neuronowo-rozmyty detektor uszkodzeń wirnika silnika klatkowego
Transkrypt
neuronowo-rozmyty detektor uszkodzeń wirnika silnika klatkowego
Nr 58 Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej Nr 58 Studia i Materiały Nr 25 2005 silnik indukcyjny, diagnostyka eksploatacyjna, uszkodzenia wirnika, sieci neuronowe rozmyte Marcin PAWLAK * F NEURONOWO-ROZMYTY DETEKTOR USZKODZEŃ WIRNIKA SILNIKA KLATKOWEGO Diagnostyka eksploatacyjna silników indukcyjnych polega na ocenie stanu technicznego maszyny podczas jej normalnej pracy. W tym celu stosuje się różne rozwiązania sprzętowe aparatury diagnostycznej, które nierzadko wymagają zainstalowania różnego rodzaju czujników wielkości elektrycznych i nieelektrycznych. Zabudowa tych czujników nie zawsze jest możliwa. Dlatego też, w ostatnim czasie dąży się do opracowania uniwersalnych urządzeń monitorująco-diagnostycznych, które do poprawnej pracy wymagają jedynie informacji o podstawowych sygnałach pomiarowych silnika, takich jak prąd czy napięcie. Jednak symptomy poszczególnych uszkodzeń silnika, jakie pojawiają się w tych sygnałach zależą od wielu czynników, określenie stopnia danego uszkodzenia jest zadaniem bardzo trudnym. Jednym z rozwiązań tego problemu jest zastosowanie metod sztucznej inteligencji, w roli detektorów i klasyfikatorów uszkodzeń. W referacie przedstawiono przykład neuronowo-rozmytego detektora stopnia uszkodzenia wirnika, który został opracowany i przetestowany na stanowisku laboratoryjnym z silnikiem indukcyjnym o mocy 1,5kW. 1. WSTĘP Silniki indukcyjne reprezentują największą grupę silników elektrycznych stosowanych na świecie. Wytwarzane są w bardzo szerokim zakresie mocy – od kilku watów do kilku megawatów. Do ich niezaprzeczalnych zalet można zaliczyć prostą konstrukcję, zwartą budowę, dużą przeciążalność, niską cenę oraz dużą niezawodność. Dlatego też, są najchętniej wybierane do pracy jako napędy maszyn pracujących w trudnych warunkach środowiskowych. Szacuje się, że stanowią one przeszło 90% wszystkich silników elektrycznych zainstalowanych na świecie. Pomimo ich względnie wysokiej niezawodności, w trakcie ich eksploatacji mogą pojawić się uszkodzenia w częściach elektrycznych __________ * Politechnika Wrocławska, Instytut Maszyn, Napędów i Pomiarów Elektrycznych, 50-372 Wrocław, ul. Smoluchowskiego 19, [email protected] obwodu stojana i wirnika oraz w elementach mechanicznych zarówno samego silnika, jak i maszyny roboczej [6]. W dotychczas stosowanych układach identyfikacji uszkodzeń silników indukcyjnych, niezbędne było posiadanie szczegółowo rozwiniętej bazy wiedzy, wykorzystującej starannie dobrane modele silników oraz ich uszkodzeń. Ponadto trudna była ocena rodzaju i stopnia uszkodzenia, gdyż znalezienie zależności pomiędzy faktycznie istniejącymi uszkodzeniami w maszynie a mierzonymi wielkościami fizycznymi nie było łatwe. Oprócz tego, zmienne warunki zasilania napędów oraz praca w szerokim zakresie momentu obciążenia silnika powodowały generowanie wielowymiarowych baz danych pomiarowych, utrudniając ekstrakcję odpowiednich składowych charakteryzujących poszczególne rodzaje uszkodzeń. W ostatnim dziesięcioleciu, w dziedzinie diagnostyki silników elektrycznych, obserwuje się wyraźne zainteresowanie technikami wykorzystującymi metody sztucznej inteligencji. Spośród tych metod na uwagę zasługują w szczególności: teoria sztucznych sieci neuronowych, logika