4-санға «Автоматтандыру және ақпараттық технологиялар», «Азық-түлік инженериясы және биотехнология», сондай-ақ «Химиялық технология» бағыттары бойынша мақалалар қабылдау жабылды.

Приём статей в четвёртый номер по направлениям «Автоматизация и информационные технологии», «Пищевая инженерия и биотехнология», а также «Химическая технология» закрыт.

Submissions for the fourth issue in the fields of Automation and Information Technology, Food Engineering and Biotechnology, as well as Chemical Technology, are now closed.

Preview

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Кеңейтілген іздеу

ЭЛЕКТР СТАНЦИЯЛАРЫНДАҒЫ ТӨМЕН КЕРНЕУЛІ ЭЛЕКТР ҚОЗҒАЛТҚЫШТАРЫНЫҢ ІСТЕН ШЫҒУЫН БОЛЖАЙТЫН АВТОМАТТАНДЫРЫЛҒАН ЖҮЙЕ

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

Толық мәтін:

Аңдатпа

 

Индукциялық қозғалтқыштар өнеркәсіпте сорғыларды, желдеткіштерді және компрессорларды басқару үшін кеңінен қолданылады. Бұл қозғалтқыштарда ротор шыбықтарының жарықтары мен статордың қысқа тұйықталуын қоса алғанда, электр ақаулары, сондай-ақ ротордың эксцентриситеті, тураланбау және мойынтіректердің тозуы сияқты механикалық ақаулар кездеседі. Бұл механикалық және электрлік ақаулар шамадан тыс діріл мен температураға байланысты жабдықтың мерзімінен бұрын өшірілуіне әкеледі. Ақаулықтар мен істен шығуларды ерте анықтау болжамды техникалық қызмет көрсетудің негізгі мақсаты болып табылады. Бұл мақалада Онтарио университетінің электр қозғалтқыштарының деректер жиынтығы (UOEMDVAFCVS) үшін автоматтандырылған ақауларды анықтау жүйесі ұсынылады, ол сегіз қозғалтқыш үшін тұрақты және ортогоналды жылдамдықта жиналған синхрондалған діріл, акустикалық және температуралық деректерді қамтиды, олардың үшеуі деректер жиынтығында бар. Диагностикалық мүмкіндіктерді алу үшін FFT/Welch PSD, STFT, дискретті толқындық түрлендірулер және Гильберт элементтері бойынша қабықша талдауы сияқты бірнеше сигналды талдау әдістері қолданылады. Барлық осы әдістер иерархиялық машиналық оқыту моделіне біріктірілген, оған кездейсоқ ормандар (RF), конволюциялық нейрондық желілер (CNN) және гибридті CNN-трансформатор моделі кіреді. CNN-Transformer моделі дәлірек, 91,4 пайызға жетеді және ең жоғары макро F1 көрсеткішіне ие. Барлық модельдер CPU-да әрбір терезе үшін 10 мс-тан аз уақытта нақты уақыт режимінде қорытынды жасау талабына сай келеді, бұл жеке CNN (87,6 пайыз) және RF (81,2 пайыз) модельдерінен асып түседі. Бұл зерттеулер көп сенсорлы біріктіру мен назар аударуға негізделген уақытша модельдеудің Industry 4.0 болжамды техникалық қызмет көрсету үшін пайдалылығын растайды.

Авторлар туралы

О. Н. Сәду
Алматы энергетика және байланыс университеті
Қазақстан

2-курс докторанты

050013, Алматы, Қазақстан Республикасы, Байтұрсынұлы көшесі,126/1



Г. Д. Бәзіл
Алматы энергетика және байланыс университеті
Қазақстан

PhD, профессор

050013, Алматы, Қазақстан Республикасы, Байтұрсынұлы көшесі,126/1



А. Акмар
Петронас Технологиялық Университеті
Малайзия

PhD, профессор

32610 Сери Искандар, Перак, Малайзия 



Әдебиет тізімі

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

Дәйектеу үшін:


Сәду О.Н., Бәзіл Г.Д., Акмар А. ЭЛЕКТР СТАНЦИЯЛАРЫНДАҒЫ ТӨМЕН КЕРНЕУЛІ ЭЛЕКТР ҚОЗҒАЛТҚЫШТАРЫНЫҢ ІСТЕН ШЫҒУЫН БОЛЖАЙТЫН АВТОМАТТАНДЫРЫЛҒАН ЖҮЙЕ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 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

Қараулар: 16

JATS XML


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