Geri Dön

Data-driven condition monitoring and fault diagnosis of VFD-FED induction motors

Değişken frekanslı sürücü ile beslenen asenkron motorlarda veri odaklı durum izleme ve arıza tanılama

PDF İndir

  1. Tez No: 683055
  2. Yazar: ALPER SENEM
  3. Danışmanlar: PROF. DR. ŞENİZ ERTUĞRUL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Makine Mühendisliği, Mekatronik Mühendisliği, Electrical and Electronics Engineering, Mechanical Engineering, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 112

Özet

Elektrik motorları, sadece endüstriyel uygulamalarda değil, aynı zamanda konut, tarım ve ulaşım amaçlı olarak da elektrik gücünü mekanik güce dönüştüren sistemlerde yaygın olarak kullanılmaktadır. Sürdükleri sistemlerle birlikte ele alındığında, elektrik motorları tüm elektrik tüketiminin %40'ından fazlasını ve bir sonraki en büyük tüketici olan aydınlatmanın neredeyse iki katı kadarını kullanır. Sadece endüstriyel kullanım düşünüldüğünde, elektrik motorları toplam elektrik tüketiminin %70'ine yakınını oluşturmaktadır. Endüstriyel uygulamalarda birçok farklı motor tipi mevcuttur ancak alternatif akım (AC) asenkron motorlar basit, güvenilir ve sağlam tasarımları nedeniyle en çok tercih edilen tiptir. Malzeme taşıma, malzeme işleme, pompalama, havalandırma ve basınçlı hava üretimi gibi temel elektro-mekanik sistemleri çalıştıran AC asenkron motorların nispeten düşük maliyeti, düşük bakım ihtiyacı, yüksek güvenilirlik ve uzun kullanım ömrü en avantajlı özellikleridir. Özellikle HVAC (Isıtma, havalandırma ve iklimlendirme) sektörü, endüstriyel elektrik tüketiminde en büyük paya sahip oldukları ve oldukça yüksek tasarruf potansiyellerine sahip oldukları için özel önem gerektirmektedir. Son yıllarda küresel ısınma konusunda artan farkındalık, elektrik motorlu sistemler de dahil olmak üzere daha verimli sistemler talep ediyor. Avrupa Parlamentosu ve Avrupa Konseyi gibi otoriteler, yüksek verimli premium motorların ve değişken frekanslı sürücülerin (VFD) kullanımını teşvik ederek verimliliği artırmak için yeni gereksinimler uygulamaktadır. VFD'ler, motorun çıkış torkunu ve hızını mekanik sistem yüklerine uyacak şekilde düzenler ve pompalar, fanlar ve kompresörler gibi yüksek düzeyde doğrusal olmayan giriş gücüne, çıkış torku ve hızına sahip değişken mekanik gücün gerekli olduğu yerlerde önemli enerji verimliliği sağlar. 20 yıllık kullanım süresi göz önüne alındığında, bir elektrik motorunun güç tüketimi toplam sahip olma maliyetinin %90'ını oluşturuken, bunu %5 ile arıza süresi maliyeti ve %4 ile bakım maliyeti izlemektedir. İlk satın alma fiyatı ise toplam maliyetin sadece %1'ini temsil ettiği düşünüldüğünde, motorun çalışması sırasında alınan önlemlerle tasarruf sağlanabileceği sonucuna varılabilir. Bu noktada ise Endüstri 4.0, otomasyon ve verimlilik yoluyla endüstriyel operasyonları şekillendiriyor. Durum izleme, çalıştığı süre boyunca tesisin ve/veya ekipmanın durumunu değerlendirerek Endüstri 4.0'ın temel yapıtaşlarından birini oluşturmaktadır. Bakım, tüm kullanım ömrü boyunca tasarlanan