rozmyta oraz połączenie obu tych metod – sieci neuronowe rozmyte. Zastosowanie tych teorii w odniesieniu do zagadnień identyfikacji uszkodzeń stojana, wirnika i łożysk stwarza nowe możliwości, ponieważ zbędna się staje konieczność posiadania dokładnej wiedzy w zakresie mechanizmów powstawania uszkodzeń jak i znajomości dokładnych modeli matematycznych opisujących te uszkodzenia [2]. W artykule przedstawiono neuronowo-rozmyty detektor uszkodzeń klatki wirnika, który rozpoznaje stopień uszkodzenia wirnika na podstawie analizy częstotliwościowej sygnałów prądów stojana. 2. BEZINWAZYJNE METODY WYKRYWANIA USZKODZEŃ WIRNIKÓW W diagnostyce eksploatacyjnej silników indukcyjnych, na szczególną uwagę, zasługują tzw. bezinwazyjne metody wykrywania uszkodzeń, które mogą być przeprowadzone bezpośrednio na obiekcie, bez przerywania pracy danej maszyny. Metody te głównie polegają na rejestracji wybranych sygnałów pomiarowych wielkości elektrycznych i nieelektrycznych pracującego silnika, a następnie poddają je szczegółowej analizie, pod kątem pojawienia się charakterystycznych symptomów uszkodzeń. Spośród bezinwazyjnych metod wykrywania uszkodzeń silników elektrycznych jedną z częściej stosowanych jest metoda analizy częstotliwościowej prądów fazowych silnika, która polega na detekcji w widmie prądów dodatkowych składowych częstotliwościowych, wskazujących na obecność danego typu uszkodzenia w maszynie. Metoda ta pozwala również na oszacowanie stopnia uszkodzenia, na podstawie analizy amplitud pojawiających się składowych uszkodzeniowych [3]. Wykrycie asymetrii wirnika, której szczególny przypadek stanowi uszkodzenie klatki wirnika, polega na detekcji dwóch składowych częstotliwościowych pojawiają- cych się w widmie prądów fazowych silnika, w okolicach składowej podstawowej prądu, o częstotliwościach fs1 i fs2: fs1=(1-2s)fs (1) fs2=(1+2s)fs (2) Amplitudy tych składowych pośrednio zależą od rodzaju i stopnia asymetrii wirnika oraz od momentu obciążenia silnika i bezwładności układu napędowego. W praktyce, wykorzystując metody sztucznej inteligencji, przy ocenie stopnia uszkodzenia wirnika jako sygnały wejściowe detektora powinno się wykorzystywać jednocześnie amplitudy obu składowych fs1 i fs2 lub/oraz ich sumę. Na rys.1 przedstawiono przykładowe widmo jednej fazy prądu silnika dla dwóch przypadków uszkodzeń, przy znamionowym momencie obciążenia. Przedstawione wyniki dotyczą badań eksperymentalnych przeprowadzonych na stanowisku laboratoryjnym z silnikiem indukcyjnym o mocy 1,5kW. Amplitudy składowych częstotliwościowych zostały odniesione do amplitudy składowej podstawowej prądu o częstotliwości 50Hz. Rys.1. Widmo częstotliwościowe prądu fazy iA silnika z uszkodzonym wirnikiem a) z jednym prętem przerwanym, b) z dwoma przerwanymi prętami Fig.1. The stator line current spectrum of motor with faulty rotor for cases: a) one broken rotor bar, b) two broken rotor bars Metoda analizy częstotliwościowej prądów stojana może być stosowana tylko dla silników pracujących pod znacznym obciążeniem, przy wartościach poślizgu bliskich wartości znamionowej. W przypadku, gdy moment obciążenia silnika ma małą wartość (0–0,5MN), w widmie prądu fazowego składowe fs1 i fs2 zlewają się ze składową podstawową 50Hz. W takim przypadku analiza amplitud tych składowych jest utrudniona, zaś uzyskane wyniki mogą być obarczone dużym błędem. Wady tej pozbawiona jest metoda