Conditiebewaking van elektrische machines via virtuele metingen en machine learning

Om de stabiliteit en betrouwbaarheid van het elektrische systeem te vergroten, is betrouwbare conditiebewaking en foutdiagnose van elektrische machines noodzakelijk, aangezien elektrische machines een onmisbaar onderdeel van het elektriciteitsnet zijn. Vanwege de speciale structuur en werkomgeving kunnen er verschillende fouten optreden terwijl de elektrische machine werkt, gecombineerd met enkele veranderingen in de elektrische en niet-elektrische parameters, die kunnen worden gebruikt om de conditiebewaking van de elektrische machine te bereiken om te voorspellen de fout vooraf en vermijd het optreden van fouten. De belangrijkste doelstellingen van mijn onderzoek zijn: 1. Bepaal door de structurele kenmerken en werkingsprincipes van een elektrische machine te analyseren, de typische foutmodi en kenmerken van een elektrische machine, inclusief kortsluiting of open circuit in statorwikkeling, rotorexcentriciteiten, gebroken rotorstaaf of gebarsten rotoreindringen, lager en versnellingsbakstoring enzovoort. 2. Het eindige-elementenmodel van DFIG zou worden vastgesteld en het eindige-elementenmodel van de gereduceerde orde van DFIG zou verder worden verkregen met behulp van de POD-type methode. Door opslagsysteem, gegevensinteractiesysteem en bedrijfssysteem toe te voegen, zou de digitale tweeling uiteindelijk worden gebouwd om de functie van de DFIG te reproduceren en de trend te voorspellen. 3. De foutkarakteristieken van de stator en rotor van de generator zullen worden geëxtraheerd en omgezet in foutkarakteristieke parameters om een complete kennisbank tot stand te brengen, op basis waarvan het op machine learning gebaseerde foutdiagnose-algoritme zal worden ontwikkeld en geoptimaliseerd met behulp van een genetisch algoritme.