La regresión logística como clasificador en el diagnóstico de fallas eléctricas en un generador síncrono de imanes permanentes
DOI:
https://doi.org/10.46842/ipn.cien.v29n1a04Palabras clave:
clasificador binario, cortocircuito, estator, falla, generador síncrono, regresión logísticaResumen
En este trabajo se emplea un clasificador binario que utiliza la regresión logística para identificar las fallas de cortocircuito (c.c.) entre vueltas del estator, en un generador síncrono de imanes permanentes (GSIP). Por medio del procesamiento de las corrientes de línea del generador síncrono se obtienen los datos con los cuales el extractor de características suministra información al clasificador binario. El extractor de características procesa las corrientes a través de la transformada ondeleta discreta madre Haar, de la cual se obtienen los valores eficaces de sus coeficientes para formar junto con la función objetivo los datos que reciba el clasificador binario en el proceso de entramiento y validación. Ante diferentes condiciones de falla de c.c. en el estator se analizan dos métricas que validan el desempeño de la regresión logística como clasificador binario. Se presentan pruebas experimentales de un banco de pruebas del GSIP en el cual se adquieren y se procesan digitalmente las corrientes que analiza el clasificador binario para el diagnóstico de la falla. Para el algoritmo de la regresión logística del clasificador binario, se utilizó el programa Python.
Referencias
I. Boldea, “Electric generators and motors: An overview,” CES Trans. Electr. Mach. Syst., vol. 1, no. 1, pp. 3-14, 2020, doi: https://doi.org/10.23919/TEMS.2017.7911104
M. Rezamand, M. Kordestani, R. Carriveau, D. S. K. Ting, ME. Orchard, M. Saif, “Critical Wind Turbine Components Prognostics: A Comprehensive Review,” IEEE Trans. Instrum. Meas., vol. 69, no. 12, pp. 9306-9328, 2020, doi: https://doi.org/10.1109/TIM.2020.3030165
S. Choi, et al., “Fault diagnosis techniques for permanent magnet AC machine and drives-A review of current state of the art,” IEEE Trans. Transp. Electrif., vol. 4, no. 2, pp. 444-463, 2018, doi: https://doi.org/10.1109/TTE.2018.2819627
G. Helbing, M. Ritter, “Deep Learning for fault detection in wind turbines,” Renew. Sustain. Energy Rev., vol. 98, pp. 189-198, 2018, doi: https://doi.org/10.1016/j.rser.2018.09.012
H. Henao, et al., “Trends in fault diagnosis for electrical machines: A review of diagnostic techniques,” IEEE Ind. Electron. Mag., vol. 8, no. 2, pp. 31-42, 2014, doi: https://doi.org/10.1109/MIE.2013.2287651
D. Basak, A. Tiwari, S. P. Das, “Fault diagnosis and condition monitoring of electrical machines - A review,” Proc. IEEE Int. Conf. Ind. Technol., Mumbai, India, pp. 3061-3066, 2006, doi: https://doi.org/10.1109/ICIT.2006.372719
Z. T. Mei, G. J. Li, Z. Q. Zhu, R. Clark, A. Thomas, Z. Azar, “Scaling Effect on Inter-Turn Short-Circuit of PM Machines for Wind Power Application,” 2021 IEEE Int. Electr. Mach. Drives Conf. IEMDC 2021, Hartford, CT, USA, 2021, doi: https://doi.org/10.1109/IEMDC47953.2021.9449606
Z. Mei, G. J. Li, Z. Q. Zhu, R. Clark, A. Thomas, Z. Azar, “Scaling Effect On Inter-Turn Short-Circuit Fault of PM Machines for Wind Power Application,” IEEE Trans. Ind. Appl., vol. 59, no. 1, pp. 789-800, 2023, doi: https://doi.org/10.1109/TIA.2022.3211249
Z. Nie, N. Schofield, “Condition monitoring of a permanent magnet synchronous generator for a wind turbine application,” IET Conf. Publ., vol. 2016, no. CP684, pp. 1-6, 2016, doi: https://doi.org/10.1049/cp.2016.0233
S. Ferrari, G. Dilevrano, P. Ragazzo, P. Pescetto, G. Pellegrino, “Fast Determination of Transient Short-Circuit Current of PM Synchronous Machines Via Magnetostatic Flux Maps,” IEEE Trans. Ind. Appl., vol. 59, no. 1, pp. 4000-4009, 2023, doi: https://doi.org/10.1109/TIA.2023.3265952
A. G. Olabi, et al., “A review on failure modes of wind turbine components,” Energies, vol. 14, no. 17, 2021, doi: https://doi.org/10.3390/en14175241
D. Wei, K. Liu, W. Hu, X. Peng, Y. Chen, R. Ding, “Short-Time Adaline Based Fault Feature Extraction for Inter-Turn Short Circuit Diagnosis of PMSM via Residual Insulation Monitoring,” IEEE Trans. Ind. Electron., vol. 70, no. 3, pp. 3103-3114, 2023, doi: https://doi.org/10.1109/TIE.2022.3167164
C. Verde, S. Gentil, R. Morales-Menéndez, Monitoreo y Diagnóstico Automático de Fallas en Sistemas Dinámicos, México: Trillas, 2011.
S. H. Kia, H. Henao, G. A. Capolino, “Efficient digital signal processing techniques for induction machines fault diagnosis,” in 2013 IEEE Workshop on Electrical Machines Design, Control and Diagnosis (WEMDCD), Paris, France, 2013, pp. 232-246. doi: https://doi.org/10.1109/WEMDCD.2013.6525183
W. Yang, P. J. Tavner, M. Wilkinson, “Condition monitoring and fault diagnosis of a wind turbine with a synchronous generator using wavelet transforms,” IET Conf. Publ., no. 538 CP, pp. 6-10, York, UK, 2008, doi: https://doi.org/10.1049/cp:20080473
S. Halder, S. Bhat, C. Bhaumik, R. Rakshit, “Stator Inter- Turn Fault Diagnosis in Permanent Magnet Synchronous Motor,” Proc. 2020 IEEE 1st Int. Conf. Smart Technol. Power, Energy Control. STPEC, Nagpur, India, 2020, pp. 3-8, 2020, doi: https://doi.org/10.1109/STPEC49749.2020.9297677
M. H. Toliyat, et al., “Application of Pattern Recognition to Fault Diagnosis,” in Electric Machines Modeling, Condition Monitoring and Fault Diagnosis, USA: Taylor and Francis Group, 2015.
I. H. Kao, W. J. Wang, Y. H. Lai, J. W. Perng, “Analysis of Permanent Magnet Synchronous Motor Fault Diagnosis Based on Learning,” IEEE Trans. Instrum. Meas., vol. 68, no. 2, pp. 310-324, 2019, doi: https://doi.org/10.1109/TIM.2018.2847800
P. Pietrzak, M. Wolkiewicz, T. Orlowska-Kowalska, “PMSM Stator Winding Fault Detection and Classification Based on Bispectrum Analysis and Convolutional Neural Network,” IEEE Trans. Ind. Electron., vol. 70, no. 5, pp. 5192-5202, 2022, doi: https://doi.org/10.1109/TIE.2022.3189076
W. Lee, G. Choi, “A Comprehensive Review of Fault-Tolerant AC Machine Drive Topologies: Inverter, Control, and Electric Machine,” 2021 IEEE 13th Int. Symp. Diagnostics Electr. Mach. Power Electron. Drives, SDEMPED, Dallas, TX, USA, 2021, pp. 269-275, 2021, doi: https://doi.org/10.1109/SDEMPED51010.2021.9605560
A. Sengupta, “A First Course in Machine Learning by Simon Rogers and Mark Girolami,” International Statistical Review, vol. 82, no. 1. 2014. doi: https://doi.org/10.1111/insr.12051_21
V. M. Raschka, Python Machine Learning, 3rd ed., Birmingham UK: Packt Birmingham-Mumbai, 2019.
J. S. Walker, A primer on wavelets and their scientific applications, 2nd ed., UK: Taylor & Francis, 2008.
H. Cherif, A. Menacer, B. Bessam, R. Kechida, “Stator inter turns fault detection using discrete wavelet transform,” Proc. IEEE 10th Int. Symp. Diagnostics Electr. Mach. Power Electron. Drives, pp. 138-142, Guarda, Portugal, 2015, doi: https://doi.org/10.1109/DEMPED.2015.7303681
C. Verde, S. Gentil, R. Morales-Menéndez, Monitoreo y Diagnóstico Automático de Fallas en Sistemas Dinámicos, México: Trillas, 2013.
R. A. Ortiz Medina, “Diagnóstico de Fallas Eléctricas en Estator de Máquinas Eléctricas de Aerogeneradores,” Tesis, Doctortado, Ciencias de la Ingeniería, Instituto Tecnológico de Aguascalientes, 2021.
Descargas
Publicado
Versiones
- 08-05-2025 (2)
- 08-05-2025 (1)
Número
Sección
Licencia
Derechos de autor 2025 M.C. José Antonio Álvarez Salas, Dr. Ricardo Alvarez Salas, Dr. Francisco Javier Villalobos Piña, Dr. Mario Arturo González García, Dra. Amparo Rodríguez Cobos, Dr. J. Rafael Molina Contreras (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
