26464

تشخيص خطاي مكانيكي موتور القايي سه فاز به كمك الگوريتم‌هاي هوش مصنوعي

كارشناسي ارشد

مهندسي برق

1398

1401/1/24

دكتر ابوالفضل واحدي

دكتر مهدي رهنما

مهندسي برق

موتورهاي القايي به علّت ساختار ساده و بهره بالا و تطابق‌پذيري با محيط‌هاي مختلف جز عمده مصارف موتورهاي الكتريكي هستند. دلايل مختلفي در هنگام كاركرد موتور وجود دارند كه مي‌تواند باعث بروز خطا در اين موتورها شود و شناسايي و تعمير موتور آنجا اهميت مي‌يابد كه مي تواند باعث جلوگيري از ضررهاي فراوان اقتصادي شود. در اين پايان‌نامه هدف ايجاد يك مدل پيشنهادي جهت شناسايي و دسته‌بندي خطاهاي موتور القايي با كمك الگوريتم‌هاي يادگيري ماشين است. جهت طراحي و آموزش اين مدل ابتدا نياز به يك مجموعه اطلاعات از شرايط موتور در حالت خطا و سالم است. سرانجام به علت نبود مجموعه اطلاعات جرياني قابل استناد براي خطاي ناهم‌محوري اقدام به شبيه‌سازي سه موتور القايي مي‌شود كه حاصل آن تشكيل يك مجموعه اطلاعات از خطاي ناهم‌محوري اس.حاصل اين مجموعه اطلاعات تشكيل شده مولفه‌هاي خطا در جريان هستند كه با كمك تبديل فوريه قابل مشاهده هستند و همچنين نوسانات گشتاور و تغييرات شار موتور القايي سيگنال‌هاي ديگري از خطا هستند كه مورد بررسي قرار مي‌گيرند. همچنين به جهت تشخيص و تمايز دو نوع خطاي شكستگي ميله و خطاي ناهم‌محوري استاتيك، يك مجموعه اطلاعات شكستگي ميله از دانشگاه سائپالو برزيل مورد بررسي قرار مي‌گيرد و به عنوان مجموعه اطلاعات تشخيص خطاي شكستگي ميله مورد استفاده قرار مي‌گيرد. در انتها با توجه به اهميت تشخيص خطاي مكانيكي موتور القايي و پيشرفت چشمگير مدل‌هاي مبتني بر هوش مصنوعي، چهار نوع مدل تشخيص خطا با كمك الگوريتم يادگيري ماشين و يادگيري عميق مورد بررسي قرار مي‌گيرد. با توجه به نتايج شبيه‌سازي و الگوهاي استفاده شده براي دسته‌بندي خطا چهار روش پيشنهادي و مورد بررسي قرار داده شده، روش‌هاي مطلوبي هستند و همچنين مدل پيشنهادي مبتني بر يادگيري عميق، مدلي توانمند و قابل پيشرفتي بوده كه مي‌تواند در مراحل بعد با گسترده‌تر شدن مجموعه خطا و تنوع خطا مورد استفاده قرار گيرد. تشكيل مجموعه اطلاعات از خطاي ناهم‌محوري و همچنين تشخيص خطاهاي ناهم‌محوري و شكستگي ميله با كمك سيگنال جريان به صورت همزمان با كمك الگوريتم‌هاي يادگيري ماشين و يادگيري عميق نوآوري اين پايان‌نامه هست. واژه‌هاي كليدي: موتورهاي القايي، خطاهاي مكانيكي، يادگيري ماشين، يادگيري عميق، تبديل فوريه، خطاي ناهم‌محوري ، خطاي شكستگي ميله

1401/02/24

Mechanical Fault Detection in Three Phase Induction Motor with the Artificial Intelligence Algorithms

4/13/2023 12:00:00 AM

Induction Motors (IM) are most commonly motors in industrial. Different conditions can cause of many fault in IM and fault detection and repairing IM were valurable for protection and maintense IM on industry. Vibration and current are famous signal that are used by engineers for fault detection on industry and current signal is more accessabiliy signal rather than vibration signal. In recent decades, various methods have been used for fault detection in IM, machin learning (ML) algorithms and deep learning (DL) algorithm are some methods that used for fault detection recently. This study includes two sections. First, fault diagnosis by ML and DL needs a wide dataset for learning and classification, so creating a dataset by simulating three motors on ansys electrical decktop(Maxwell) for Eccentricity (ECC) fault and using a Broken Rotor Bar (BRB) fault dataset are first step of this study. Seconde, using ML and DL methods for classification and fault diagnosis is critical step. This step helps in understanding the difference between methods that used for fault diagnosis on this study. This classification is trained by some features that extracted by FFT ( fast Fourier transform) analysis on the load current. Finally, this study will compare the result of ML and DL. Keywords: induction motor, fault detection, machine learning, deep learning, eccentricity fault, broken rotor bar, current

خطاي مكانيكي , موتور القايي , الگوريتم يادگيري ماشين , الگوريتم يادگيري عميق

induction motor , machine learning , deep learning , eccentricity fault

Erfan Khosravi mehr

Dr Abolfazl Vahedi