21825

21825

عيب يابي موتورهاي جريان مستقيم بدون جاروبك با استفاده از شتاب سنج هاي ممز

كارشناسي ارشد

كنترل

1395

1398/10/18

دكتر محمدرضا جاهد مطلق

برق

عيب يابي قابل اطمينان و به موقع، بخصوص در صنايع حساس و حياتي با عملكرد بالا از اهميت بسيار زيادي برخوردار است. ماشين‌هاي دوار و در ميان آنها موتور‌هاي جريان مستقيم بدون جاروبك (BLDC ) نقش مهم و كليدي در صنعت دارند، از اين رو تكنيك‌هاي عيب‌يابي براي تشخيص عيوب اين موتورها به دليل استفاده آنها در شرايط عملياتي ايستا و غيرايستا بسيار حائز اهميت است. هدف از اين پژوهش عيب يابي موتورهاي جريان مستقيم بدون جاروبك با استفاده از شتاب سنج هاي كم هزينه ممز با تحليل و سنجش ارتعاش مي باشد. تمركز اصلي در اين پژوهش با توجه به بستر سخت افزاري طراحي و ساخته شده بر روي عيب يابي مهمترين عامل خرابي¬ها و توقف پروسه در اين موتورها كه شامل عيوب كنس داخلي بلبرينگ، كنس بيروني بلبرينگ، كنس داخلي- بيروني بلبرينگ، عيب ساچمه بلبرينگ و عيب آنبالانسي يا ناميزاني جرمي روتور در موتور BLDC مي باشد. تشخيص عيوب ابتدا با استفاده از شتاب سنج هاي ممز با تحليل ارتعاش و سپس با تركيب تحليل ارتعاش- جريان در شرايط ايستا و غيرايستا تحت بارهاي مختلف در بي باري، بار متوسط و بار كامل به عيب يابي پرداخته شده است. در اين پژوهش بر روي بانك اوليه بر اساس تحليل زمان- فركانس با استفاده از روش هاي تبديل موجك گسسته، توزيع ويگنر-ويل و توزيع چوي-ويليامز استخراج ويژگي صورت گرفته است. در نهايت بانك داده نهايي، از طريق الگوريتم PCA كاهش بعد داده شد، سپس با داشتن بردار هدف و بانك كاهش يافته شبكه عصبيMLP به تشخيص عيوب پنج گانه از وضعيت سلامت موتور در شرايط ايستا و غيرايستا تحت بارهاي مختلف را با دقت بيش از 98درصد انجام داد. با توجه به نتايج حاصل از اين پژوهش، روش ارائه شده در تشخيص عيوب از دقت بسيار بالايي برخوردار است و نتايج شبكه قابل اعتماد مي باشد.

1398/12/15

Fault Detection of Brushless DC Motors by MEMS Accelerometer

1/8/2020 12:00:00 AM

Punctual and reliable diagnosis, especially in key and vital industries with high performance, have a crucial importance. Rotational machines, and among them brushless DC motors (BLDCM), have an essential role in the industry. As a result, diagnosis approaches for the detection of defects and increase of reliability have a high degree of importance in these machines in stationary and non-stationary operation conditions. The goal of this research is to diagnose BLDCM by using micro electro-mechanical systems (MEMS) low-cost acceleration sensors. The main subjects of this research, considering the setup that has been designed and made, are the most prevalent causes of faults and machinery breakdown in these machines such as bearing inner, outer and inner-outer race and ball bearing defects and rotor unbalance. Fault diagnose was first performed by using MEMS based on vibration analysis and then by combining vibration- current analysis under stationary and non-stationary conditions under variable loads in no-load, half-load, and full-load conditions. In the following study, by using signal-processing techniques in the time-frequency domain and use of discrete wavelet transform (DWT), Wigner-Ville distribution (WVD), and Choi-Williams distribution (CWD) methods, feature extraction has been done on a primary dataset. Thereafter, dimensionality reduction is performed on the dataset, using the principal component analysis (PCA) algorithm. Then, by using target vector and the reduced dataset, the multi-layer perceptron (MLP) neural network is modeled to classify and diagnose the faults in the motor's health condition. The performance of the network in diagnosis and identification of the flaws is more than 98%. Due to the result of this study, the presented approach is reliable.