işlevlerini sürdürmek için ekipmanı korumak veya eski haline getirmek için yapılan eylemler olarak tanımlanabilir. Geleneksel bakım, çalışabilirliği sağlamak için periyodik sağlık kontrollerine dayanır, ancak araştırmalar, bakım zamanında ve doğru bir şekilde yapılsa bile arızaların büyük çoğunluğunun çalışma durumunda ortaya çıktığını göstermektedir. Durum izleme ve arıza teşhisi, bu tür durumları önlemek için bakım planlamasına yardımcı olurken, istenmeyen arıza sürelerini ve mali kayıpları da önler. Ayrıca durum izleme, uzun vadede daha güvenilir bir sistem sağlayan ekipman veya tesisin trend analizi yoluyla daha iyi anlamak için bir veritabanı oluşturma fırsatına da sahiptir. Durum izleme, arıza tespiti için bir teşhis aracı ve bakım planlamasının temellerinden biri olarak motora sürekli veya periyodik olarak uygulanır. İzlenen parametrelerdeki ani veya beklenmedik değişiklikler motorun durumu hakkında önemli bilgiler sağlar. Rulmanlardan elektrik motorlarına ve pompalara kadar çeşitli ekipmanların sağlığına ilişkin bilgileri değerlendirmek için kullanılabilecek titreşim, sıcaklık ve akım izleme gibi birçok durum izleme yöntemi mevcuttur. Akım izleme, asenkron motor çalışmasını kontrol etmek için kolayca ölçülebildiği için kendisini diğer yöntemlerden ayırmaktadır. Besleme akımı sinyalleri aracılığıyla durum izleme, yalnızca motorun kendisi için değil aynı zamanda motorun tahrik ettiği mekanik sistem hakkında da faydalı bilgiler sağlar. Bakım stratejisinin önemli bir yönü, motorun tahrik ettiği mekanik bir sistemin dahil edilmesidir. Özellikle motorun çalışmasını kontrol etmek için akımın zaten algılandığı VFD beslemeli sistemlerde, ek sensör ihtiyacı olmadan hem elektriksel hem de mekanik arızalar teşhis edilebilir. Akım sinyallerini kullanarak arıza teşhisi için birçok çalışma yapılmış olmasına rağmen, VFD beslemeli motorlarla ilgili çalışmalar sınırlıdır. VFD'lerde kullanılan PWM sinyallerinin, motor akım sinyalindeki bir arızanın özelliklerini maskeleyerek, teşhisi zorlaştırabileceğine dikkat edilmelidir. Bu çalışmada, VFD beslemeli üç fazlı asenkron motorun tek fazlı stator besleme akımı üzerinden farklı yük ve frekans senaryolarında elektriksel ve mekanik arıza tespiti üzerinde durulmuştur. Bu çalışmada öncelikle asenkron motorların endüstriyel alandaki yeri ve önemi ile genel çalışma prensibinden bahsedilmiştir. Literatür taraması kapsamında işletme ömürleri boyunca maruz kaldıkları stresler nedeniyle oluşan arızalar açıklanmıştır. Arızaların olumsuz sonuçlarından en az hasarla kaçınmak için etkin bakım yöntemlerinden bahsedilmiş ve verimli bakımın omurgası olarak durum izleme ve hata tanıma yöntemleri anlatılmıştır. Çalışma kapsamında asenkron motor arızalarının en sık görülen türleri olan rulman, stator sargı kısa devre ve kırık rotor çubuk arızaları WAT Motor tesislerinde laboratuvar koşullarında oluşturulmuş ve etkileri incelenmiştir. Literatürde besleme hattından doğrudan beslenen ve nominal hızda çalışan asenkron motorlar ile ilgili çalışmalar yaygındır. Bu çalışmada, değişken frekanslı