Análisis estocástico de señales vibratorias de motores de inducción para la detección de fallas usando descomposición de modo empírico

Vibration signals stochastic analysis of induction motors for fault detection using empirical mode decomposition

  • Alejandro Rivera Roldán Institución Universitaria Salazar y Herrera
  • Miguel Alberto Becerra Botero Institución Universitaria Salazar y Herrera
  • Jaime Alberto Guzmán Luna Universidad Nacional de Colombia sede Medellín

Resumen (es_ES)

En este artículo se presenta un análisis de vibraciones en motores de inducción por medio de Modelos Ocultos de Markov (Hidden Markov Model - HMM) aplicado a características obtenidas de la Descomposición de Modo Empírico (Empirical Mode Decomposition - EMD) y transformada de Hilbert-Huang de señales de vibración obtenidas en las coordenadas x y y, con el fin de detectar fallas de funcionamiento en rodamientos y barras.  Además se presenta un análisis comparativo de la capacidad de las señales de vibración en dirección x y en dirección y, para aportar información en la detección de fallas. Así, un HMM ergódico inicializado y entrenado por medio del algoritmo de máxima esperanza, con convergencia en 10e-7 y un máximo de iteraciones de 100, se aplicó sobre el espacio de características y su desempeño fue determinado mediante validación cruzada 80-20 con 30 fold, obteniendo un alto desempeño para la detección de fallas en términos de exactitud.

Resumen (en_US)

This paper presents a vibration analysis on induction motors using Hidden Markov Models (HMM) applied to features obtained from the Empirical Mode Decomposition (EMD) and Hilbert-Huang transform to vibration signals obtained in the coordinates x and y, in order to detect malfunctions in bearings and bars. Additionally, a comparative analysis of the ability of the vibration signals in the x and y directions to provide information for failures detection is presented. Thus, an ergodic HMM initialized and trained by expectation maximization algorithm with convergence at 10e-7  and maximum iterations of 100 was applied to the feature space and its performance was determined by cross-validation with 80-20 with 30 fold for obtaining high performance fault detection in terms of accuracy.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Alejandro Rivera Roldán, Institución Universitaria Salazar y Herrera
Ingeniero electrónico, Institución Universitaria Salazar y Herrera, Medellín.
Miguel Alberto Becerra Botero, Institución Universitaria Salazar y Herrera
Ingeniero electrónico, magíster en Automatización y Control Industrial, Institución Universitaria Salazar y Herrera, Medellín.
Jaime Alberto Guzmán Luna, Universidad Nacional de Colombia sede Medellín
Ingeniero civil, especialista en Comunicación educativa, magíster en Ingeniería de Sistemas, doctor en Ingeniería (énfasis Sistemas e Informática), Universidad Nacional de Colombia, Medellín.

Referencias

Askari, M. R. (2010). Broken Bars Detection in Squirrel Cage Induction Motors Using Wavelet Theory. Journal of Applied Sciences, 10(6), 477-478.

Bulla, J. (2011). Hidden Markov Models with t Components, Increased Persistence and other Aspects. Quantitative Finance, 11(3), 459-475.

Cabal-Yepez, E. O.-R.-T.-H.-G. (2009). FPGA-Based Online Induction Motor Multiple-Fault Detection with Fused FFT and Wavelet Analysis. In International Conference on Reconfigurable Computing and FPGAs, 2009. ReConFig ’09, 101-106.

Fulufhelo V. U.; Nelwamondo, M., & Marwala, T. (2006). Early classifications of bearing faults using hidden Markov models, gaussian mixture models, mel-frequency cepstral coefficients and fractals. University of the Witwatersrand, Volume 2(6), 1281-1299.

Geramifard, O.; Xu, J., & Chen, W. (2012). An HMM-based semi-nonparametric approach for fault diagnostics in rotary electric motors. In 2012 IEEE International Symposium on Industrial Electronics (ISIE), 1218-1223.

Guo-liang, Z.; Yun-bing, W., & Gang, C. (212). Rotor Break-Bar Fault Diagnosis of Asynchronous Motor Based on Empirical Mode Decomposition. In Power and Energy Engineering Conference (APPEEC), 2012 Asia-Pacific.

Hernández, P. L.; Carro, M.; de Oca, J. M.; García, L., & Fernández, S. J. (2008). Optimización del mantenimiento preventivo utilizando las técnicas de diagnóstico integral. Resultados finales y evaluación económica. (Spanish. Optimization of the Preventive Maintenance Using the Techniques of Integral Diagnosis. Final Results and Economic Evaluation. (English), 29(2), 35-45.

