21233

۲۱۲۳۳

تشخيص خطاي الكتريكي در بخش گردان سيستم تحريك بدون جاروبك توربو ژنراتورها

دكتري تخصصي

قدرت - الكترونيك قدرت و ماشين هاي الكتريكي

۱۳۹۸-۱۳۹۹

۱۳۹۸/۰۷/۱۷

دكتر ابوالفضل واحدي

برق

براي توليد بي‌وقفه و جلوگيري از افزايش هزينه‌هاي اضافي در نيروگاه‌ها، نياز است كه شرايط تجهيزات، علي‌الخصوص ژنراتور واحد نظارت شود. با توجه به عدم دسترسي مستقيم به بخش گردان سيستم تحريك ژنراتورهاي سنكرون بدون جاروبك، تشخيص خطاي به‌موقع و نظارت شرايط اين تجهيزات از اهميت بالايي برخوردار بوده و نيازمند مطالعه گسترده است. در اين رساله با توجه به مراجع موجود در زمينه تشخيص خطاي سيستم تحريك بدون جاروبك توربو ژنراتورها، روند جديدي براي تشخيص خطاهاي محتمل سيستم تحريك كه شامل خطاي اتصال حلقه و اتصال باز فاز آرميچر و نيز اتصال‌كوتاه و مدارباز ديود پل يكسوساز مي‌شود، ارائه مي‌گردد. ازاين‌رو، در ابتدا شناسايي پارامترهاي اين نمونه ماشين صورت مي‌پذيرد تا امكان مدل‌سازي و شبيه‌سازي با پارامترهاي ماشين نمونه آزمايشگاهي كه روند ساخت آن در پيوست ارائه شده است، فراهم گردد. در ادامه، مدل‌سازي عددي و تحليلي ماشين سنكرون بدون جاروبك در شرايط سالم و خطاهاي موردبحث مطالعه شده و مورد شبيه‌سازي قرار مي‌گيرد و ولتاژ خروجي ماشين شبيه‌سازي‌شده اندازه‌گيري مي‌شود. همچنين تحليل ولتاژ خروجي ماشين در شرايط سالم و خطا بررسي مي‌گردد. براي روند تشخيص خطا در اين رساله، چهار اندازه‌گيري پيشنهاد مي‌شود كه شامل ارتعاشات، صوت، تصاوير حرارتي و ولتاژ مي‌باشد. لذا براي هركدام از اين سيگنال‌ها استدلال مي‌گردد كه چه پردازشي از ميان پردازش حوزه فركانس و حوزه فركانس-زمان در كنار پردازش حوزه زمان مناسب بوده و پس از انجام پردازش با استفاده از روش‌هاي انتخاب ويژگي كه شامل فيلتر، بسته‌بندي‌شده و تركيبي مي‌شود، ويژگي‌هاي مناسب از ويژگي‌هاي استخراج‌شده انتخاب مي‌گردد تا افزونگي كاهش يافته و دقت دسته‌بندي افزايش يابد. براي دسته‌بندي ويژگي‌هاي انتخاب‌شده در هر قسمت از سه روش شبكه‌هاي عصبي، k همسايه مجاور و ماشين بردار پشتيبان استفاده مي‌گردد و نتايج حاصل از اين سه دسته‌بند با يكديگر مقايسه مي‌شود تا براي هر سيگنال علاوه بر بهترين ويژگي، بهترين دسته‌بند انتخاب گردد. در تشخيص خطا به كمك سيگنال ولتاژ پايانه ماشين نيز، از نتايج شبيه‌سازي براي دسته‌بندي بهره گرفته مي‌شود و پس از انتخاب دسته‌بند و ويژگي‌هاي مناسب، تشخيص خطاي برخط ماشين صورت مي‌پذيرد. به‌طوركلي روند پيشنهادي تشخيص خطا در ماشين به اين صورت است كه ابتدا تشخيص خطادار بودن يا نبودن ماشين انجام پذيرفته و در مرحله بعد در صورت خطادار بود سيستم تحريك نوع خطا تشخيص داده مي‌شود و اگر چنانچه خطا از نوع اتصال‌كوتاه يا مدارباز باشد، محل‌يابي ديود خطادار صورت مي‌پذيرد. نتايج به‌دست‌آمده نشان از دقت خوب روند پيشنهادي در تشخيص خطاي سيستم تحريك دارد.

1398/08/11

Electrical faults detection in rotary parts of exciter of brushless synchronous turbogenerator

11/2/2019 12:00:00 AM

For continuous production of the electric power and avoiding additional costs in power plants, it is crucial to monitor the condition of equipment, especially the generators. Since there is no direct access to the rotating field part in brushless synchronous generators, fast and accurate fault diagnosis of this part is critical. In this thesis, according to the literature regarding fault diagnosis of brushless synchronous generators, a novel approach is proposed for probable fault detection of the brushless synchronous generator including diode open-circuit and short-circuit of the rectifier bridge, turn-to-turn fault and phase open-circuit of the exciter winding. Therefore, first, the parameter identification of the machine parameters is carried out to simulate and model the machine whose implementing is described in the appendices. Then, numerical and analytical modeling of the machine is studied for different states of the generator, and the simulation is performed. Furthermore, the output terminal voltage of the synchronous generator is analyzed for different states of the machine. For fault detection, four types of signals are suggested in this thesis, including vibration, acoustic, thermal imaging, and terminal voltage which all are non-invasive for measurement. Hence, the proper type of signal processing among time-domain, frequency-domain, or time-frequency-domain is selected for each type of the signal. After the signal processing and extracting the features, feature selection approaches are employed to reduce the redundancy and improve the classification performance. For classifying the selected features, three classifiers are suggested including artificial neural network, k nearest neighbor, and support vector machine whose performances are compared with each other in each section to choose the most appropriate classifier for each signal. After selecting the features and the classifier, the online fault detection of the machine is carried out using the terminal voltage of the machine. Generally, the approach of the fault diagnosis is that in the first step, the state of the machine is diagnosed if it is faulty or healthy. In the next step, in the case of a faulty state, the type of the fault is detected, and also, in the case of diode open-circuit of short-circuit, the location of the defective diode is determined. Eventually, results show the accurate and proper performance of the proposed approach for fault detection of the field system.