، م ويبدو أن استخدام إشارات التيار . تؤكد نتائجنا على أهمية اختيار المعايير والبيانات المناسبة لتحسين أداء الشبكة العصبي ة . يمثل نهجًا واعدًا لتشخيص األعطال في ----------------------------------------------------- Cette étude porte sur la surveillance et le diagnostic des défauts dans les moteurs à induction. Nous nous intéressons particulièrement à plusieurs types de défauts : les défauts de roulement, le désalignement du rotor, cintrage et déséquilibre du rotor. Pour les détecter, nous avons créé un système de surveillance basé sur l'intelligence artificielle, en utilisant un réseau de neurones artificiels. Pour entraîner et tester ce réseau, nous avons utilisé des données vibratoires temporelles issues de l'analyse vibratoire et des caractéristiques extraites du signal de courant. La sortie du réseau indique si un défaut est présent ou non. Le réseau de neurones que nous utilisons est un perceptron multicouches entraîné avec l'algorithme de Levenberg-Marquardt pour améliorer ses performances de diagnostic. Les résultats montrent que les performances du réseau de neurones artificiels dépendent beaucoup du choix des paramètres et de la qualité des données utilisées pour l'apprentissage et les tests. Nous avons également comparé les signaux de courant et les signaux de vibration. Cette comparaison révèle que les signaux de courant sont plus précis et plus fiables que les signaux de vibration pour détecter les défauts. Cela souligne leur efficacité dans les systèmes de surveillance et de diagnostic des moteurs à induction. Nos résultats mettent en évidence l'importance de choisir les bons paramètres et les bonnes données pour améliorer les performances du réseau de neurones. L'utilisation de signaux de courant s'avère être une approche prometteuse pour le diagnostic des défauts dans les moteurs à induction.