SELF LEARNING FAULT DETECTION FOR ELECTRICAL MOTORS

• Main Authors: QUINN, Ruth, RYAN, Padhraig, DIMINO, Steven, RYLE, James, JIANG, Mudi, O'CONNELL, Julia, NOWAK, Michael
• Format: Patent
• Language: English; French
• Published: 01.02.2024
• Subjects: CALCULATING; COMPUTING; COUNTING; ELECTRIC DIGITAL DATA PROCESSING; MEASURING; PHYSICS; TESTING; TESTING STATIC OR DYNAMIC BALANCE OF MACHINES ORSTRUCTURES; TESTING STRUCTURES OR APPARATUS NOT OTHERWISE PROVIDED FOR

A method and system for determining electrical motor fault comprising: measuring ambient vibration data of the electrical motor and performing spectral processing of the ambient vibration data; filtering noise data from the ambient vibration data, outputting a filtered ground truth vibration spectrum, clustering features of the filtered ground truth vibration spectrum, and determining temporal and spatial distance between the clustered features; measuring electrical data signals of the electrical motor, analysing the electrical data signals to extract features of the electrical data signals and storing the extracted features from the electrical data signal; assigning an operating state label to the ground truth vibration spectrum by comparing the clustered features of the ground truth operational vibration spectrum to a database of stored training data and ground truth algorithms; determining an accuracy of the operating state label; and determining electrical motor fault using a new measured electrical data signal and the stored ground truth algorithm to determine if the electrical motor is in a fault state. Un procédé et un système permettant de déterminer une défaillance d'un moteur électrique comprenant : la mesure de données de vibration ambiante du moteur électrique et la réalisation d'un traitement spectral des données de vibration ambiante; le filtrage des données de bruit à partir des données de vibration ambiante, l'obtention d'un spectre de vibration de réalité de terrain filtré, le regroupement de caractéristiques du spectre de vibration de réalité de terrain filtré, et la détermination d'une distance temporelle et spatiale entre les caractéristiques regroupées; la mesure de signaux de données électriques du moteur électrique, l'analyse des signaux de données électriques pour extraire des caractéristiques des signaux de données électriques et le stockage des caractéristiques extraites à partir du signal de données électriques; l'attribution d'une étiquette d'état de fonctionnement au spectre de vibration de réalité de terrain en comparant les caractéristiques regroupées du spectre de vibration de fonctionnement de réalité de terrain à une base de données de données d'apprentissage et d'algorithmes de réalité de terrain stockés; la détermination d'une précision de l'étiquette d'état de fonctionnement; et la détermination d'une défaillance de moteur électrique à l'aide d'un nouveau signal de données électrique mesuré et de l'algorithme de réalité de terrain stocké pour déterminer si le moteur électrique est dans un état de défaillance.