26408

تشخيص خطاي موتور القايي سه فاز در شرايط خطاي الكتريكي با استفاده از هوش مصنوعي

كارشناسي ارشد

مهندسي برق گرايش الكترونيك قدرت و ماشين هاي الكتريكي

1398

1400/12/25

دكتر ابوالفضل واحدي

دكتر مهدي رهنما

مهندسي برق

موتورهاي القايي امروزه يكي از پركاربردترين موتورها در صنعت مي‌باشند و نياز مي‌باشد تا خطاهاي ايجادشده در اين موتورها در سريع‌ترين زمان ممكن شناسايي‌شده و رفع شوند. اگر خطاي موتور در مراحل اوليه تشخيص داده نشود، مي‌تواند باعث آسيب‌هاي جدي شده و حتي سبب ازكارافتادن موتور و خارج شدن آن از چرخ‌كاري شود. بنابراين تشخيص و برطرف نمودن خطا در عملكرد موتورهاي القايي مي‌تواند يكي از جنبه‌هاي مهم در رابطه با حفظ و نگهداري و همچنين افزايش طول عمر مؤثر آن‌ها باشد. براي تشخيص بيشتر خطاهاي ايجادشده در موتور مي‌توان رفتارهاي الكتريكي، مكانيكي و مغناطيسي ماشين در شرايط سالم و معيوب را مشاهده و با يكديگر مقايسه نمود، تا بتوان علل و نوع خطا را تشخيص داد. از رايج‌ترين خطاها در موتور‌هاي القايي مي‌توان به خطاهاي الكتريكي اشاره نمود. خطاهاي الكتريكي به دو بخش خطاهاي استاتور و خطاهاي روتور تقسيم مي‌شوند. ازجمله خطاهاي استاتور مي‌توان به خطاهاي سيم‌پيچ استاتور يعني خطاي اتصال حلقه فاز استاتور و از ديگر خطاهاي استاتور مي‌توان به خطاهاي درايو موتور القايي اشاره نمود. همچنين خطاهاي روتور در صورت سيم‌پيچي شده به خطاهاي اتصال كوتاه و در صورت قفس سنجابي به شكستگي ميله‌هاي روتور اشاره نمود. استفاده از سيگنال جريان كه متداول‌ترين و كاربردي‌ترين سيگنال موتور مي‌باشد از ويژگي‌هاي اين پايان‌نامه مي‌باشد. براي پردازش اين سيگنال‌هاي جريان در حالت‌هاي مختلف موتور مي‌توان از روش تبديل موجك گسسته(DWT) كه روشي بسيار دقيق در بين روش‌هاي پردازش سيگنال است استفاده نمود. درواقع با استفاده از تبديل موجك گسسته سيگنال‌ها تجزيه‌شده و با استفاده از اطلاعات آماري ويژگي‌هاي اين سيگنال‌ها در تمامي سطوح تجزيه استخراج مي‌شود. سيگنال‌هاي جريان تركيبي از موتورهاي شبيه‌سازي‌شده و موتورهاي واقعي در حالت‌هاي مختلف موتور(حالت سالم، شكستگي ميله روتور و خطاي اتصال حلقه سيم‌پيچ استاتور) كه تعداد آن ها 7 موتور بوده و بارهاي مختلف از بي باري تا بار نامي را شامل مي‌شود. استفاده از روش‌هاي يادگيري ماشين براي طبقه‌بندي داده‌هاي موتور بسيار مؤثر مي‌باشد و در اين پايان‌نامه در همين راستا روش ماشين بردار پشتيبان(SVM) پيشنهادشده است. دقت تشخيص خطاي اين روش در مقايسه با ديگر روش‌هاي بسيار زياد مي‌باشد.

1401/02/10

Fault detection of three-phase induction motor under electrical fault conditions using artificial intelligence

3/16/2023 12:00:00 AM

Induction motors are one of the most widely used motors in the industry today and it is necessary to identify and correct errors in these motors as soon as possible. If the engine fault is not detected in the early stages, it can cause serious damage and even cause the engine to malfunction and go out of circulation. Therefore, troubleshooting the performance of induction motors can be one of the important aspects in terms of maintenance and also increase their effective life. To further detect errors in the motor, the electrical, mechanical and magnetic behaviors of the machine in healthy and defective conditions can be observed and compared with each other, so that the causes and type of errors can be identified. One of the most common faults in induction motors is electrical faults. Electrical faults are divided into stator faults and rotor faults. Stator errors include stator winding faults, is stator phase loop connection fault, and other stator faults include induction motor drive faults. It also pointed to rotor errors in the case of windings, short circuit faults, and in the case of squirrel cages, broken rotor bars. The use of current signal, which is the most common and most practical motor signal, is one of the features of this thesis. To process these current signals in different motor modes, the discrete wavelet transform (DWT) method can be used, which is a very accurate method among signal processing methods. In fact, the signals are decomposed using discrete wavelet transform and the characteristics of these signals at all levels of decomposition are extracted using statistical information. Current signals are a combination of simulated motors and real motors in different motor states (healthy state, broken rotor bars and inter turn fault in stator winding), which are 7 motors and include different loads from no load to nominal load. The use of machine learning methods to classify motor data is very effective and in this thesis the support vector machine (SVM) method is proposed in this regard. The fault detection accuracy of this method is very high compared to other methods.

موتور القايي سه فاز , تشخيص خطا , خطاهاي الكتريكي , سيگنال‌ها الكتريكي , تبديل موجك گسسته , ماشين بردار پشتيبان , شكستگي ميله‌هاي روتور , خطاي اتصال حلقه سيم پيچ استاتور

Three-phase induction motor , fault detection , electrical faults , electrical signals , discrete wavelet transform , backup vector machine , broken rotor bars , inter turn fault in stator winding

Seyed Alireza Mirmoeini

Dr.Abolfazl Vahedi