Low-Complexity Recursive NARX for Discriminating Incipient Stator Inter-Turn Short Circuits from Load Variations in Three-Phase Induction Motors

औद्योगिक दुनिया में, थ्री-फेज इंडक्शन मोटर एक मूक कार्यhorse (कार्य करने वाला बल) है। फैक्ट्री पंपों से लेकर वेंटिलेशन पंखों तक, हर चीज़ में पाई जाने वाली ये मशीनें उत्पादन लाइनों को चालू रखती हैं। हालाँकि, किसी भी यांत्रिक प्रणाली की तरह, ये भी टूट-फूट के प्रति संवेदनशील होती हैं। सबसे खतरनाक दोषों में से एक मोटर के स्टेटर (जो चुंबकीय क्षेत्र बनाता है, स्थिर भाग) के भीतर तांबे की बारीक वाइंडिंग्स के बीच शॉर्ट सर्किट है। जब तार के कुछ घुमाव आपस में छूते हैं, तो एक छोटा, स्थानीयकृत करंट प्रवाहित होने लगता है। यदि इसे अनियंत्रित छोड़ दिया जाए, तो यह इंसुलेशन को अत्यधिक गर्म कर सकता है, जिससे एक विनाशकारी विफलता हो सकती है जो पूरी मशीन को रोक देती है। इंजीनियरों के लिए चुनौती केवल एक खराब मोटर को खोजना नहीं है, बल्कि समस्या को तब पहचानना है जब वह अभी छोटी और प्रबंधनीय अवस्था में हो। यह इसलिए कठिन है क्योंकि वे विद्युत संकेत जो एक सूक्ष्म दोष को प्रकट करते हैं, वे तब भी बदल जाते हैं जब मोटर बस अधिक मेहनत करती है या भारी भार उठाती है। एक विकसित होते दोष और कार्यभार के सामान्य बदलाव के बीच अंतर करना लंबे समय से विश्वसनीय, स्वचालित निगरानी के लिए एक बाधा रहा है।

ब्राजील के फेडरल यूनिवर्सिटी ऑफ साओ जोआओ डेल रे (Federal University of São João del-Rei) के शोधकर्ताओं की एक टीम ने इस विशिष्ट समस्या को हल करने का एक नया तरीका विकसित किया है। उन्होंने एक सरल, कम लागत वाला डिजिटल टूल बनाया है जो यह बता सकता है कि मोटर केवल कड़ी मेहनत कर रही है या उसमें एक छोटा, शुरुआती चरण का शॉर्ट सर्किट है। मोटर की हर भौतिक बारीकी की नकल करने वाली एक पूर्ण, उच्च-सटीकता वाली डिजिटल प्रति बनाने के बजाय, शोधकर्ताओं ने एक अलग दृष्टिकोण अपनाया। उन्होंने एक बहुत ही छोटा, सरल गणितीय मॉडल बनाया जो एक संवेदनशील डिटेक्टर के रूप में कार्य करता है। यह मॉडल अपनी संरचना में स्थिर रहने के लिए डिज़ाइन किया गया है, जिसका अर्थ है कि यह अपना आकार या जटिलता नहीं बदलता है। इसके बजाय, जब मोटर का व्यवहार दोष के कारण बदलता है, तो इस मॉडल के भीतर के नंबरों को तालमेल बिठाने के लिए बदलना पड़ता है। इन नंबरों के विचलन (drift) को देखकर, सिस्टम लोड में महत्वपूर्ण बदलाव के दौरान भी दोष की पहचान कर सकता है।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने एक मानक थ्री-फेज इंडक्शन मोटर का उपयोग करके प्रयोगशाला प्रयोग स्थापित किया। उन्होंने मोटर की वाइंडिंग्स में कुछ घुमावों को शॉर्ट करके नियंत्रित दोष उत्पन्न किए। एक परिदृश्य में, उन्होंने एक सिंगल फेज में लगभग 1.5% घुमावों को शॉर्ट किया, और दूसरे में, उन्होंने लगभग 3% घुमावों को शॉर्ट किया। ये बहुत छोटे दोष हैं, वे प्रकार के जिन्हें बड़े नुकसान पहुँचाने से पहले पहचानना कठिन होता है। परीक्षण को वास्तविक बनाने के लिए, उन्होंने मोटर को एक बड़े, सामान्य वर्कलोड परिवर्तन के अधीन भी रखा, जिससे विद्युत धारा (current) में लगभग 4% की वृद्धि हुई। लक्ष्य यह देखना था कि क्या उनका सिस्टम इस विशाल लोड परिवर्तन को अनदेखा करते हुए छोटे शॉर्ट सर्किट के लिए अलार्म बजा सकता है।

