Надіслати цю статтю 
Моделювання відмов промислових електродвигунів з використанням алгоритмів машинного навчання
DOI: http://dx.doi.org/10.31548/energiya5(75).2024.024
Анотація
Проведено аналіз, сформульовано та визначено класифікацію нештатних ситуацій, що виникають у результаті переходу із штатного до нештатного режиму функціонування електротехнологічного комплексу харчових виробництв. Розроблена структура системи підтримки прийняття рішень для моніторингу електротехнологічних процесів підприємства в реальному масштабі часу з метою локалізації прогнозованих або виявлених у результаті моніторингу нештатних ситуацій. Розроблено програмно-апаратний комплекс системи моніторингу та підтримки прийняття рішень, основним завданням якого є зменшення незапланованих зупинок виробництва та простою обладнання при виникненні нештатних ситуацій за рахунок прогнозування роботи електротехнологічного комплексу та збільшення швидкості реакції диспетчера при управлінні технологічним комплексом харчових виробництв.
Ключові слова: нештатна ситуація, аварія, система керування, підтримка прийняття рішень, харчове виробництво
Повний текст:
PDFПосилання
Vlasenko, L. O., Lutska, N. M., Zaiets, N. A., Shyshak, A. V., Savchuk, O. V. (2022). Domain ontology development for condition monitoring system of industrial control equipment and devices. Radio Electronics, Computer Science, Control, 1, 157. https://doi.org/10.15588/1607-3274-2022-1-16
Lutska, N., Vlasenko, L., Zaiets, N., Lysenko, V. (2022). Modeling the Productivity of a Sugar Factory using Machine Learning Methods. In 2022 IEEE 17th International Conference on Computer Sciences and Information Technologies (CSIT), 353-356. https://doi.org/10.1109/CSIT56902.2022.10000571
Korobiichuk, I., Mel’nick, V., Kosova, V., Ostapenko, Z., Gnateiko, N., Rzeplinska-Rykala, K. (2023). Mathematical Model of the Approximate Function as the Result of Identification of the Object of Automatic Control. In: Conference on Automation. Cham: Springer Nature Switzerland, 2023. 173-182. https://doi.org/10.1108/IR-12-2021-0296
Drakaki, M., Karnavas, Y. L., Tziafettas, I. A., Linardos, V., Tzionas, P. (2022). Machine learning and deep learning based methods toward industry 4.0 predictive maintenance in induction motors: State of the art survey. Journal of Industrial Engineering and Management (JIEM), 15.1: 31-57. https://doi.org/10.1109/TLA.2022.9757372
Tran, M. Q., Amer, M., Abdelaziz, A. Y., Dai, H. J., Liu, M. K., Elsisi, M. TRAN, Minh‐Quang, et al. (2023). Robust fault recognition and correction scheme for induction motors using an effective IoT with deep learning approach. Measurement, 207: 112398. https://doi.org/10.1016/j.measurement.2022.112398
Korobiichuk, I., Kachniarz, M., Bezvesilna, O., Nowicki, M., Ilchenko, A., Szewczyk, R. (2017). Calorimetrie flow meter of motor fuel With Inlet temperature regulation. In: 2017 4th International Conference on Control, Decision and Information Technologies (CoDIT). IEEE, 2017. 0975-0979. https://doi.org/10.1109/CoDIT.2017.8102725
Sunal, C. E., Dyo, V., Velisavljevic, V. (2022). NReview of machine learning based fault detection for centrifugal pump induction motors. IEEE Access, 2022, 10: 71344-71355. https://doi.org/10.1109/ACCESS.2022.3187718
Cen, J., Yang, Z., Liu, X., Xiong, J., Chen, H. (2022). A review of data-driven machinery fault diagnosis using machine learning algorithms. Journal of Vibration Engineering & Technologies, 2022, 10.7: 2481-2507. https://doi.org/10.1007/s42417-022-00498-9
Lei, Y., Yang, B., Jiang, X., Jia, F., Li, N., Nandi, A. K. LEI, Yaguo, et al. (2020). Applications of machine learning to machine fault diagnosis: A review and roadmap. Mechanical Systems and Signal Processing, 2020, 138: 106587. https://doi.org/10.1016/j.ymssp.2019.106587
Mushtaq, S., Islam, M. M., & Sohaib, M.(2021). Deep learning aided data-driven fault diagnosis of rotatory machine: A comprehensive review. Energies, 2021, 14.16: 5150. https://doi.org/10.3390/en14165150
Li, C., Zhang, S., Qin, Y., Estupinan, E. (2020). A systematic review of deep transfer learning for machinery fault diagnosis. Neurocomputing, 2020, 407: 121-135. https://doi.org/10.1016/j.neucom.2020.04.045
Ribeiro Junior, R.F., de Almeida, F.A., Jorge, A.B. et al. (2023). On the use of the Gaussian mixture model and the Mahalanobis distance for fault diagnosis in dynamic components of electric motors. J Braz. Soc. Mech. Sci. Eng. 45, 139. https://doi.org/10.1007
Lin, Shih-Lin. (2021)/ Application of machine learning to a medium Gaussian support vector machine in the diagnosis of motor bearing faults. Electronics 10.18: 2266. https://doi.org/10.3390/electronics10182266
Toma, Rafia Nishat, and Jong-myon Kim. (2021). Bearing Fault Classification of Induction Motor Using Statistical Features and Machine Learning Algorithms. International Conference on Intelligent Systems Design and Applications. Cham: Springer International Publishing, 243-254. https://doi.org/10.1007/978-3-030-96308-8_22
Shih, Kai-Jung, et al. (2022). Machine learning for inter-turn short-circuit fault diagnosis in permanent magnet synchronous motors." IEEE Transactions on Magnetics 58.8: 1-7. https://doi.org/10.1109/TMAG.2022.3169173
Sunal, Cem Ekin, Vladimir Dyo, and Vladan Velisavljevic. "Review of machine learning based fault detection for centrifugal pump induction motors." IEEE Access 10 (2022): 71344-71355. https://doi.org/10.1109/ACCESS.2022.3187718
Liu, Zicheng, et al. (2022). A machine-learning-based fault diagnosis method with adaptive secondary sampling for multiphase drive systems." IEEE transactions on power electronics 37.8: 8767-8772. https://doi.org/10.1109/TPEL.2022/3153797
Cherif, Bilal Djamal Eddine, et al. (2022). Machine-learning-based diagnosis of an inverter-fed induction motor." IEEE Latin America Transactions 20.6, 901-911. https://doi.org/10.1109/TLA.2022.9757372
Real-time expert system a real gold mine. Available at: http: //www.controlglobal.com/ articles/2005/412
Метрики статей
Metrics powered by PLOS ALM
Посилання
- Поки немає зовнішніх посилань.