analizy częstotliwościowej modułu wektora przestrzennego prądu stojana, która daje lepsze wyniki w szerszym zakresie momentu obciążenia silnika [1]. Istota tej metody polega na przekształceniu 3-fazowego układu współrzędnych fazowych prądu stojana do 2-osiowego układu prostokątnego, nieruchomego względem stojana. Na podstawie uzyskanych przebiegów prądów stojana w osiach α−β wyznacza się moduł wektora przestrzennego prądu stojana, według następującej zależności: i P (t ) = iα2 (t ) + i β2 (t ) (3) Uzyskany przebieg modułu wektora przestrzennego zostaje następnie poddany analizie częstotliwościowej FFT. Pod wpływem uszkodzenia wirnika, w widmie modułu wektora przestrzennego widoczne są charakterystyczne składowe częstotliwościowe, które po transformacji mają postać: f P1 = 2 sf s (4) f P 2 = 4 sf s (5) Przykładowe widma modułu wektora przestrzennego prądu stojana dla dwóch przypadków uszkodzeń wirnika przedstawiono na rysunku 2. a) FFT (Ip) [-] b) FFT (Ip) [-] 0.006 0.006 0.004 0.004 fP1 fP1 0.002 0.002 fP2 fP2 0 0 0 5 10 15 f [Hz] 0 5 10 15 f [Hz] Rys.2. Widmo modułu wektora przestrzennego prądu stojana dla wirnika z 1 prętem przerwanym (a) oraz 2 przerwanymi prętami (b) Fig.2. The Park’s vector modulus spectrum of motor with faulty rotor for cases: a) one broken rotor bar, b) two broken rotor bars Podstawową zaletą metody analizy częstotliwościowej modułu wektora przestrzennego prądu stojana jest eliminacja składowej podstawowej 50Hz oraz dobra selektywność symptomów uszkodzeń. W diagnostyce wirników silników indukcyjnych najlepsze wyniki uzyskać można stosując jednocześnie metody analizy częstotliwościowej prądów fazowych oraz modułu wektora przestrzennego. Wówczas jako symptomy uszkodzeń wirnika powinno się analizować amplitudy składowych fs1, fs2, fP1, fP2. Jeżeli badany silnik pracuje przy różnych wartościach momentu obciążenia, dodatkowym sygnałem diagnostycznym powinien być sygnał niosący pośrednią informację o wartości momentu obciążeniu silnika, np. poślizg, wartość skuteczna prądu, itp. 3. BUDOWA DETEKTORA USZKODZEŃ WIRNIKA Spośród metod sztucznej inteligencji, stosowanych w zagadnieniach diagnostyki, najczęściej wykorzystuje się sztuczne sieci neuronowe i logikę rozmytą. Do największych zalet sztucznych sieci neuronowych zaliczyć można możliwość ich uczenia i adaptacji. Stosując sieci neuronowe, nie ma konieczności posiadania szczegółowej wiedzy o procesie i znajomości dokładnego modelu matematycznego obiektu. Sieć neuronowa jest w stanie nauczyć się odwzorowania praktycznie każdej nieliniowości na podstawie sygnałów wejściowych oraz wzorcowych. Z drugiej strony, wiedza, która została przez sieć neuronową nabyta, jest w tej sieci rozproszona, więc nieprzydatna dla obserwatora. Wady tej pozbawione są systemy z logiką rozmytą, w których jednak zależności pomiędzy sygnałami wejściowymi a wyjściowymi muszą być znane już na etapie projektowania i muszą pochodzić od eksperta, bez możliwości ich uczenia. Nie jest jednak wymagana wiedza szczegółowa, opisująca w sposób matematyczny zależność funkcyjną pomiędzy wejściem a wyjściem systemu. W odróżnieniu od układów analitycznych, logika rozmyta posługuje się wiedzą jakościową, a nie ilościową i odpowiednie decyzje są podejmowane przez układ w oparciu o bazę reguł, zapisanych w postaci implikacji IF-THEN. Najprostszym podejściem do projektowania takich układów jest wyznaczenie reguł