Ho Soon, L.; Chong, K. T., & Su, H. (2006). Motor fault detection method for vibration signal using FFT residuals. International Journal of Applied Electromagnetics & Mechanics, 24(3/4), 209-223.

Jensen, R., & Shen, Q. (s.f.) Computational intelligence and feature selection: rough and fuzzy approaches. Wiley.

MacParthalain, N., & Jensen, R. (2009). Measures for Unsupervised Fuzzy-Rough Feature Selection. In Ninth International Conference on Intelligent Systems Design and Applications, 2009. ISDA ’09, 560-565.

Ocak, H., & Loparo, K. A. (2001). A new bearing fault detection and diagnosis scheme based on hidden Markov modeling of vibration signals. In 2001 IEEE International Conference on Acoustics, Speech, and Signal Processing, 2001. Proceedings. (ICASSP ’01 (05), 3141-3144.

Orrego, D. A.; Becerra, M. A., & Delgado-Trejos, E. (2012). Dimensionality reduction based on fuzzy rough sets oriented to ischemia detection. In 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 5282-5285.

Oweis, R. J., & Abdulhay, E. W. (2011). Seizure classification in EEG signals utilizing Hilbert-Huang transform. BioMedical Engineering OnLine, 10(1), 38-52.

Patel, R. K.; Agrawal, S., & Joshi, N. C. (2012). Induction motor bearing fault identification using vibration measurement. In 2012 Students Conference on Engineering and Systems (SCES), 1-5.

Patil, S. S., & Gaikwad, J. A. (2013). Vibration analysis of electrical rotating machines using FFT: A method of predictive maintenance. In 2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT), 1-6.

Qiang, S., & Changjian, F. (2012). Hybrid SVM-HMM Diagnosis Method for Rotor- Gear-Bearing Transmission System. Journal of Computers, 7(9), 2324-2329.

Qiwei-Xie, Bo-Xuan, Silong-Peng, Jianping-Li, Weixuan-Xu, & HAN, H. (2008). Bandwidth empirical mode decomposition and its application. International Journal of Wavelets, Multiresolution & Information Processing, 6(6), 777-798.

Radzikowska, A. M., & Kerre, E. E. (2002). A comparative study of fuzzy rough sets. Fuzzy Sets and Systems, 126(2), 137-155.

Ramírez-Castro, R. I., & Montejo, L. A. (2011). Transformada de Hilbert, descomposición modal empírica y sus aplicaciones en el análisis de vibraciones libres. Hilbert transform, empirical mode decomposition and its applications to free vibration analysis. (English), 11(2), 121-132.

Santana, D., & Madiedo, R. (2007). Valoración de métodos para la determinación de la eficiencia de motores de inducción que accionan cargas en régimen de trabajo continuo variables en el tiempo. (Spanish). Valoration or Methods to Determine the Induction Engines Efficiency That Carry Loods in a Continuous Work Regime Variables in Time. (English), 28(3), 25-29.

Shrivastava, A., & Wadhwani, S. (2014). An approach for fault detection and diagnosis of rotating electrical machine using vibration signal analysis. In Recent Advances and Innovations in Engineering (ICRAIE), 1-6.

Soualhi, A.; Medjaher, K., & Zerhouni, N. (2015). Bearing Health Monitoring Based on Hilbert; Huang Transform, Support Vector Machine, and Regression. IEEE Transactions on Instrumentation and Measurement, 64(1), 52-62.

XinGuang-Li, MinFeng-Yao, & JiaNeng-Yang. (2012). Speech Recognition Approach Based on Speech Feature Clustering and HMM. Journal of Computers, 7(9), 2269-2275.

Xinmin, T.; Baoxiang, D., & Yong, X. (2007). Bearings Fault Diagnosis Based on HMM and Fractal Dimensions Spectrum. In International Conference on Mechatronics and Automation, 2007. ICMA 2007, 1671-1676.

Cómo citar
Rivera Roldán, A., Becerra Botero, M. A., & Guzmán Luna, J. A. (2015). Análisis estocástico de señales vibratorias de motores de inducción para la detección de fallas usando descomposición de modo empírico. Tecnura, 19(44), 83-92. https://doi.org/10.14483/udistrital.jour.tecnura.2015.2.a06
Publicado: 2015-04-01
Sección
Investigación