Deep convolutional neural network based broken magnet detection of PMSM using finite element analysis
Sonlu elemanlar analizi kullanarak PMSM'nin derin dönüşümlü sinir ağı tabanlı kırık mıknatıs tespiti
- Tez No: 834528
- Danışmanlar: DOÇ. DR. SALİH BARIŞ ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 97
Özet
Elektrikli makineler günümüzde oldukça sık kullanılmaktadır, bu da geçerlilik ve güvenlik ihtiyacını artırmaktadır. Özellikle görev açısından kritik uygulamalarda bu makinaların beklenmedik arızaları, onarılamaz sistem arızalarına neden olabilir. Elektrik makinelerindeki bu arızalar, tıbbi robotlarda, havacılıkta ve orduda insan hayatı üzerinde tehlikeli etkilere sahip olabilir. Karmaşık uygulamalara ek modüller eklemek, yüksek maliyet, hacim ve karmaşıklık ile sonuçlanır. Yapay Zeka (AI) ve özellikle Makine Öğrenimi (ML) ve Derin Öğrenme (DL) yöntemleri, sistem durumunun eş zamanlı ve sürekli olarak izlenmesinde ve makineler üzerinde periyodik olarak testler yapılarak arızaların sistemde tehlikeli bir hasara yol açmadan önlenmesi ve önceden tahmin edilmesinde veya insan sağlığı açısından önemli bir rol oynamaktadır. Yüksek ve düşük hızlarda dinamik çalışma, iyileştirilmiş güç yoğunluğu, düşük rotor ataleti nedeniyle kolay kontrol ve farklı paket ve boyutlarda bulunabilme özellikleri nedeniyle Kalıcı Mıknatıslı Senkron Motorlar (PMSM'ler) elektrikli araçlarda, robotikte, AC kompresörlerde ve büyük güç sistemlerinde birçok amaç için ileri ve geri güç faktörlerini iyileştirmek için yaygın olarak kullanılmaktadır. Motorlarda meydana gelen arızaların niteliğine göre genel olarak elektriksel, mekanik ve manyetik arızalar olmak üzere üç tip arıza sınıflandırılabilir. Motor sargılarının yanlış bağlanması, topraklama hataları, stator fazının (fazlarının) kısa devre olması, fazın (fazların) açık devre olması elektriksel arızalar sınıfındadır. Buna karşılık mil eğilmesi, somun gevşemesi/çıkması, yatak arızaları ve hava boşluğu eksantrikliği mekanik arızalar grubundadır. Ayrıca, yüksek sıcaklık, dengesiz stator akımı ve kararsız kısa devre akımı, bir tür manyetik arıza olan mıknatısların demanyetizasyonuna neden olur. Elektriksel ve mekanik arızaları anlamak için arıza imzalarının farklı özellikleri dahil olmak üzere çeşitli durumlar kapsamlı bir şekilde incelenir. Bu tezde, kırık/çatlak mıknatıs arızaları ve bunların PMSM değişkenlerine karşılık gelen yansımaları incelenmiştir. Sonlu elemanlar makine yaklaşımının 3B simülasyonu, farklı çatlak durumları için gerçekleştirilmiş ve sonuç olarak, diğer değişkenlerle karşılaştırılan çeşitli özellikler analiz edilmiştir. Sargı akımı dalga şekli, makinada çeşitli hasarlar oluştuğunda önemli farklılıklar gösterir. Bu çalışmada, mevcut gürültülü grafiklerden elde edilen veri seti PMSM'da çatlak tespiti için derin öğrenme tabanlı sinir ağı (DCNN) ile eğitilmiş ve test edilmiştir. Ansys Electronics ve Phyton programları ile PMSM'da çatlaklar tasarlanarak, uygulanmış, eğitilmiş, doğrulanmış ve DCNN ile test edilmiştir. Bu çalışmada, çatlak/kırık mıknatıs tahminindeki kesinlik, hatırlama, kayıp ve hesaplanan eğitim ve doğrulamadaki doğruluk seviyesi ölçülmüştür. Sonuç olarak, sargı akımı veri setlerine dayalı DCNN modeli ile 98.7 % eğitim doğruluğu ve 97.6% doğrulama doğruluğu elde edilmiştir. Ardından bu çalışmada, PMSM motorlarının çatlak tespitinde en iyi performans gösteren DCNN modellerinin entegrasyonu önerilmiştir.
