Algoritmi di Deep Learning applicati alla diagnostica dei motori a induzione trifase e multifase

L’obiettivo di questa tesi è fronteggiare in modo innovativo uno degli aspetti più insidiosi dei moderni azionamenti elettrici, ovvero il sopraggiungere di guasti che minano l’affidabilità, la robustezza e le prestazioni delle macchine elettriche. La strategia proposta per la diagnostica si basa sulla rete neurale convoluzionale, la cui profonda architettura di Deep Learning si presta in modo automatizzato alla classificazione dello stato di salute del motore. Data l’ampia mole di dati necessaria per l’addestramento di tale rete, l’acquisizione sul campo si rivela eccessivamente onerosa, motivo per cui si sfruttano due modelli virtuali opportunamente validati rappresentativi dei motori reali sano e guasto per la generazione del dataset in ingresso alla rete. Nonostante l’adattabilità della tecnica a motori e guasti di varia natura, nel caso specifico si intende valutare l’effetto di una barra rotta nel rotore a gabbia di scoiattolo costituente un motore a induzione. L’applicazione della strategia volta al riconoscimento del guasto è stata realizzata su un motore asincrono trifase, predisponendo in seguito la trasposizione del metodo ai motori esafase, categoria emergente dal ventesimo secolo per i notevoli vantaggi apportati rispetto alla controparte trifase. Si presenta in modo conciso il contenuto dei capitoli atti ad approfondire il tema preposto: 1. Il primo capitolo espone una breve introduzione in merito agli argomenti e alle motivazioni dell’elaborato. 2. Il secondo capitolo propone una descrizione della struttura e del funzionamento del motore asincrono trifase, comprendendone inoltre l’analisi agli elementi finiti. 3. Il terzo capitolo approfondisce le reti neurali artificiali utilizzate per replicare, nel modello virtuale sia sano sia guasto, il comportamento magnetico del motore reale. 4. Il quarto capitolo descrive il set-up sperimentale e la validazione dei modelli virtuali sano e guasto. 5. Il quinto capitolo espone la generazione dei database per la rete neurale convoluzionale, mediante i dati provenienti dai modelli virtuali validati. 6. Il sesto capitolo approfondisce la progettazione e il funzionamento della rete neurale convoluzionale finalizzata alla diagnostica. 7. Nel settimo capitolo si prosegue con la validazione della rete neurale convoluzionale mediante la classificazione di dati ottenuti sperimentalmente. 8. L’ottavo capitolo introduce i benefici apportati dal motore esafase, proponendo l’approccio Vector Space Decomposition per realizzare il modello virtuale del motore, di cui si descrive inoltre l’analisi agli elementi finiti. 9. Il nono capitolo approfondisce il modello matematico del motore esafase riportando gli esiti della rete neurale artificiale addestrata per replicare il comportamento magnetico del motore sano, a partire dai dati provenienti dal modello FEA. 10. Nel decimo capitolo si mostra la validazione del modello virtuale relativo al motore sano, mediante il confronto tra le grandezze di corrente simulata e reale relative al sottospazio ortogonale di prima armonica. Si riportano inoltre i risultati sperimentali ottenuti relativamente al motore guasto. 11. L’undicesimo capitolo riassume le metodologie proposte, portando alla luce i risultati ottenuti e i possibili sviluppi futuri.