sürücü ile beslenen motorun nominal ve nominal yükünün %75'inde 30 Hz ile 50 Hz arasında farklı hızlarda iki farklı yüklemede testler gerçekleştirilmiştir. Elde edilen veriler ile motor durum izleme ve arıza tespiti için farklı yöntem ve yaklaşımlar incelenmiştir. Bunlardan ilkinde, zaman domeninde yapılan analizde akım sinyalinin istatistiksel özellikleri çıkarılmıştır. Frekans alanında yapılan çalışmada ise, Welch yöntemi ile Güç Spektral Yoğunluğu tahmin edilerek elde edilen genliklerin istatistiksel özellikleri aynı şekilde elde edilmiştir. Son olarak frekans spektrumundaki arıza tiplerinin karakteristik frekanslarına karşılık gelen genlikler hesaplanmış ve bu genliklerin istatistiksel özellikleri çıkarılmıştır. Bu üç yöntemle elde edilen özellikler ile makine öğrenmesi sınıflandırıcıları eğitilmiş ve motor arıza teşhisi gerçekleştirilmiştir. Elde edilen bulgulara göre istatistiksel yaklaşımlarla arıza teşhisi konusunda iyi sonuçlar almak mümkündür. Endüstriyel uygulama koşulları göz önüne alındığında elektrik motorları, bozucu etkilere yoğun bir şekilde maruz kalmaktadır. Welch yöntemi ile PSD tahmini ise, yapısı gereği bozucu etkilere karşı oldukça sağlam sonuçlar vermektedir. Hata karakteristik formülleri ile PSD frekans spektrumundan elde edilen genlik tabanlı istatistiksel yaklaşım, tüm metriklerde yüksek doğruluk ve kesinlik ile diğer iki yöntemi geride bırakmıştır. Son yıllarda artan derin öğrenme çalışmaları ve uygulamaları, motor arızalarının teşhisinde de kendisine yer bulmaktadır. Makine öğrenmesi yöntemlerinde zaman ve uzmanlık bilgisi gerektiren özellik çıkarma ve sinyal işleme problemlerine alternatif olarak derin öğrenme yöntemleri uçtan uca bir çözüm sunabilmektedir. Tez kapsamında bahsedilen veri mühendisliği ve makine öğrenmesi yöntemlerine alternatif olarak evrişimli ve yinelemeli sinir ağları olmak üzere iki derin öğrenme yöntemi ile hata teşhisi yapılmıştır. Derin öğrenme yöntemleri, herhangi bir ön işleme gerekmeden yüksek performans gösterir, ancak bir dezavantaj olarak, modeli eğitmek için yüksek işlem gücüne ve büyük bir veri kümesine ihtiyaç duyarlar. Derin öğrenme yöntemleri, eğitimleri sırasında büyük veri kümelerine ihtiyaç duysa da tez kapsamında gösterildiği gibi makine öğrenmesi yöntemlerine göre daha az boyutlu verilerle çalışabilirler. Bu açıdan VFD'ye entegre edilecek eğitilmiş bir derin öğrenme algoritması, ileri beslemeli yapısı sayesinde daha az kaynak ihtiyacı ile çalışabilir. Sonuç olarak Endüstri 4.0 kapsamında bazı kavramlar daha da önemli hale geliyor. Bunlardan ilk ikisi verilere erişimi kolaylaşması ve veri işleme gücününün artması iken, üçüncüsü verimlilik olarak sayılabilir. Asenkron motorlarda bu üç kavram VFD'ler ile karşılanabilir. VFD ile beslenen motorlarda sistemin verimi artarken, motor kontrolü için gerekli olan akım sinyali herhangi bir ek masraf olmadan durum izleme çalışmaları için kullanılabilir. Toplanan verileri Nesnelerin İnterneti altyapıları ile veri merkezlerine aktararak veri erişimini kolaylaştırma potansiyeline de sahiptir.