wejścia-wyjścia oraz funkcji przynależności na podstawie wiedzy eksperta. W każdej chwili modyfikacja projektu jest możliwa w sposób intuicyjny, gdyż struktura systemu rozmytego jest jawna. Wadą tych układów jest brak możliwości uczenia i adaptacji. Synteza obu metod sztucznej inteligencji przynosi połączenie zdolności uczenia i mocy obliczeniowej sieci neuronowych ze sposobem „myślenia” na wzór rozumowania ludzkiego układów z logiką rozmytą. Próby dokonania takiego powiązania stały się w ciągu ostatnich lat przedmiotem intensywnych badań. W ten sposób powstały konstrukcje wykorzystujące ideę rozumowania rozmytego wraz ze zdolnością uczenia, zwane sieciami neuronowymi rozmytymi [4],[5]. Analizując system rozmyty pod kątem budowy strukturalnej, można zauważyć, że stanowi on system przetwarzania informacji w jednym kierunku, od wejścia do wyjścia, zaś jego poszczególne procesy można wyodrębnić jako warstwy. Budowa taka jest bardzo podobna do budowy jednokierunkowych wielowarstwowych sieci neuronowych, które posiadają zdolność uczenia, wykorzystując np. algorytm wstecznej propagacji błędów. W związku z tym, system rozmyty można przedstawić w postaci sieci neuronowej, dzięki czemu uzyska się możliwość wykorzystania różnych metod optymalizacji (uczenia), charakterystycznych dla sieci neuronowych. Wynikowa zoptymalizowana sieć neuronowa rozmyta stanowi nadal system rozmyty, w którym odwzorowanie opisane jest lingwistycznymi regułami działania. Na rys.3 przedstawiono przykładowy schemat blokowy sieci neuronowej rozmytej. x1 μA11(x1) A11 Am1 xj μAm1(x1) Π μA1j(xj) A1j Σ Amj xn μA1n(xn) A1n Amn Warstwa 1 μAmj(xj) Π μAmn(xn) Warstwa 2 Warstwa 3 Warstwa 4 Rys.3. Przykładowa struktura sieci neuronowej rozmytej Fig.3. Example structure of neural-fuzzy network y Do budowy detektora uszkodzeń wirnika silnika indukcyjnego zastosowano sieć neuronową rozmytą z 5 wejściami i jednym wyjściem. Do realizacji detektora wybrano 5 sygnałów wejściowych, obliczonych na podstawie pomiaru prądów fazowych uzwojenia stojana silnika: • Ifs1 – amplituda składowej prądu fazowego o częstotliwości fs1, • Ifs2 – amplituda składowej prądu fazowego o częstotliwości fs1, • IP1 – amplituda składowej modułu wektora przestrzennego prądu stojana o częstotliwości fP1, • IP2 – amplituda składowej modułu wektora przestrzennego prądu stojana o częstotliwości fP2, • IPavg – średnia wartość modułu wektora przestrzennego prądu. Zadaniem detektora było podanie stopnia uszkodzenia wirnika, w postaci liczby przerwanych prętów klatki. Założono, że silnik jest zasilany z sieci, sygnałem sinusoidalnym o częstotliwości 50Hz i pracuje w szerokim zakresie zmian momentu obciążenia, w przedziale [0,5-1,0]MN. Do zaprojektowania detektora wykorzystano oprogramowanie MATLABSIMULINK z zestawem narzędziowym Fuzzy Logic Toolbox. Pakiet ten zawiera bardzo użyteczną funkcję o nazwie ANFIS (adaptive neural-fuzzy inference system) połączoną z graficznym edytorem systemów neuronowo-rozmytych ANFIS GUI. Zastosowanie tego narzędzia istotnie zredukowało czas realizacji projektu, dzięki zaimplementowanym technikom automatyzacji procesu. 