30517

تشخيص عيب اتصال كوتاه استاتور در موتور القايي با استفاده از شبكه عصبي مبتني بر يادگيري عميق

كارشناسي ارشد

مهندسي برق- كنترل

1399

1402/7/26

جواد پشتان

مهندسي برق

با توجه به پيشرفت¬هاي صورت گرفته در صنعت و توسعه خودكار سازي صنعتي، هميشه تلاش بر اين بوده است كه كارها به¬ صورت خودكار انجام شود. در اين پايان¬نامه به عيب¬يابي يكي از پراستفاده¬ترين اجزاي صنعت يعني ماشين دوار پرداخته مي¬شود. ماشين¬هاي دوار مانند موتورهاي القايي به دليل نصب آسان، فرآيند نگهداري و هزينه كم به طور گسترده در صنايع، استفاده مي¬شوند. بنابراين، موتورهاي القايي در مناطق بحراني يا خطوط توليد نياز به تشخيص به موقع عيب دارند تا از بهره¬وري پايين و خرابي¬هاي بحراني جلوگيري شود. عيب اتصال كوتاه يكي از عيوب پرتكرار در موتورهاي القايي است و بيش از 37 % از خرابي‌ها را به خود اختصاص مي‌دهد. بنابراين، تشخيص عيب اتصال كوتاه در مراحل اوليه براي جلوگيري از خرابي هاي فاجعه‌بار و زيان‌هاي توليد حياتي شده ‌است. روش هاي هوشمند تشخيص عيوب استفاده از الگوريتم هاي سنتي يادگيري ماشين بوده است اما با توسعه علوم داده در همه زمينه ها و پيشرفت روش¬هاي پردازش سيگنال¬ها، حجم داده ها افزايش يافته است لذا امروزه يادگيري عميق جايگاه پركاربردتري پيدا كرده است. در اين پايان¬نامه ساختار تركيبي شبكه عصبي كانولوشن - حافظه طولاني كوتاه¬مدت به عنوان يك شبكه عميق و ساختار پرسپترون چندلايه به عنوان يك شبكه عصبي كم¬عمق براي تشخيص عيب اتصال كوتاه اوليه و همچنين جداسازي عيب از شرايط مبهم مانند تغييرات بار و تغييرات فركانس مورد بررسي قرار گرفته و عملكرد اين دو شبكه با هم مقايسه شده است. به اين صورت كه از داده¬هاي جريان سه فاز استاتور دو مدل ويژگي استخراج شده است و با هر دو شبكه عميق و كم¬عمق مذكور، تشخيص عيب يكبار در حالت 7 كلاسه و يكبار در حالت دو كلاسه براي هر دو مدل استخراج ويژگي صورت گرفته است. نتايج نشان مي‌دهد كه شبكه¬ عميق با مدل اول استخراج ويژگي كه داده¬ها تنها با استفاده از تبديل ويولت گسسته به حوزه زمان-فركانس منتقل شده¬اند نتايج بهتري(از نظر دقت، حساسيت، و ويژگي) از خود نشان مي¬دهد. و شبكه كم¬عمق با مدل دوم استخراج ويژگي كه تعدادي ويژگي به¬عنوان ويژگي¬هاي ارجح¬تر از داده¬ها استخراج شده و ابعاد داده به 37 كاهش يافته است¬، نتايج بهتري (از نظر دقت، حساسيت، و ويژگي) از خود نشان مي¬دهد. و در حالت كلي در مورد اين مجموعه داده و در حضور اين اغتشاشات شبكه كم¬عمق نسبت به شبكه عميق (از نظر دقت، حساسيت، ويژگي و زمان تست) عملكرد بهتري از خود نشان داده است. اما برتري رويكرد شبكه عميق اين است كه نيازي به استخراج دستي ويژگي ندارد و استخراج ويژگي بصورت بدون نظارت انجام مي¬شود.

1402/12/08

Fault diagnosis of stator short circuit in induction motor using deep learning based neural network

1/1/1900 12:00:00 AM

Due to the progress made in the industry and the development of industrial automation, there has always been an effort to do things automatically. In this thesis, the troubleshooting of one of the most used components of the industry, i.e. rotating machine, is discussed. Rotating machines such as induction motors are widely used in industries due to easy installation, maintenance process and low cost. Therefore, induction motors in critical areas or production lines need timely fault diagnosis to avoid low productivity and critical breakdowns. Short circuit fault is one of the most frequent faults in induction motors and accounts for more than 37% of failures. Therefore, short-circuit fault detection in the early stages has become critical to prevent catastrophic failures and production losses. Intelligent methods of fault detection have been the use of traditional machine learning algorithms, but with the development of data science in all fields and the progress of signal processing methods, the amount of data has increased, so today deep learning has found a more widely used place. In this thesis, the combined structure of convolutional neural network - long short-term memory as a deep network and multilayer perceptron structure as a shallow neural network to detect the primary short circuit fault and also to separate the fault from ambiguous conditions such as load changes and the frequency changes have been investigated and the performance of these two networks has been compared. In this way, two feature models have been extracted from the three-phase current data of the stator, and with both deep and shallow networks, fault detection once in the 7-class mode and once in the two-class mode for both facial feature extraction models. has taken. The results show that the deep network with the first feature extraction model in which the data has been transferred to the time-frequency domain using only discrete wavelet transformation shows better results (in terms of accuracy, sensitivity, and specificity). to give and the shallow network with the second feature extraction model where a number of features are extracted from the data as more preferable features and the dimensions of the data are reduced to 37, better results (in terms of accuracy, sensitivity, and feature) shows. And in general, regarding this data set and in the presence of these disturbances, the shallow network has performed better than the deep network (in terms of accuracy, sensitivity, specificity, and test time). But the advantage of deep network approach is that it does not need manual feature extraction and feature extraction is done unsupervised.

تشخيص عيب , موتور القايي , عيب اتصال كوتاه سيم پيچي استاتور , يادگيري عميق

Fault diagnosis , induction motor , stator winding short circuit fault , Deep Learning

Shima Heidarkhani

Dr. Poshtan