Özet (Çeviri)

The impact of Industry 4.0 awakens the need for equipment and system-level condition monitoring, especially for asynchronous motors, which are the backbone of the industry, in parallel with the increasing search for efficiency in industrial operations and the importance of data. Although the number of asynchronous motors fed directly from the line still dominates, the number of motors driven by VFD is also increasing with the demand for efficiency and the regulations applied. Within the scope of this thesis, the most common faults in asynchronous motors, bearing, stator winding short circuit, and broken rotor bar faults were created in the laboratory environment of WAT Motor Company facilities, condition monitoring and fault diagnosis studies were carried out. Studies on line-start asynchronous motors are widely applied in the literature. However, in this study, tests were carried out in two different loadings at different speeds between 30 Hz and 50 Hz at 75% of the nominal and nominal load of the motor fed with the variable frequency drive. With the obtained data, different methods and approaches are examined for motor condition monitoring and fault diagnosis. In the first method, the statistical features of the current signal are extracted for time-domain analysis. In the study conducted in the frequency domain, the statistical features of the frequency spectrum amplitudes obtained by estimating the Power Spectral Density with the Welch method were obtained in the same way. Finally, the amplitudes corresponding to the characteristic frequencies of the fault types in the frequency spectrum were calculated and the statistical properties of these amplitudes were extracted. With the features obtained by these three methods, machine learning classifiers were trained and motor fault diagnosis was performed. According to the results obtained, it is possible to achieve good results in fault diagnosis with statistical approaches. On the other hand, considering the industrial application conditions, electric motors are heavily exposed to disruptive effects. PSD estimation with the Welch method gives very robust results against disturbance effects due to its nature. The amplitude-based statistical approach obtained from the PSD frequency spectrum with error characteristic formulas overperformed the other two methods with high accuracy and precision in all metrics. Increasing deep learning studies and applications in recent years find a place for themselves in the diagnosis of motor failures. As an alternative to feature extraction and signal processing problems that require time and expertise in machine learning methods, deep learning methods can offer an end-to-end solution. As an alternative to the data engineering and machine learning methods mentioned in the thesis, two deep learning methods, convolutional and recurrent neural networks structured for fault diagnosis. Deep learning methods offer high performance without any pre-processing, but as a disadvantage, they require high processing power and a large dataset to train the model. Although deep learning methods need large data sets in the training phase, they can work with less dimensional data than machine learning methods, as shown in the thesis.

Benzer Tezler

  1. Tez No

    653716

    Filo tabanlı veri odaklı hata teşhis sistemi geliştirilmesi

    Development of fleet-­based data-driven fault diagnosis system

    METİN YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET YAZICI

  2. Tez No

    714446

    CNN-based server state monitoring and fault diagnosis using infrared thermography

    Kızılötesi termografi kullanarak CNN tabanlı sunucu durumu izleme ve arıza teşhisi

    BELTUS NKWAWİR WİYSOBUNRİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Bilim Dalı

    DR. ÖĞR. ÜYESİ HAMZA SALİH ERDEN

    PROF. DR. BEHÇET UĞUR TÖREYİN

  3. Tez No

    402032

    Multi-sensor fusion for induction motor aging analysis and fault diagnosis

    Başlık çevirisi yok

    ALİ SEYFETTİN ERBAY

    Doktora

    İngilizce

    İngilizce

    1999

    Elektrik ve Elektronik MühendisliğiThe University of Tennessee

    DR. BELLE R. UPADHYAYA

  4. Tez No

    720185

    Sürekli mıknatıslı senkron motorda demagnetizasyon arızasının evrişimsel sinir ağı ile tespiti

    Detection of demagnetization fault in permanent magnet synchronous motor with convolutional neural network

    BİNNAZ GÜNDOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Mekatronik MühendisliğiTokat Gaziosmanpaşa Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA EKER

  5. Tez No

    299432

    Novel data drıven-based fault detectıon for electromechanıcal and process control systems

    Elektromekanik ve proses kontrol sistemleri için yeni veriye-dayalı hata tespiti

    ALKAN ALKAYA

    Doktora

    İngilizce

    İngilizce

    2012

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLYAS EKER

Geri Dön