4. ETAPY PROJEKTOWANIA NEURONOWO-ROZMYTEGO DETEKTORA USZKODZEŃ WIRNIKA Pierwszym etapem realizacji neuronowo-rozmytego detektora uszkodzeń wirnika jest sporządzenie zestawu uczącego próbek wejściowych, na podstawie rzeczywistych danych pochodzących z pomiarów silnika z uszkodzonymi wirnikami. Pomiary wykonano na stanowisku laboratoryjnym z silnikiem indukcyjnym o mocy 1,5kW. Badany silnik wyposażony był w zestaw wymiennych wirników, w których spreparowano różny stopień uszkodzenia, poprzez przewiercenie odpowiedniej liczby sąsiednich prętów klatki. Dla każdego przypadku uszkodzenia wirnika zarejestrowano po 14 przebiegów prądów fazowych, przy różnych wartościach momentu obciążenia silnika. Następnie wyznaczono wartości charakterystycznych składowych spektralnych (fs1, fs2, fP1,fP2), za pomocą analizy częstotliwościowej FFT. Uzyskaną bazę wzorców diagnostycznych rozdzielono na dwie równe części, które stanowiły dane wejściowego wektora uczącego oraz testującego sieci neuronowo-rozmytej. W rezultacie oba wektory wejściowe posiadały rozmiar 126 próbek i zostały wczytane do edytora ANFIS. Kolejnym etapem jest wygenerowanie struktury systemu rozmytego. W tym celu można wybrać klasyczny system rozmyty, w którym dla każdego wejścia można ustalić różną liczbę funkcji przynależności o jednakowym kształcie. Wówczas automatycznie zostaje utworzona pełna baza reguł, których liczba jest równa iloczynowi liczby funkcji przynależności poszczególnych wejść. W przypadku, gdy system posiada więcej niż dwa wejścia, a każde z nich ma zdefiniowanych kilka funkcji przynależności, struktura systemu staje się bardzo rozbudowana. Dlatego też wybór klasycznego systemu rozmytego z pełną bazą reguł nie jest zalecany dla systemów z dużą liczbą wejść z wieloma funkcjami przynależności. W takiej sytuacji warto wybrać metodę automatycznego doboru struktury systemu do danych wejściowych, określoną jako subtractive clustering, która spowoduje wygenerowanie znacznie mniejszego rozmiarem systemu neuronowo-rozmytego, posiadającego niepełną bazę reguł. Wówczas całkowita liczba reguł jest równa liczbie funkcji przynależności zdefiniowanych na każdym wejściu i zależy od wartości współczynników konfigurujących, jakie zostały ustawione podczas generowania struktury systemu. Kolejnym etapem jest wybór metody optymalizacji powstałej struktury neuronowo-rozmytej. Program oferuje do wyboru dwie metody: klasyczny algorytm wstecznej propagacji błędu oraz tzw. metodę hybrydową, która stanowi połączenie algorytmu wstecznej propagacji błędu i metody najmniejszych kwadratów. Metoda hybrydowa jest zalecana do uczenia systemów neuro-rozmytych, gdyż jest algorytmem bardzo szybko zbieżnym i efektywnym. Po wytrenowaniu detektora należy sprawdzić efektywność tego procesu, sprawdzając odpowiedź systemu na dane pochodzące z zestawu testującego. Jeżeli efekt jest niezadowalający, należy proces optymalizacji powtórzyć wybierając inny zestaw danych trenujących i testujących. Optymalny wybór zestawu uczącego jest to najtrudniejszy etap w procesie projektowania detektora neuronowo-rozmytego. W przypadku, gdy właściwości detektora nadal są niezadowalające, możliwa jest ręczna edycja zarówno zestawu reguł, jak i kształtu wejściowych funkcji przynależności. Funkcja ta jest bardzo przydatna i pozwala na optymalne dostrojenie nauczonego detektora, ponieważ wszystkie reguły i funkcje przynależności są jawne, a ich interpretacja fizyczna jest oczywista. 