Özet (Çeviri)
Electrical machines are used more frequently, which raises the need for good validity and safety. Unanticipated failures of these devices, especially in mission-critical applications, can result in irreparable system failures. These failures in electrical machines could have dangerous effects on human life in medical robotics, aerospace, and the military. Adding additional modules to complex applications results in high cost, volume, and complexity. Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL) technologies are essential for continuously monitoring system performance and running tests on machines regularly to anticipate and prevent potential failures that could cause harm to the system or people. PMSMs are becoming increasingly popular for a variety of applications due to their ability to operate at both high and low speeds, their improved power density, their low rotor inertia which makes them easy to control, and their availability in different packages and sizes. These motors are being used in electric vehicles. In general, three types of electrical, mechanical, and magnetic faults can be classified according to the nature of the faults in motors. The class of electrical faults includes incorrect connection of the motor windings, grounding errors, short circuits of the stator phases, and open circuits of the entire phases. In contrast, mechanical faults such as shaft bending, bolt loss, bearing faults, and air gap eccentricity are all grouped together. In addition, excessive heat, imbalanced stator current, and fluctuating short-circuit currents can lead to the weakening of magnets, a type of magnetic malfunction. Different parameters of PMSM are thoroughly studied to understand electrical and mechanical faults. In this thesis, broken magnet faults and their corresponding reflectance on the variables of PMSM motors are investigated. The 3D simulation of the finite element machine approach is carried out for different shapes of cracks, and as a result, several characteristics are analyzed compared to the other variables. The winding current shows a significant difference by implementing various damages. In this research, the deep convolutional neural network (DCNN) was performed for broken magnet detection and classification in PMSM by using the data set obtained from simulation current curves. Ansys Electronics and Phyton design, implement cracks, train, validate, and test DCNN in PMSM motors. In this study, we have measured precision, recall, loss and calculated training and validation accuracies in prediction. As a result, 99.8% training accuracy and 98.9% validation accuracy were achieved with the DCNN model based on winding current data sets. Subsequently, the study proposed the integration of the best-performing DCNN models in the crack detection of PMSM motors.
Benzer Tezler
- Uçuşa elverişlilik için derin öğrenme yöntemi ile pist yüzeyi çatlak tespiti yaklaşımı
Deep learning based runway surface crack detection approach for airworthiness
FATMANUR GÜVEN
Yüksek Lisans
Türkçe
2023
Havacılık MühendisliğiErciyes ÜniversitesiSivil Havacılık Ana Bilim Dalı
PROF. DR. ALPER BAŞTÜRK
- 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
ALPER SENEM
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞENİZ ERTUĞRUL
- Deep convolutional neural network based unconstrained ear recognition
Derin evrişimsel sinir ağı tabanlı kısıtsız kulak tanıma
FEVZİYE İREM EYİOKUR
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- Deep convolutional neural network based representations for person re-identification
Kişiyi yeniden tanıma için derin evrişimsel sinir ağı tabanlı modeller
ALPER ULU
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- Periodontal hastalıkların güncel sınıflamaya (2018) uygun tanısı için derin evrişimsel sinir ağı tabanlı bir karar sistemi tasarımı
A deep convolutional neural network based decision system for the diagnosis of periodontal diseases according to the current clasification (2018)
KÜBRA ERTAŞ
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiSüleyman Demirel ÜniversitesiPeriodontoloji Ana Bilim Dalı
PROF. DR. ZUHAL YETKİN AY