Төртінші нөмірге барлық бағыттар бойынша мақалалар қабылдау аяқталды.

Приём статей в четвёртый номер по всем направлениям закрыт.

Submissions for the fourth issue are now closed across all subject areas.

Preview

Вестник Университета Шакарима. Серия технические науки

Вестник Университета Шакарима. Серия технические науки

Расширенный поиск

АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ ОТКАЗОВ ЭЛЕКТРОДВИГАТЕЛЕЙ НИЗКОГО НАПРЯЖЕНИЯ НА ЭЛЕКТРОСТАНЦИЯХ

https://doi.org/10.53360/2788-7995-2026-3(23)-35

Аннотация

Асинхронные двигатели широко используются в промышленности для привода насосов, вентиляторов и компрессоров. Эти двигатели подвержены электрическим неисправностям, включая трещины в валу ротора и короткие замыкания статора, а также механическим неисправностям, таким как эксцентриситет ротора, несоосность и износ подшипников. Эти механические и электрические неисправности приводят к преждевременному отключению оборудования из-за чрезмерной вибрации и температуры. Раннее обнаружение неисправностей и отказов является ключевой задачей превентивного технического обслуживания. В данной статье представлена автоматизированная система обнаружения неисправностей для набора данных электродвигателей Университета Онтарио (UOEMD-VAFCVS), который включает синхронизированные данные о вибрации, акустике и температуре, собранные при постоянных и ортогональных скоростях для восьми двигателей, три из которых присутствуют в наборе данных. Для получения диагностических возможностей используются несколько методов анализа сигналов, таких как БПФ/спектроскопия спектральной плотности мощности Уэлча, кратковременное преобразование Фурье, дискретные вейвлет-преобразования и анализ огибающей по элементам Гильберта. Все эти методы объединены в иерархическую модель машинного обучения, которая включает случайные леса (RF), сверточные нейронные сети (CNN) и гибридную модель CNNTransformer. Модель CNN-Transformer более точна, достигая 91,4%, и имеет самый высокий показатель макро-F1. Все модели соответствуют требованию вывода в реальном времени менее чем за 10 мс на окно на ЦП, что превосходит отдельные модели CNN (87,6%) и RF (81,2%). Эти исследования подтверждают полезность многосенсорного слияния и временного моделирования на основе механизма внимания для прогнозирующего технического обслуживания в рамках концепции Industry 4.0.

Об авторах

О. Н. Сәду
Алматинский университет энергетики и связи
Казахстан

Оразбек Нұржанұлы Сәду – докторант 2-го курса

050013, Алматы, Республика Казахстан, ул. Байтурсынулы,126/1



Г. Д. Бәзіл
Алматинский университет энергетики и связи
Казахстан

Гүлмира Дүйсенбекқызы Бәзіл – PhD, профессор

050013, Алматы, Республика Казахстан, ул. Байтурсынулы,126/1



А. Акмар
Технологический Университет Петронас
Малайзия

Айнул Акмар – PhD, профессор

32610 Сери Искандар, Перак, Малайзия



Список литературы

1. Advancements in induction motor diagnosis and condition monitoring: A comprehensive review / S. Kirschner et al // Sensors. – 2025. – Vol. 25, № 19. – Art. 5942. https://doi.org/10.3390/s25195942.

2. Integrating AI and IoT for predictive maintenance in Industry 4.0 manufacturing environments: A practical approach / R. Rakholia et al // Information. – 2025. – Vol. 16, № 9. – Art. 737. https://doi.org/10.3390/info16090737.

3. Bo L. Enhanced CNN for induction motor fault diagnosis via multi-source data fusion / L. Bo, M. Li, H. Tan // PLoS ONE. – 2025. – Vol. 20, № 8. – Art. e0330761. https://doi.org/10.1371/journal.pone.0330761.

4. One-dimensional time-frequency dual channel visual transformer for fault diagnosis under strong noise and limited data conditions / S. Cai et al // Scientific Reports. – 2025. – Vol. 15, № 1. – Art. 26361. https://doi.org/10.1038/s41598-025-12533-2.

5. Ren S. Rolling bearing fault diagnosis method based on SWT and improved vision transformer / S. Ren, X. Lou // Sensors. – 2025. – Vol. 25, № 7. – Art. 2090. https://doi.org/10.3390/s25072090.

6. Allal A. Diagnosis of induction motor faults using the motor current normalized residual harmonic analysis method / A. Allal, A. Khechekhouche // International Journal of Electrical Power and Energy Systems. – 2022. – Vol. 141. – Art. 108219. https://doi.org/10.1016/j.ijepes.2022.108219.

