Asenkron motorlarda çoklu hataların akım sıfır geçiş anı ile gerçek zamanlı tahmini
Real-time estimate of multiple faults in induction motors with current zero crossing instants
- Tez No: 821853
- Danışmanlar: PROF. DR. ABDÜLKADİR ÇAKIR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 186
Özet
Asenkron motorlar endüstride en yaygın kullanılan elektrik makinesidir. Bu sebeple, durum izleme teknikleri kullanılarak erken arıza tespiti önem arz etmektedir. Mevcut çalışmalarda asenkron motor arıza tespitinde, titreşim, akım, gerilim ve hız sinyalleri kullanılmaktadır. Temassız ve ilave sensör kullanımı gerektirmediği için motor arıza tespitinde tercih edilen ve yaygın olarak kullanılan yaklaşım, stator akımlarının frekans düzlemindeki analizine dayanmaktadır. Sensörsüz olarak gerçekleştirilen arıza tespit sistemlerinde kullanılan akım sinyal analizi birçok faktörden etkilenmekte ve düşük motor yüklerinde doğru sonuçlar elde edilememektedir. Bu tezde, asenkron motorlardaki rotor çubuk, şebeke dengesizliği ve eksenel kaçıklık arızalarının tespiti simülasyon ve deneysel olarak gerçekleştirilmiştir. Arızaların tekli, ikili ve üçlü kombinasyonları yapılarak eş zamanlı arızalar oluşturulmuştur. Arıza tespiti stator akımlarının sıfırdan geçiş anlarındaki (SGA) değişimin analizine dayanmaktadır. SGA sinyalinin düşük yük miktarlarından, şebeke dengesizliklerinden etkilenmemesi ve yüksek çözünürlüklü analog dijital dönüştürücü kullanımı gerektirmemesi en önemli avantajlarıdır. Motor akımından elde edilen SGA sinyalinin 2sf bileşen genliği kırık rotor çubuk arızası, 2f bileşen genliği şebeke dengesizliği, yüke bağlı olarak 2f>3f aralığındaki genlik değişimi ise eksenel kaçıklık arızası belirteci olarak kullanılmıştır. Çevrimiçi ve uzman yardımıyla yapılan arıza tespiti uzmana gerek kalmadan gerçek zamanlı olarak yapılmıştır. Asenkron motorun üç faz akımından elde edilen SGA değerleri, FPGA'da 1024 noktalı FFT'si alınmıştır. Rotor çubuk arızası, eksenel kaçıklık ve şebeke dengesizliğinin, tekli ve çoklu kombinasyonları yapılarak sağlam ve arızalı durumlara ait öznitelik çıkarılmıştır. Motorun sağlam ve arızalı durum kararları FPGA'da belirlenerek DMA FIFO yardımıyla Host'a (PC ve Mobil Cihaz) gönderilmektedir. Derin öğrenme yöntemi ile SGA sinyali analiz edilerek kırık rotor çubuğu, eksenel kaçıklık ve şebeke dengesizliği tahmin edilmiştir. Özgün tasarlanan derin öğrenme ağı için 25×300'lü 4 adet sınıf oluşturulmuştur. Geliştirilen ağın başarım oranlarının değerlendirilmesi için %70 eğitim, %30 test verisi oluşturulmuştur. Derin öğrenme ağında en yüksek başarı %98,89 şebeke dengesizliği, en düşük başarı ise %88,89 ile eksenel kaçıklık olmuştur. Derin öğrenme ağının başarım oranları ile destek vektör makinelerinin başarım oranları kıyaslanmış ve derin öğrenme tabanlı sınıflandırma daha yüksek başarı sağlamış ve sahada kullanılabilir olduğu görülmüştür.
Özet (Çeviri)
Induction motors are the most widely used electrical machine in industry. For this reason, early fault diagnosis using condition monitoring techniques is important. In current studies, vibration, current, voltage and speed signals are used in induction motor fault diagnosis. Since it is contactless and does not require the use of additional sensors, the preferred and widely used approach in motor fault diagnosis is based on the frequency domain analysis of stator currents. Current signal analysis used in sensorless fault diagnosis systems is affected by many factors and accurate results cannot be obtained at low motor loads. In this thesis, the detection of rotor bar, eccentricity and supply unbalance faults in induction motors are studied. Simultaneous faults are formed by considering single, double and triple combinations of faults. The fault diagnosis is based on the analysis of the change in zero-crossing times (ZCT) of the stator currents. In addition, the most important advantages of the ZCT signal are that it is not affected by low loads, grid imbalances and does not require the use of high-resolution analog-to-digital converters. The 2sf and 2f component amplitudes of the SGA signal obtained from the motor current are used as the broken rotor bar failure and the supply unbalance indicators, respectively. Depending on the load, the amplitude change in the range of 2f>3f is used as an eccentricity failure indicator. Without the need for an expert, fault detection is performed in real time. The 1024-point FFT of the SGA values which are obtained from the three-phase current of the induction motor is evaluated in the FPGA. In order to extract the features of correct and fault situations, single and multiple combinations of rotor bar, eccentricity and supply unbalance are generated. The correct and fault status decisions of the motor are determined in the FPGA and sent to the Host (PC and Mobile Device) with the help of DMA FIFO. Broken rotor bar, eccentricity and supply unbalance are predicted by analyzing the SGA signal with the deep learning method. For the originally designed deep learning network, 4 classes of 25×300 samples are created. To evaluate the performance of the developed network, 70% training and 30% test data are selected. In the deep learning network, the highest success is 98.89% belonging to supply unbalance, and the lowest success is 88.89% belonging to eccentricity. The performance of the deep learning network is compared with support vector machines. It is seen that deep learning-based classification achieved higher success and can be used in the real-time scenarios.
Benzer Tezler
- Çok istasyonlu ve çoklu tren setli bir metro hattının matematiksel modellemesi ve işletim senaryolarının karşılaştırılması
Mathematical modelling of a metro line with multistation and multiple train set and comparison of operational scenarios
ULAŞ CİHANGİR
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DERYA AHMET KOCABAŞ
- Asenkron motorlarda çoklu rotor çubuğu arızalarının evrişimsel sinir ağları yaklaşımı ile teşhisi
Diagnosis of multiple rotor bar faults in asynchronous motors using convolutional neural networks approach
FIRAT DİŞLİ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı
PROF. DR. MEHMET GEDİKPINAR
- Asenkron motorun çoklu fizik tasarımı
Multiple physics design of induction motor
SERHAT DOĞAN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. YASEMİN ÖNER
- Arıza teşhisinde destek vektör makinelerinin kullanımı
The using of support vector machines in fault diagnosis
SUNA YILDIRIM
Yüksek Lisans
Türkçe
2006
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ.DR. ERHAN AKIN
- An industrial internet of things application for real-time condition monitoring
Gerçek zamanlı durum izleme için endüstriyel nesnelerin internetiuygulaması
AYDIL JOMAA BAPIR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN