Elektrik motorlarında dalgacık analizi yaklaşımı ile rulman arıza tanısı ve yapay zeka tabanlı bir durum izleme sistemi
Bearing fault diagnosis with the approach of wavelet analysis and a condition monitoring system based on artificial intelligence in electric motors
- Tez No: 127194
- Danışmanlar: DOÇ. DR. SERHAT ŞEKER
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2002
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 134
Özet
ELEKTRİK MOTORLARINDA DALGACIK ANALİZİ YAKLAŞIMI İLE RULMAN ARIZA TANISI VE YAPAY ZEKA TABANLI BİR DURUM İZLEME SİSTEMİ ÖZET Asenkron motorlar hemen hemen her çeşit endüstriyel süreçte sıkça kullanılan elemanlardan biridir. Bu motorlarda sistem arızasına neden olabilecek hataların önceden belirlenmesi sürecin güvenilir ve ekonomik bir işletimi için son derece önemlidir. Bu nedenle öngörürü bakım amaçlı durum izleme çalışmaları yapılır. Durum izleme ile elde edilen bulgularla gereken bakım aktiviteleri en uygun zamanda gerçekleştirilerek süreçteki ani ve beklenmeyen kesintiler önlenir. Asenkron motorlardaki arıza dağılımları üzerinde yapılan istatistiksel çalışmalara göre, motor arızalarının %41'i rulman hatalarından kaynaklanmaktadır. Bu tez çalışmasıyla asenkron motordaki rulman hatalarının özellikleri ortaya çıkartılarak yapay zeka tabanlı bir durum izleme sistemi geliştirilmiştir. Tezde kullanılan veriler The University of Tennessee, Knoxville (UTK)'de Maintenace & Reliability Center (MRC) bünyesinde bazı Amerikan sanayi kuruluşları {General Motors, Lockeed -Martin, Duke Power, Nissan, Mitsubishi, USEM, CSI, Fisher-Rosemount, Honey-Well,..) tarafından 1997 yılında kurulan laboratuardaki deneylerden elde edilmiştir. Asenkron motor arızaları için bir veri tabanı elde etmek amacıyla yapılan bu deneylerde 5 HP'lik, üç fazlı dört kutuplu asenkron motorlar termal, kimyasal ve elektriksel etkiyle yapay olarak eskitilmiştir. Özel olarak rulman eskitilmesi için ayrı bir düzenek tasarlanarak rulman bozukluğu elektriksel yolla yapay olarak oluşturulmuştur. Toplam olarak yedi adet hızlandırılmış eskitme süreci gerçekleştirilmiş ve motor yük performans testleri yapılarak titreşim, akım, gerilim, hız, moment, sıcaklık gibi veriler National Instruments (NI) veri toplama sistemiyle alınmıştır. Mil gerilimleri nedeniyle oluşan rulman bozukluğunun özelliklerini çıkartmak amacıyla, yapay eskitme süreçleri oluşturularak eskitilen motorlardan alınan ve motorun performansını yansıtan bu veriler geleneksel ve ileri işaret işleme teknikleriyle analiz edilmiştir. Bu çerçevede, motorun rulmana yakın bölgesinden alman titreşim verilerinin zaman, frekans, zaman-frekans ve zaman-ölçek tanım bölgelerindeki bilgileri, istatistiksel analiz, frekans analizi, Kısa-zaman Fourier Dönüşümü (KZFD) ve Çok Çözünürlü Dalgacık (ÇÇD) analizi kullanılarak elde edilmiştir. Her eskitme süreci için motor titreşim işaretlerinin istatistiksel analizi yoluyla rulman bozukluğunu yansıtan en önemli istatistiksel parametrenin standard sapma olduğu belirlenerek bu parametreye ilişkin kritik bir değer ve üstel bir model kurulduktan sonra motor rulmanlarının güvenirlik seviyesi sağlam ve herhangi bir eskitme sürecindeki standard sapma değerleri kullanılarak saptanmıştır. Daha sonra titreşim işaretlerinin Kısa-zaman Fourier dönüşümleri yapılarak rulman bozukluğunugösteren frekans aralığı belirlenmiş ve çok çözünürlü dalgacık analizinin yapılmasıyla da en baskın frekans bandları detay işaretlerinin her eskitme sürecindeki RMS değişiminin bulunmasıyla saptanmıştır. Motorun performasını yansıtan en önemli parametre olarak gözönüne alman titreşim verisi dışında, motorun çektiği akım işaretleri de motor hatalarının teşhisi ve hata yerinin tespiti amacıyla kullanılmıştır. Özellikle rulmandaki herhangi bir hata, rotor ve stator arasındaki hava aralığı dağılımının düzgün olmamasına ve rulman titreşimi ile stator akımı arasında bir ilişkinin doğmasına neden olur. Bu ilişkiyi gözlemleyebilmek ya da daha açıkçası mekanik karakterli olan rulman hatalarını elektriksel büyüklüklerden belirleyebilmek amacıyla literatürde ilk kez kullanılan bir yaklaşım olan motor titreşimi ve stator akımı arasındaki frekans tanım bölgesindeki uyumluluk (koherens) analizi bu tezde ortaya çıkartılmıştır. Bu yeni yaklaşımla, motor rulmanlarındaki elektriksel boşalma etkisiyle oluşan rotor eksenel bozukluğu nedeniyle motor akım ve titreşim işaretlerinin birbiriyle ilişkili olduğu saptanmış ve bu hatanın rulmanın hangi kısmında olduğu bulunarak detaylı bir hata tespiti yapılmıştır. Motor arıza tanısında yapay zeka uygulamasını gerçekleştirmek amacıyla, rulman hatasını belirlemeyi sağlayan frekans tanım bölgesindeki uyumluluk işaretleri oto- asosiyatif bir Elman Yinelemeli Yapay Sinir Ağına (YYSA) öğretilerek YYSA çıkışında oluşan hata değişimi yoluyla rulman bozukluğu belirlenmiştir. Ayrıca YYSA çıkışında elde edilen hata değişimindeki en etkin tepe noktasının satandard Genetik Algoritma (GA) tekniği kullanılarak bulunmuş ve bu tümleşik yapıyla akıllı bir motor durum izleme sistemi geliştirilmiştir. Bu anlamda tez kapsamında yapılan çalışmaların uygun donanımda birleştirilmesiyle gerçek zamandaki uygulamaları yapılabilir.
Özet (Çeviri)
BEARING FAULT DIAGNOSIS WITH THE APPROACH OF WAVELET ANALYSIS AND A CONDITION MONITORING SYSTEM BASED ON ARTIFICIAL INTELLIGENCE IN ELECTRIC MOTORS SUMMARY Induction motors are the most frequently used components in almost every type of industrial processes. Early detection and isolation of faults that cause catastrophic system failure is crucial for a reliable and economic operation. For this reason condition monitoring studies are performed for predictive maintenance purposes. With the information gathered from condition monitoring studies, instantaneous and unscheduled downtimes are prevented by performing the correct maintenance activities just right on time. According to the statistical studies on induction motor failure distribution, 41% of all induction motor failures are caused by bearing faults. In this thesis, bearing fault features in induction motors was extracted and a condition monitoring system based on artificial intelligence was developed. The data used in this thesis were taken from the experiments in the laboratory where is at The University of Tennessee, Knoxville (UTK). This motor diagnostics laboratory was established with the support of U.S. A.' s most famous industrial companies {General Motors, Lockeed -Martin, Duke Power, Nissan, Mitsubishi, USEM, CSI, Fisher-Rosemount, Honey-Well,..) at Maintenance and Reliability Center (MRC) of the UTK in 1997. In order to get a database for induction motor failures in these experiments, the 5HP, three phases, four poles induction motors were aged artificially as thermal, chemical and electrical. The total number of performed accelerated aging processes is seven and some data such as vibration, current, voltage, speed and torque, temperature etc. were acquired during motor's load performance tests using National Instruments (NI) data acquisition systems. In order to extract the features of bearing degradation due to shaft voltages, data which was taken from aged motors by accelerated aging processes and reflects motor's performance was analyzed using conventional and advanced signal processing techniques. In this perspective, time, frequency, time- frequency and time- scale domain information of the vibration signals which is taken from close to bearings was found by statistical analysis, frequency analysis, Short-time Fourier Transform (STFT) analysis and Multiresolution Wavelet Transform analysis. By statistical analysis of motor vibration signals for each aging cycle, the most important statistical parameter that shows bearing damage was determined as standard deviation. Because of this, a critical value and an exponential model for this parameter was found and motor's bearing reliability level was determined using the standard deviations of healthy and any aged cycles. After that, the frequency ranges that show bearing damage was determined by short-time Fourier transform of Xllvibration signals and by performing multi resolution wavelet analysis the most dominant frequency bands were determined by finding the RMS change of detail coefficients for each aging cycle. Motor stator current signature, except from vibration signals that reflect motor's performance as well, is also used for motor fault detection and isolation schemes. Especially, any defect on bearing cause non-uniform air-gap between rotor and stator and a correlation between bearing vibration and stator current occurs. To observe this relation or in order to determine this mechanical fault from electrical parameters, coherence analysis between motor vibration and stator current was done in this thesis as first in related literature. With this new approach it was shown that motor vibrations and current are correlated because of damage on bearings due to electrical discharge. And also a specific detection was done by isolating of this fault where is in which bearing components. In order to use the artificial intelligence in motor fault diagnostics, coherence signals that provides determining of bearing fault were used for training of Elman' s recurrent Neural Network (RNN). Bearing fault diagnosis was performed by the error variation of RNN outputs. Moreover standard Genetic Algorithm (GA) technique was used to identify the peaks in error variation of RNN outputs. Thus, an intelligent condition monitoring system was developed in this thesis. In this sense the studies done in this thesis contents can be used real-time application with proper instrumentation.
Benzer Tezler
- Dalgacık ve spektral analiz yöntemlerinin birleşimi ile elektrik motorlarında arıza tanısına yönelik yeni bir yaklaşım
A New approach for fault detection problems in electric motors under the combination of the wavelet and spectral analysis techniques
SELİM GÜLLÜLÜ
Yüksek Lisans
Türkçe
2003
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SERHAT ŞEKER
- Condition monitoring and fault detection for induction motors by spectral trending and stationary wavelet analysis
Spektral trend ve durağan dalgacık dönüşümü yardımıyla durum izleme ve arıza tanısı
DUYGU BAYRAM
Doktora
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Neuro classifiers for condition and bearing health assessment of an electric motor
Elektrik makinasında durum ve rulman sağlığı değerlendirmesi için nöro sınıflandırıcılar
MINA GHORBAN ZADEH BADELI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU BAYRAM KARA
- Asenkron motorlarda işaret tabanlı stator yalıtım arıza tanısı
Signal based fault detection of stator insulation failure for induction motors
HASAN MURAT UÇAR
Doktora
Türkçe
2008
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. SERHAT ŞEKER
YRD. DOÇ. DR. EMİNE AYAZ
- Hidden Markov models for fault characterization and condition monitoring of induction motors
Asenkron motorlarda arıza özeliği tespiti ve durum izleme için saklı Markov modelleri
HAMİD ERİNÇ KARATOPRAK
Yüksek Lisans
İngilizce
2008
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. SERHAT ŞEKER