5. TESTY NEURONOWO-ROZMYTEGO DETEKTORA USZKODZEŃ WIRNIKA Wszystkie testy neuronowo-rozmytego detektora uszkodzeń wirnika zostały wykonane off-line, za pomocą pakietu MATLAB-SIMULINK. Przebadano kilkanaście struktur sieci neuronowych rozmytych, które różniły się pomiędzy sobą zastosowaną liczbą reguł. Do oceny jakości wytrenowania sieci, zastosowano liczbowe wskaźniki błędów odpowiedzi sieci na zestaw testujący. W tym celu zdefiniowano następujące wielkości: • Średni błąd odpowiedzi sieci na zestaw testowy Erravg: ∑ (Y N Erravg = gdzie: • zad k k =1 − Ykest ) (6) N Yest – odpowiedź sieci na sygnał wejściowy, Yzad – spodziewana odpowiedź sieci, k – numer próbki wektora testującego, N – liczba wszystkich próbek wektora testującego. Maksymalny błąd odpowiedzi sieci na zestaw testowy Errmax: N ( Errmax = max Ykzad − Ykest k =1 ) (7) Dla wszystkich przebadanych struktur sieci obliczono współczynniki Erravg oraz Errmax. Wyniki tych obliczeń prezentuje tabela 1. Tab.1. Wyniki testów sieci neuronowo-rozmytych Tab.1. Results of tests of neural-fuzzy networks Liczba reguł sieci Errmax Erravg 3 4 5 6 7 8 9 2,27 1,94 2,99 2,43 1,74 1,95 1,95 0,60 0,51 0,54 0,53 0,50 0,47 0,54 Na podstawie analizy wyników testów poszczególnych struktur sieci, przedstawionych w tabeli 1 można stwierdzić, że najmniejsze błędy odpowiedzi uzyskały sieci z 7 i 8 regułami. Odpowiedź sieci neuronowej rozmytej z 7 regułami na zestaw testujący przedstawiono graficznie na rysunku 4a. Wyniki odpowiedzi sieci zostały zaokrąglone do najbliższej liczby całkowitej. Faktyczne uszkodzenie wirnika zaznaczono na wykresie czarną kropką, natomiast odpowiedź sieci czarnym okręgiem. Rysunek 4b przedstawia wykres błędu odpowiedzi tej sieci na zestaw testujący. Przedstawione wyniki testów sieci z 7 regułami świadczą o prawidłowym doborze zestawu uczącego oraz optymalnie przeprowadzonym procesie uczenia tej sieci. W całym zakresie testowym sieć poprawnie rozpoznała stopień uszkodzenia, myląc się maksymalnie o 1 pręt. Tylko w jednym przypadku sieć udzieliła odpowiedzi z błędem 2 prętów uszkodzonych, zaniżając faktyczny stopień uszkodzenia. Niemniej jednak, uzyskane wyniki można uznać za zadowalające, biorąc pod uwagę szeroki zakres zmian momentu obciążenia badanego silnika, występujący w sygnałach wejściowych, którymi testowany był detektor. Rys.4. Odpowiedź sieci neuronowej rozmytej z 7 regułami na wektor testujący Fig.4. Response of the neural-fuzzy network with 7 rules on testing vector Przedstawione wyniki badań dowodzą, że sieci neuronowe rozmyte nadają się do realizacji algorytmów detektorów uszkodzeń wirników silnika indukcyjnego. Spośród przebadanych struktur sieci możliwe jest wybranie sieci optymalnie nauczonej rozpoznawania stopnia uszkodzenia, posiadającej stosunkowo prostą budowę, co jest bardzo ważne przy wyborze jej do realizacji technicznej. 6. IMPLEMENTACJA SPRZĘTOWA DETEKTORA USZKODZEŃ WIRNIKA Do sprzętowej realizacji detektora uszkodzeń wirnika silnika indukcyjnego została wybrana sieć neuronowo-rozmyta z 7 regułami, której wyniki testów off-line zostały przedstawione w p.5. Algorytm detektora uszkodzeń został zrealizowany za pomocą komputera PC wyposażonego w tanią kartę pomiarową typu PCI-6013 firmy National Instruments. Oprogramowanie detektora uszkodzeń wirnika zostało napisane w środowisku Borland Delphi 7.0. Schemat stanowiska laboratoryjnego z neuronoworozmytym detektorem uszkodzeń wirnika przedstawia rysunek 5. Rys.5. Schemat stanowiska laboratoryjnego z neuronowo-rozmytym detektorem uszkodzeń wirnika Fig.5. Schematic diagram of laboratory set-up with neural-fuzzy detector of