Geri Dön

Sürekli mıknatıslı senkron motorda demagnetize ve stator sarımlar arası kısa devre arızalarının tespiti için yöntem geliştirilmesi

The development of method for detection of demagnetised and stator interturn short circuit faults in permanent magnet synchronous motor

PDF İndir

  1. Tez No: 856509
  2. Yazar: TİMUR LALE
  3. Danışmanlar: PROF. DR. BİLAL GÜMÜŞ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Sürekli mıknatıslı senkron motor, Sarımlar arası kısa devre arızası, demagnetize arızası, Evrişimsel sinir ağı (CNN), Çok katmanlı yapay sinir ağları (MLP), Destek vektör makinaları (SVM), Permanent magnet synchronous motor, inter-turn short circuit fault, demagnetisation fault, convolutional neural network (CNN), multilayer artificial neural networks (MLP), support vector machines (SVM)
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 115

Özet

Sürekli Mıknatıslı Senkron motorlar (SMSM'ler) yüksek verimlilik, kompakt tasarım ve yüksek güç yoğunluğu gibi özellikleri sayesinde otomotiv, havacılık ve ulaşım endüstrilerinde yaygın olarak kullanılmaktadır. Kritik tahrik sistemlerinde kullanılan SMSM'lerde meydana gelebilecek potansiyel arızaların erken aşamada tespit edilmesi sistemin güvenirliği ve sürdürebilirliği açısından önemlidir. Bu tezde SMSM'deki demagnetize ve stator sarımlar arası kısa devre arızaların erken aşamada tespit edilmesi için yöntemler geliştirilmiştir. SMSM'deki sarım kısa devre arıza (KDA) tespitinde ve KDA şiddetinin sınıflandırılmasında kullanılabilecek sarım KDA göstergelerinin elde edilmesi için deneysel çalışmadan elde edilen moment sinyaline Hızlı Fouirer Dönüşümü (FFT) uygulanmıştır. Moment sinyali sağlıklı, %2 KDA, %12,5 KDA ve %25 KDA durumlarında harmonikleri açısından frekans düzleminde analiz edilmiştir. Sarım KDA durumlarındaki momentin 2.ve 4.harmonik bileşenlerinin genlikleri sağlıklı duruma göre artmıştır. Motorun farklı yükleme ve çalışma hızlarının tümünde momentin 2.ve 4.harmonik genlikleri sarım KDA şiddetinin artmasıyla artmıştır. Bundan dolayı momentin 2.ve 4.harmonik bileşenleri SMSM'de sarım KDA tespitinde kullanılabilecek yeni sarım KDA göstergeleri olarak önerilmiştir. Önerilen moment tabanlı sarım KDA göstergeleri makine öğrenme yöntemlerinde kullanılarak sarım KDA tespiti ve KDA şiddetinin sınıflandırılması yapılmıştır. Makine öğrenme yöntemlerinde çok katmanlı yapay sinir ağları (MLP), destek vektör makinaları (SVM), k-en yakın komşuluk yöntemi (KNN) ve karar ağacı (DT) kullanılmıştır. MLP, SVM, KNN ve DT algoritmalarıyla SMSM'deki sarım KDA teşhisi sırasıyla %100, %99,30, %97,91 ve %95.48 doğrulukla tahmin edilmiştir. Önerilen moment tabanlı sarım KDA teşhis yöntemi literatürdeki akım ve gerilim tabanlı KDA teşhis yöntemleriyle karşılaştırılmıştır. Önerilen moment tabanlı sarım KDA teşhis yöntemin akım ve gerilim tabanlı KDA teşhis yöntemlerine göre daha başarılı sonuçlara ulaşmıştır. SMSM'deki demagnetize arızasının (DMA) tespiti için deneysel çalışmadan elde edilen sağlıklı, %5 DMA ve %10 DMA durumlardaki akım ve moment sinyallerine FFT uygulanmıştır. Motor sinyalleri farklı yükleme ve farklı çalışma hızlarında kaydedilmiştir. Demagnetize arızası durumlarındaki akımın 11.harmonik genliği ve momentin 6.ve 12.harmonik bileşen genlikleri sağlıklı duruma göre artmıştır. Bu artış motorun farklı yükleme ve çalışma hızlarında da gerçekleşmiştir. Bundan dolayı akımın 11.harmonik bileşeni ve momentin 6.ve 12.harmonik bileşenleri SMSM'deki demagnetize arıza tespitinde kullanılabilecek yeni göstergeler olarak önerilmiştir. SMSM'deki demagnetize ve sarım kısa devre arızaların tespiti, arıza türünün ve şiddetinin sınıflandırılması için derin öğrenme yöntemlerinden geliştirilmiş tek boyutlu evrişimsel sinir ağı (1B-CNN) kullanılmıştır. Önerilen 1B-CNN derin ağ modelinde stator ham üç faz akım sinyalleri kullanılmıştır. Önerilen 1B-CNN yöntemiyle SMSM'deki DMA ve sarım KDA tespiti, arızaların birbirinden ayırt edilmesi ve arıza şiddetinin sınıflandırılması yaklaşık %98 doğrulukla tahmin edilmiştir.

