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. СәдуКазахстан
Оразбек Нұржанұлы Сәду – докторант 2-го курса
050013, Алматы, Республика Казахстан, ул. Байтурсынулы,126/1
Г. Д. Бәзіл
Казахстан
Гүлмира Дүйсенбекқызы Бәзіл – PhD, профессор
050013, Алматы, Республика Казахстан, ул. Байтурсынулы,126/1
А. Акмар
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
JATS XML