rotor-faults Program detektora pracuje w trybie pseudo-rzeczywistym, w którym można wyodrębnić następujące etapy: rejestracja danych pomiarowych, przetwarzanie zarejestrowanych sygnałów, wnioskowanie diagnostyczne, prezentacja wyników. Sygnały prądów fazowych silnika są próbkowane z częstotliwością 1kHz. Długość rekordu dla każdego sygnału jest stała i wynosi 16384 próbek. Kolejnym etapem jest obliczenie składowych wektora przestrzennego prądu stojana. Otrzymane przebiegi prądu fazowego silnika oraz modułu wektora przestrzennego prądu stojana zostają poddane transformacji FFT, w wyniku której zostają obliczone amplitudy składowych fs1, fs2, fP1, fP2. Następnie program przechodzi do etapu wnioskowania diagnostycznego, gdzie odpowiednie sygnały zostają wprowadzone na wejścia sieci neuronowo rozmytej. Odpowiedź sieci, w postaci liczby uszkodzonych prętów jest prezentowana na ekranie komputera. Przedstawione etapy są powtarzane cyklicznie. 7. PODSUMOWANIE Przeprowadzone badania neuronowo-rozmytych detektorów uszkodzeń wirników dowodzą, że możliwe jest zaprojektowanie i wykonanie skutecznej aparatury diagnostycznej do ciągłego monitorowania stanu technicznego wirnika silnika indukcyjnego, przystosowanej do pracy przy zmiennym momencie obciążenia. Bardzo cenną zaletą zaprezentowanego systemu diagnostycznego jest możliwość oceny stopnia uszkodzenia wirnika, co jest bardzo istotne przy wykorzystaniu go do wykrywania początkowej fazy rozwoju uszkodzenia wirnika. Przedstawiony system diagnostyczny należy bez wątpienia do najtańszych kompleksowych rozwiązań sprzętowych tego typu. Najdroższym elementem jest karta pomiarowa, której koszt nie przekracza 2000zł. Oczywiście niezbędnym wyposażeniem systemu jest komputer typu PC, o niewygórowanych parametrach. LITERATURA [1] Cardoso A.J.M., Mendes A.M.S., Cruz S.M.A., The Park’s Vector Approach: New Devel- opments in On-Line Fault Diagnosis of Electrical Machines, Power Electronics and Adjustable Speed Drives, Conf. Proc. of SDEMPED’97, Carryle-Rouet, France, 1997 [2] Filipetti F., Tassoni C., Franceschini G., Vas P., AI techniques in induction machine diagnosis including the speed ripple effect, IEEE Trans. on Ind. Appl., vol.34, no.1, 1998 [3] Kliman G.B., Koegl R.A., Stein J.,Endicott R.D., Madden M.W., Noninvasive detection of broken rotor bars in operating induction motors, IEEE Trans. on Energy Conv. vol.3, 1988 [4] Kowalski Cz.T., Pawlak M., Application of AI methods for rotor faults detection of the induction motor, Conf. Proc. of EPE’2003, France, Toulouse, 2003 [5] Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, PWN, 1997 [6] Thomson W.T., A Review of On-Line Condition Monitoring Techniques for Three-Phase Squirrel – Cage Induction Motors – Past Present and Future, Conf. Proc. of SDEMPED’99, Gijon, Spain, 1999 NEURAL-FUZZY SYSTEM FOR INDUCTION MOTOR ROTOR FAULT DETECTION This paper presents a simple neural-fuzzy-based system for induction motor fault diagnosis. This system uses non-invasive on-line monitoring techniques based on spectral analysis of the motor current and motor current Park’s Vector modulus, for detecting the occurrence of rotor cage faults in operating threephase induction machines. The on-line real-time expert system for rotor fault diagnosis was proposed and tested on a 1,5kW squirrel-cage induction motor. The obtained results provide a satisfactory level of accuracy.