Özet (Çeviri)

Permanent Magnet Synchronous Motors (PMSMs) are widely used in automotive, aerospace and transport industries due to their high efficiency, compact design and high power density. Early detection of potential failures in PMSMs used in critical drive systems is important for the reliability and sustainability of the system. In this thesis, methods are developed for early detection of demagnetised and stator winding short circuit faults in SMSMs. Fast Fouirer Transform (FFT) was applied to the torque signal obtained from the experimental study to obtain turn short circuit fault (SCF) indicators that can be used in turn SCF detection and SCF severity classification in PMSM. The torque signal was analysed in the frequency domain in terms of harmonics for healthy, 2% SCF, 12.5% SCF and 25% SCF conditions. The amplitudes of the 2nd and 4th harmonic components of the torque in turn SCF conditions increased compared to the healthy condition. The amplitudes of the 2nd and 4th harmonic components of the torque increased with increasing turn SCF severity at all different loading and operating speeds of the motor. Therefore, the 2nd and 4th harmonic components of the torque are proposed as new turn SCF indicators that can be used for winding SCF detection in PMSM. The proposed moment-based turn SCF indicators are used in machine learning methods to detect turn SCF and classify the severity of SCF. Multilayer artificial neural networks (MLP), support vector machines (SVM), k-nearest neighbour method (KNN) and decision tree (DT) were used in machine learning methods. MLP, SVM, KNN and DT algorithms predicted the turn SCF in PMSM with 100%, 99.30%, 97.91% and 95.48% accuracy, respectively. The proposed torque-based turn SCF diagnosis method is compared with current and voltage-based SCF diagnosis methods in the literature. The proposed torque-based turn SCF diagnosis method has achieved more successful results than current and voltage-based SCF diagnosis methods. In order to detect the demagnetised fault (DMF) in the PMSM, FFT was applied to the current and moment signals obtained from the experimental study in healthy, 5% DMF and 10% DMF conditions. Motor signals were recorded at different loading and different operating speeds. The 11th harmonic amplitude of the current and the 6th and 12th harmonic component amplitudes of the torque in the demagnetised fault conditions increased compared to the healthy condition. This increase also occurred at different loading and operating speeds of the motor. Therefore, the 11th harmonic component of the current and the 6th and 12th harmonic components of the torque are proposed as new indicators for demagnetised fault detection in PMSM. The one-dimensional convolutional neural network (1D-CNN) developed from deep learning methods is used for the detection of demagnetised and winding short-circuit faults in PMSM and classification of fault type and severity. Stator raw three phase current signals are used in the proposed 1D-CNN deep network model. With the proposed 1D-CNN method, detection of DMF and winding SCF in PMSM, differentiation of faults and classification of fault severity are predicted with an accuracy of approximately 98%.

Benzer Tezler

  1. Tez No

    856759

    Sensorless speed control of ipmsm drive using high frequency signal injection with a simplified demodulation process

    Yüksek frekans sinyal enjeksiyon yöntemi ve basitleştirilmiş gerimodülasyon ile sürekli mıknatıslı senkron motorun sensörsüz kontrolü

    BERK TAŞGIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SALİH BARIŞ ÖZTÜRK

  2. Tez No

    458861

    Mıknatıslı anahtarlamalı relüktans makinesinin kontrolü ve performans analizi

    Control and performance analysis of permanent magnet switched reluctance machine

    FARUK DURAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. FUAT KÜÇÜK

  3. Tez No

    485346

    Sürekli mıknatıslı senkron motorda algılayıcısız kontrol yöntemini geliştirmeye katkılar

    Contributions to improve the method of sensorless control of PMSM

    GÖKHAN ALTINTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. DERYA AHMET KOCABAŞ

  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

    733533

    Sürekli mıknatıslı senkron motorda akı sinyali kullanılarak stator sargı arızası teşhisi

    Stator winding fault diagnosis using flux signal in permanent magnet synchronous motor

    RUMEYSA SELÇUK AKSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZAFER DOĞAN

Geri Dön