उनके द्वारा बनाया गया सिस्टम 'रिकर्सिव पैरामीटर एस्टीमेशन' (recursive parameter estimation) नामक पद्धति पर आधारित है। सरल शब्दों में, इसका अर्थ है कि सिस्टम केवल हाल के वोल्टेज और करंट रीडिंग का उपयोग करके, एक समय में एक क्षण के आधार पर मोटर के व्यवहार की अपनी समझ को अपडेट करता है। इसे बड़ी मात्रा में ऐतिहासिक डेटा संग्रहीत करने या शक्तिशाली कंप्यूटरों की आवश्यकता वाले जटिल गणनाओं को करने की आवश्यकता नहीं है। मॉडल मोटर में जाने वाले वोल्टेज और बाहर आने वाले करंट के बीच संबंध को वर्णित करने के लिए केवल चार समायोज्य (adjustable) नंबरों का उपयोग करता है। जब मोटर स्वस्थ होती है, तो ये नंबर अपेक्षाकृत स्थिर रहते हैं। जब कोई दोष होता है, तो मोटर के भौतिक गुण बदल जाते हैं, और सिस्टम को वास्तविकता से मेल खाने के लिए इन चार नंबरों को समायोजित करना पड़ता है। शोधकर्ताओं ने पाया कि मॉडल की संरचना को फ्रीज करके और केवल इन नंबरों को हिलने की अनुमति देकर, वे लोड परिवर्तन और दोष के बीच स्पष्ट अंतर देख सकते थे।

उनकी सफलता का एक महत्वपूर्ण हिस्सा 'स्टैटिक-गेन अडैप्टेशन' (static-gain adaptation) नामक तकनीक थी। इस विशेषता के बिना, सिस्टम भारी लोड को दोष समझ लेगा क्योंकि दोनों ही विद्युत संकेतों को बदलते हैं। यह अनुकूलन (adaptation) एक वॉल्यूम नॉब की तरह कार्य करता है जो स्वचालित रूप से मॉडल की संवेदनशीलता को वर्तमान ऑपरेटिंग स्तर के अनुसार समायोजित करता है। यह सिस्टम को लोड के कारण होने वाले सामान्य, अपेक्षित प्रदर्शन परिवर्तनों को अनदेखा करने की अनुमति देता है, जबकि शॉर्ट सर्किट के कारण होने वाले अनियमित परिवर्तनों के प्रति अत्यधिक संवेदनशील बना रहता है। जब शोधकर्ताओं ने इस अनुकूलन के बिना अपने सिस्टम का परीक्षण किया, तो यह सबसे छोटे दोषों का पता लगाने में विफल रहा और बड़े लोड परिवर्तनों के बीच अंतर करने में संघर्ष करता रहा। अनुकूलन के साथ, सिस्टम ने दोष के संकेतों को लोड के संकेतों से सफलतापूर्वक अलग कर लिया।

परिणामों ने दिखाया कि उनके द्वारा चुना गया नॉनलीनियर (nonlinear) मॉडल, मोटर के व्यवहार को ट्रैक करने में पारंपरिक लीनियर (linear) मॉडल की तुलना में काफी बेहतर था। उनके परीक्षणों में, नॉनलीनियर दृष्टिकोण ने लीनियर संस्करण की तुलना में मोटर के आउटपुट की भविष्यवाणी करने में त्रुटि को लगभग 22% कम कर दिया। अधिक महत्वपूर्ण बात यह है कि सिस्टम स्वस्थ मोटर, 1.5% शॉर्ट वाली मोटर और 3% शॉर्ट वाली मोटर के बीच स्पष्ट अंतर कर सका, भले ही लोड लगभग आधे तक बदल रहा हो। शोधकर्ताओं ने देखा कि उनके मॉडल के विभिन्न नंबर अलग-अलग तरीकों से प्रतिक्रिया करते हैं। एक विशिष्ट नंबर, जो एक छोटे विलंब के बाद करंट पर इनपुट वोल्टेज के प्रभाव से संबंधित है, दोष के सबसे विश्वसनीय संकेतक के रूप में उभरा। एक अन्य नंबर लोड परिवर्तनों के प्रति बहुत संवेदनशील था, जिसने सिस्टम को ऑपरेशन के संदर्भ को समझने में मदद की।