7. An autoregressive-based motor current signature analysis approach for fault diagnosis of electric motor-driven mechanisms / R. Diversi et al // Sensors. – 2025. – Vol. 25, № 4. – Art. 1130. https://doi.org/10.3390/s25041130.

8. Chisedzi L.P. Broken rotor bar detection in cage induction motors using machine learning methods / L.P. Chisedzi, M. Muteba // Sensors. – 2023. – Vol. 23, № 22. – Art. 9079. https://doi.org/10.3390/s23229079.

9. Elhaija W.A. A novel dataset and lightweight detection system for broken bars in induction motors using optimizable neural networks / W.A. Elhaija, Q.A. Al-Haija // Intelligent Systems with Applications. – 2023. – Vol. 17. – Art. 200167. https://doi.org/10.1016/j.iswa.2022.200167.

10. Antonello R. Machine learning-based detection of broken bars in dual three-phase induction motors: methodology and experimental validation / R. Antonello, M. Pastura, M. Zigliotto // IET Electric Power Applications. – 2025. – Vol. 19, № 1. – Art. e70069. https://doi.org/10.1049/elp2.70069.

11. Chen L. et al. Inter-turn short circuit fault detection in induction motor stator windings using startup current envelope energy / L. Chen et al. // Sensors. – 2023. – Vol. 23, № 20. – Art. 8581. https://doi.org/10.3390/s23208581

12. AI-driven fault diagnosis approach for stator turn-to-turn faults in induction motors / T.A. Kawady et al. // Scientific Reports. – 2025. – Vol. 15, № 1. – Art. 20125. https://doi.org/10.1038/s41598-025-04462-x.

13. Comprehensive fault diagnosis of three-phase induction motors using synchronized multisensor data collection / K. Thomas et al // Scientific Data. – 2025. – Vol. 12, № 1. – Art. 1468. https://doi.org/10.1038/s41597-025-05437-3.

14. Toma R.N. Bearing fault diagnosis of induction motors using a genetic algorithm and machine learning classifiers / R.N. Toma, A.E. Prosvirin, J.M. Kim // Sensors. – 2020. – Vol. 20, № 7. – Art. 1884. https://doi.org/10.3390/s20071884.

15. Lee J.H. Fault diagnosis of induction motor using convolutional neural network / J.H. Lee, J.H. Pack, I.S. Lee // Applied Sciences. – 2019. – Vol. 9, № 15. – Art. 2950. https://doi.org/10.3390/app9152950.

16. Fault diagnosis of electric motors based on multi-modal network of time series and ensemble transformers / B. Xu et al // Scientific Reports. – 2025. – Vol. 15. – Art. 7834. https://doi.org/10.1038/s41598-025-89695-6.

17. Chen X. Cross-domain fault diagnosis of induction motor based on GAN and fine-tuning with limited labeled data / X. Chen, Z. Chen // Measurement. – 2025. – Vol. 249. – Art. 116988. https://doi.org/10.1016/j.measurement.2025.116988.

18. Rapid diagnosis of induction motor electrical faults using convolutional autoencoder feature extraction / A.B. Husebo et al // PHM Society European Conference. – 2020. – Vol. 5, № 1. – P. 27-31. https://doi.org/10.36001/phme.2020.v5i1.1247.

19. Unsupervised electric motor fault detection by using deep autoencoders / E. Principi et al // IEEE/CAA Journal of Automatica Sinica. – 2019. – Vol. 6, № 2. – P. 441-451. https://doi.org/10.1109/JAS.2019.1911393.

20. Stator fault diagnosis of induction motor based on discrete wavelet analysis and neural network technique / A. Almounajjed et al // Chinese Journal of Electrical Engineering. – 2023. – Vol. 9, № 1. – P. 142-157. https://doi.org/10.23919/CJEE.2023.000003.


Рецензия

Для цитирования:


Сәду О.Н., Бәзіл Г.Д., Акмар А. АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ ОТКАЗОВ ЭЛЕКТРОДВИГАТЕЛЕЙ НИЗКОГО НАПРЯЖЕНИЯ НА ЭЛЕКТРОСТАНЦИЯХ. Вестник Университета Шакарима. Серия технические науки. 2026;(3(23)):369-378. https://doi.org/10.53360/2788-7995-2026-3(23)-35

For citation:


Sadu O.N., Basil G.D., Akmar A. AUTOMATED SYSTEM FOR PREDICTING FAILURES OF LOW-VOLTAGE ELECTRIC MOTORS IN ELECTRIC POWER PLANTS. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):369-378. https://doi.org/10.53360/2788-7995-2026-3(23)-35

Просмотров: 14

JATS XML


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X