‘Predictive Maintenance’ sensor elektromotor – Arduino Current Transformer

20-12-2022

Voor het monitoren van wisselingen in het stroomverbruiks-profiel van een elektromotor is het mogelijk een Current Transformer (CT) over één van de stroomlijnen te plaatsen. Het verbruik van stroom door een koperdraad ontwikkelt een Lorenz krachtveld welke opgepikt kan worden door een CT sensor. Het verbruik van stroom door de motor wordt gemeten door veranderingen in het magneetveld, waarbij spoel in de CT sensor een relatieve stroom weergeeft. Bovendien is deze sensor galvanisch gescheiden en daarmee vormt daarmee geen inbreuk in een bestaande omgeving.

Doordat de CT sensor een spoel is welke in het magneetveld opgenomen moet worden, is er een soort van open lus ontwikkeld, welke met een klem gesloten kan worden. Deze vorm komt ook voor in de ampère-tang. In mijn sensor geeft een stroom van 100A een resultante van 50mA op de sensorspoel. Om deze sensorstroom te kunnen meten is er een zogenaamde ‘burden’ weerstand nodig. Hiermee wordt de stroom uit de spoel omgezet in een spanning welke op de analoge poorten door een Arduino te meten is. Door gebruik te maken van een speciale bibliotheek, wordt de sensorwaarde uitgelezen en wordt de actuele waarde bepaald door continu middelen van 1.000 metingen. Deze worden dusdanig snel genomen, dat er een constante live meting mogelijk is van het stroom gebruiksprofiel van de motor, de input voor een Artificial Intelligence (AI) algoritme.

Met deze Proof of Concept (POC) wilde ik vast kunnen stellen of het mogelijk is tenminste 50 samples per seconde te maken, deze op te slaan en vervolgens uit te kunnen lezen in een AI omgeving. Voor het optimaliseren van de meetresultaten heb ik als referentiemeter een gekalibreerde Kamstrup OmniPower enkel-fase meter gebruikt en daarmee de configuratie-parameters in de Arduino omgeving ingesteld. Zo heb ik een werkend model gerealiseerd om het verbruiksprofiel van een elektromotor in data vast te leggen om vervolgens in een AI engine als Tensorflow te kunnen verwerken in een ‘Predictive Maintenance’ omgeving.