The author's sphere of interest is the diagnostics of induction motors by use of spectral analysis of measured electric current supplying a motor. The investigation results presented in the paper are related to diagnostics of rotor's cages. The virtual tool shown in the paper was created for investigations as an instrument used to measure, to present and to register the stator's current spectrum characteristics. The constructed neuron classifier was implemented to create an instrument enabling to assign the induction motor under test to one of two groups - faultless or defective, and to prove the effectiveness of applying the neuron network in conjunction with the stator's current spectrum analysis to find out a damage in the rotor's cage. Two options are described: Kohonen self-organizing feature maps and unidirectional multilayer perceptrons (MLP). Both the Kohonen and MLP networks have successfully solved the stator's current spectra classification problem assigned to it, and hence also the technical diagnostics of the rotor's cage condition.
Dziedziną zainteresowań autora referatu jest diagnostyka silników indukcyjnych przy wykorzystaniu analizy widmowej pomiarów prądu zasilającego silnik. Wyniki badań, prezentowane w referacie, dotyczą diagnostyki klatek wirników. W środowisku LabVIEW została stworzona aplikacja służąca do pomiaru, prezentacji i zapisu przebiegów widma prądu stojana z uwzględnieniem potrzeb pomiarowych występujących podczas badania wirników silników indukcyjnych przy uzyciu sieci neuronowych. Celem skonstruowanego klasyfikatora neuronowego było stworzenie narzędzia pozwalającego na przypisanie badanego silnika indukcyjnego do jednej z dwu grup: sprawny lub uszkodzony, oraz potwierdzenie skuteczności stosowania sieci neuronowych w połączeniu z metodą analizy widma prądu stojana w wykrywaniu uszkodzeń klatki wirnika. Do stworzenia poprawnie działających sieci neuronowych należało posiadać odpowiednią liczbę rzeczywistych przebiegów widma prądu stojana, dla różnych silników, oraz przy różnym obciążeniu. Analizie poddano pięćdziesiąt pięć widm (czterdzieści trzy przebiegi w zbiorze uczącym i dwanaście w zbiorze testującym) prądu stojana dla czterech obciążonych silników. Klasyfikacji dokonano wykorzystując sieci: Kohonena i sieć typu MLP. Utworzona na bazie zbioru uczącego sieć Kohonena z powodzeniem rozwiązała stawiany przed nią problem klasyfikacji widm prądu stojana, a co za tym idzie również diagnozy stanu technicznego klatki wirnika. Z czterdziestu trzech widm prezentowanych sieci w trakcie procesu uczenia sieć prawidłowo sklasyfikowała czterdzieści jeden przebiegów. W zbiorze testowym, w którym znajdowało się dwanaście widm (po trzy dla każdego z badanych silników) sieć neuronowa Kohonena nie popełnia błędu prawidłowo klasyfikując silniki do odpowiednich grup (sprawny lub uszkodzony). Sieć MLP prawidłowo rozpoznała wszystkie z czterdziestu trzech widm prezentowanych sieci w trakcie procesu uczenia i podobnie jak sieć Kohonena nie popełniła błędu w zbiorze testowym prawidłowo klasyfikując wszystkie dwanaście widm potwierdzając tym samym swoją przydatność w diagnostyce silników indukcyjnych.