Implementing condition-based maintenance using modeling and simulation: a case study of a permanent magnet synchronous motor

• Autores: Jabid Eduardo Quiroga Méndez, Silvia Oviedo Castillo
• Localización: Ingeniería e Investigación, ISSN-e 2248-8723, ISSN 0120-5609, Vol. 31, Nº. 2, 2011, págs. 18-28
• Idioma: inglés
• Títulos paralelos:
  • Implementación de un mantenimiento basado en la condición usando modelado y simulación: caso de estudio de un motor sin-crónico de imanes permanentes
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

     Este artículo introduce la arquitectura de un CBM (mantenimiento basado en la condición) en una aplicación eléctrica. La detección de fallas de manera oportuna y eficiente constituye uno de los retos más importantes asociados al CBM y el enfoque basado en modelos en el medio para conseguirlo. Un caso de estudio en un motor sincrónico de imanes permanentes (PMSM) es ejecutado para ilustrar cómo el modelado es utilizado en la implementación de un CBM. El monitoreo fue implementado en tiempo real usando Matlab® y dSpace®. Se emplea como indicadora de falla la diferencia entre los valores de la componente secuencial negativa para las corrientes predichas usando una red neuronal multicapa y la corriente obtenida del motor. Resultados experimentales demostraron la efectividad del modelo propuesto en la detección de la falla de cortocircuito en el estator en distintos niveles de severidad y carga, obteniendo una confiabilidad en la detección mayor al 95%. 

  • English

     This paper introduces condition-based maintenance (CBM) architecture regarding an electrical application. Appropriate and efficient fault detection constitutes one of the major challenges associated with CBM and a model-based approach constitutes the way to achieve it. A case study using a permanent magnet synchronous motor (PMSM) is presented to illustrate implementing CBM using a neural network motor model. CBM may be implemented in real time using Matlab and dSpace. The difference between line currents' negative sequence components, predicted by a multilayer neural network, and the current values acquired from the motor is used as fault indicator. Experimental results have shown the efficiency of the proposed model in detecting several stator winding short faults in differing load conditions and fault severity, obtaining up to 95% reliability.