सिस्टम 1,000 सैंपल प्रति सेकंड की गति से संचालित होता है, जो परेशानी के इन शुरुआती संकेतों को पकड़ने के लिए पर्याप्त तेज़ है। हालांकि, अलार्म उठाने में लगने वाला समय कंप्यूटर की गणना की गति द्वारा सीमित नहीं है। इसके बजाय, देरी लगभग 1.2 सेकंड है, जो वह समय है जो सिस्टम को यह सुनिश्चित करने के लिए पर्याप्त सबूत जुटाने की आवश्यकता होती है कि नंबरों में बदलाव एक वास्तविक दोष है न कि केवल रैंडम शोर या अस्थायी उतार-चढ़ाव। यह एक प्रेडिक्टिव मेंटेनेंस सिस्टम के लिए स्वीकार्य देरी है, जिसका उद्देश्य सर्किट ब्रेकर को तुरंत ट्रिप करने के बजाय ऑपरेटरों को विफलता होने से पहले चेतावनी देना है।

अध्ययन ने यह भी रेखांकित किया कि सिस्टम को मोटर की बिजली आपूर्ति के तीनों चरणों (phases) की निगरानी करने की आवश्यकता है। जब किसी एक फेज में दोष होता है, तो उस विशिष्ट फेज के लिए मॉडल के नंबर स्पष्ट विचलन दिखाते हैं। प्रभावित न होने वाले फेज बहुत कम बदलाव दिखाते हैं। इसका अर्थ है कि वास्तविक दुनिया के इंस्टॉलेशन में, सिस्टम प्रत्येक फेज के लिए तीन समानांतर मॉनिटर चलाएगा, और उस फेज को फ्लैग करेगा जो सबसे महत्वपूर्ण विचलन दिखा रहा है। यह दृष्टिकोण यह जानने की आवश्यकता नहीं देता कि कौन सा फेज विफल हो सकता है।

शोधकर्ता जोर देते हैं कि उनकी विधि 'एम्बेडेड सिस्टम' के लिए डिज़ाइन की गई है, जिसका अर्थ है कि यह उन छोटे, सस्ते माइक्रोकंट्रोलर्स पर चल सकती है जो कई औद्योगिक ड्राइव और प्रोटेक्शन रिले में पहले से मौजूद हैं। इसके लिए जटिल मशीन लर्निंग एल्गोरिदम के लिए आवश्यक भारी कंप्यूटिंग पावर या डिजिटल ट्विन सिमुलेशन के विशाल डेटा स्टोरेज की आवश्यकता नहीं है। पूरी प्रक्रिया में सरल अंकगणितीय संचालन शामिल है जिसे बहुत कम मेमोरी के साथ किया जा सकता है। यह मौजूदा मशीनरी को अपग्रेड करने के लिए एक व्यावहारिक विकल्प बनाता है, जिससे पुराने मोटरों की निगरानी आधुनिक, बुद्धिमान डायग्नोस्टिक्स के साथ की जा सकती है बिना हार्डवेयर को बदले।

हालांकि परीक्षण एक नियंत्रित प्रयोगशाला सेटिंग में एक एकल मोटर पर किए गए थे, लेकिन निष्कर्ष औद्योगिक विश्वसनीयता के लिए एक आशाजनक मार्ग प्रदान करते हैं। अध्ययन दर्शाता है कि एक सरल, व्याख्या योग्य मॉडल, जब बदलते परिवेश के स्मार्ट अनुकूलन के साथ जोड़ा जाता है, तो वह विशिष्ट कार्य (दोष को लोड से अलग करना) में अधिक जटिल दृष्टिकोणों से बेहतर प्रदर्शन कर सकता है। यह कार्य सुझाव देता है कि मोटर मॉनिटरिंग का भविष्य तेजी से जटिल आर्टिफिशियल इंटेलिजेंस में नहीं, बल्कि सरल, भौतिकी-आधारित उपकरणों को परिष्कृत करने में निहित है जो मजबूत, तेज़ और वास्तविक दुनिया में लागू करने में आसान हों। शोधकर्ता अपने दृष्टिकोण को वेरिएबल-स्पीड ड्राइव द्वारा संचालित मोटरों पर और विभिन्न प्रकार की दोष स्थितियों के तहत मान्य करने की योजना बना रहे हैं, लेकिन प्रारंभिक परिणाम औद्योगिक मशीनरी को सुरक्षित रूप से चलाने के लिए एक नई, कम लागत वाली रणनीति के लिए एक मजबूत आधार प्रदान करते हैं।