Değişken çalışma koşullarında senkron relüktans motorlar için makine öğrenmesi tabanlı elektriksel parametre tahmini
Machine learning-based electrical parameter estimation for synchronous reluctance motors under variable operating conditions
- Tez No: 1003030
- Danışmanlar: PROF. DR. YÜKSEL OĞUZ, PROF. DR. MUSTAFA CANER AKÜNER
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrik makinelerinin performansını belirleyen temel unsurlardan biri, motorun elektriksel parametrelerinin doğru biçimde tahmin edilmesidir. Bu parametreler, motorun kontrol doğruluğu, verimliliği ve güvenilirliği açısından kritik öneme sahiptir. Ancak, sıcaklık değişimleri, yük koşulları ve çevresel faktörler nedeniyle bu parametrelerin zamanla değişkenlik göstermesi, sabit katsayılara dayalı geleneksel tahmin yöntemlerinin yetersiz kalmasına neden olmaktadır. Bu bağlamda, makine öğrenmesi tabanlı yaklaşımlar; dinamik koşullara uyum sağlayabilme kabiliyeti, gürültülü verilerle başa çıkabilme özelliği ve yüksek modelleme doğruluğu sayesinde motor parametre tahmininde önemli avantajlar sunmaktadır. Bu tez çalışmasında, senkron relüktans motorun (SynRM) elektriksel parametrelerinin (stator faz direnci (Rs), d-eksen indüktansı (Ld) ve q-eksen indüktansı (Lq)) tahmini amacıyla iki farklı makine öğrenmesi algoritması incelenmiştir: Adaptif Doğrusal Nöron (Adaline) ve Destek Vektör Regresyonu (SVR). Adaline algoritması, çevrimiçi öğrenme yeteneği ve düşük hesaplama maliyeti ile gerçek zamanlı sistemlerde kullanılmaya elverişli bir yapı sunarken, SVR algoritması doğrusal olmayan ilişkileri yüksek doğrulukla modelleyebilme kapasitesine sahiptir. Her iki algoritma da hem MATLAB/Simulink ortamında oluşturulan farklı hız ve yük senaryolarını içeren simülasyon verileri hem de deneysel sistemden toplanan gerçek zamanlı verilerle eğitilmiştir. Deneysel çalışmalarda, ana bileşen olarak 5.5 kW gücünde bir senkron relüktans motor, Humusoft MF 624 veri toplama kartı ve manyetik toz fren kullanılmıştır. Giriş verileri motorun üç faz akım ve gerilim ölçümleri ile rotor hızından oluşurken, çıkış değişkenleri motorun elektriksel parametreleri olarak belirlenmiştir. Elde edilen sonuçlar, her iki algoritmanın da SynRM'in elektriksel parametrelerini yüksek doğrulukla tahmin ettiğini göstermiştir. Adaline algoritması hızlı yakınsama ve düşük hesaplama yükü avantajı ile çevrimiçi tahmin uygulamaları için uygun bulunmuştur. SVR algoritması ise özellikle doğrusal olmayan çalışma bölgelerinde daha düşük hata oranlarıyla daha kararlı sonuçlar üretmiştir. Bu bulgular, makine öğrenmesi tabanlı yöntemlerin SynRM'lerin parametre tahmininde etkin, güvenilir ve uygulanabilir çözümler sunduğunu ortaya koymaktadır. Bu çalışma, farklı işletim koşullarında elde edilen deneysel doğrulamalar ile Adaline ve SVR tabanlı tahmin yaklaşımlarının karşılaştırmalı analizini sunarak, yüksek hassasiyet gerektiren motor sürücü sistemlerinde makine öğrenmesi algoritmalarının uygulanabilirliğini göstermekte ve literatüre önemli bir katkı sağlamaktadır.
Özet (Çeviri)
One of the key factors determining the performance of electrical machines is the accurate estimation of their electrical parameters. These parameters play a crucial role in ensuring precise control, efficiency, and reliability of the motor. However, due to the variations caused by temperature changes, load conditions, and environmental effects, traditional estimation methods based on fixed coefficients often fail to provide satisfactory accuracy. In this context, machine learning-based approaches offer significant advantages in parameter estimation thanks to their adaptability to dynamic conditions, robustness against noisy data, and high modeling accuracy. In this study, two different machine learning algorithms were investigated for estimating the electrical parameters (stator resistance (Rs), d-axis inductance (Ld) and q-axis inductance (Lq)) of a Synchronous Reluctance Motor (SynRM): the Adaptive Linear Neuron (Adaline) and the Support Vector Regression (SVR). The Adaline algorithm provides an efficient and lightweight structure suitable for real-time applications with its online learning capability and low computational cost, while the SVR algorithm can model nonlinear relationships with high precision. Both algorithms were trained using datasets obtained from different speed and load scenarios generated in the MATLAB/Simulink environment as well as from experimental measurements collected in real time. The experimental setup consisted of a 5.5 kW SynRM, a Humusoft MF 624 data acquisition card, and a magnetic powder brake. The input data included the three-phase current and voltage measurements and rotor speed, while the output variables were the electrical parameters of the motor. The results demonstrated that both algorithms successfully estimated the electrical parameters of the SynRM with high accuracy. The Adaline algorithm exhibited fast convergence and low computational cost, making it suitable for online parameter estimation. The SVR algorithm, on the other hand, provided more stable and accurate predictions with lower error rates, especially in nonlinear operating regions. These findings indicate that machine learning-based methods can offer effective, reliable, and practical solutions for the parameter estimation of SynRMs. This study contributes to the literature by presenting a comparative analysis of Adaline- and SVR-based estimation approaches validated under various operating conditions, demonstrating the applicability of machine learning algorithms in high-precision motor drive systems.
Benzer Tezler
- A performance improvement study of a permanent-magnet assisted synchronous motor used in washers
Kalıcı mıknatıs destekli senkron relüktans motorlarda performans artırmaya yönelik bir çalışma
LJIRIDON DJELADINI
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. LALE ERGENE
- Adaptive position control of permanent magnet synchronous motors and torque ripple compensation
Başlık çevirisi yok
O.SETA BOĞOSYAN
Doktora
İngilizce
1991
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. TAMER KUTMAN
- Mıknatıslı anahtarlamalı relüktans makinesinin kontrolü ve performans analizi
Control and performance analysis of permanent magnet switched reluctance machine
FARUK DURAK
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. FUAT KÜÇÜK
- Sürekli mıknatıslı senkron motor benzetimi
Başlık çevirisi yok
ABDULLAH SEZGİN
Doktora
Türkçe
1993
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜVEN ÖNBİLGİN
- Şebeke kalkışlı sürekli mıknatıslı senkron motorda stator sargı arızası teşhisi
Diagnosis of stator winding fault in line start permanentmagnet synchronous motors
KÜBRA TETİK
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZAFER DOĞAN