Sabit mıknatıslı senkron relüktans motorlarda makine öğrenmesi tabanlı arıza teşhisi
Machine learning based fault diagnosis in permanent magnet synchronous reluctance motors
- Tez No: 856521
- Danışmanlar: PROF. DR. ERHAN AKIN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kuramsal Temeller Bilim Dalı
- Sayfa Sayısı: 117
Özet
Sabit Mıknatıslı Senkron Relüktans Motorlar, yüksek verimlilik ve moment yoğunluğu, düşük bakım gereksinimi nedeniyle endüstriyel makineler, elektrikli araçlar, fan ve pompa uygulamaları olmak üzere çeşitli kullanım alanlarına sahiptir. SMSRM'lerde meydana gelebilecek arızalar motorun düzgün çalışmasını engeller ve verimliliğin düşmesine sebep olur. Bu durum sistemde kullanılan enerji kaynaklarının daha fazla yüklenmesi ve maliyetlerin artması anlamına gelir. Bu nedenle sistemde oluşabilecek arızaların önceden tespit edilmesi oldukça önemlidir. Bu tez çalışmasında, SMSRM'de farklı çalışma ve arıza tipleri için gerçek ölçüm sonuçları paylaşımlı veri tabanlarından kullanılarak makine öğrenmesi tabanlı yapay zekâ algoritmaları ile sınıflandırma yapılmıştır. Bunun için stator iki sargı arası kısa devre arızası oluşturulmuştur. Motora ait normal çalışma ve iki farklı büyüklükte kısa devre arızası sonucu meydana gelen akım ve titreşim verileri kullanılmıştır. Elde edilen bu veriler makine öğrenmesi algoritmaları olan ICA ve XGBoost, derin öğrenme algoritmaları olan LSTM, TDL ve CNN modelleri üzerinde eğitilmiştir. Bu tez çalışmasında kullanılan titreşim ve akım verileri ile ICA analizi yapılmış ve üst üste binen sinyallerin bu yöntemle ayrılabildiği saptanmıştır. XGBoost, LSTM, TDL ve CNN algoritmalarının değerlendirilmesi için doğruluk ve F skorları kullanılmıştır. Titreşim verilerinin sınıflandırılmasında LSTM modeli ile doğruluk oranı %92,02, XGBoost için 92,31, TDL için %98.54 ve CNN için de %99.34 olarak gerçekleşmiştir. F skoru değeri ise ortalama her algoritma için 0.90 üzerinde sonuç vermiştir. Akım verileri kullanılarak yapılan analiz sonuçlarında ise doğruluk oranları LSTM ve XGBoost modelleri için %89.88 iken, TDL için %98.24, CNN için %99.09 olarak gerçekleşmiştir. F skoru ise akım verileri kullanılarak eğitilen modeller için 0.90 üzerinde çıkmıştır.
Özet (Çeviri)
Permanent Magnet Synchronous Reluctance Motors have various application areas such as industrial machines, electric vehicles, fan and pump applications due to their high efficiency and torque density, low maintenance requirements. Faults that may occur in SMSRMs prevent the motor from operating properly and cause a decrease in efficiency. This situation means that the energy resources used in the system are more loaded and costs increase. Therefore, it is very important to detect the faults that may occur in the system in advance. In this thesis, real measurement results for different operation and fault types in an SMSRM are used from shared databases for classification with machine learning based artificial intelligence algorithms. For this purpose, a short circuit fault between two stator windings was created. Current and vibration data of the motor in normal operation and as a result of two different magnitude short circuit faults were used. These data were trained on machine learning algorithms ICA and XGBoost, deep learning algorithms LSTM, TDL and CNN models. In this thesis, ICA analysis was performed with the vibration and current data used and it was found that overlapping signals can be separated by this method. Accuracy and F scores were used to evaluate XGBoost, LSTM, TDL and CNN algorithms. In the classification of vibration data, the accuracy rate was 92.02% for the LSTM model, 92.31% for XGBoost, 98.54% for TDL and 99.34% for CNN. The average F score value was above 0.90 for each algorithm. In the analysis results using current data, the accuracy rates were 89.88% for LSTM and XGBoost models, 98.24% for TDL and 99.09% for CNN. The F score was above 0.90 for the models trained using current data.
Benzer Tezler
- Elektrikli araçlar için asenkron makinelerde rotor oluk geometrilerinin uzay harmonik ve işletme başarımı üzerine etkilerinin tespitine katkılar
Contributions to determine the effects of different rotor slot geometries on space harmonics and performance in induction machines for electric vehicles
ABDULSAMED LORDOĞLU
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Modelling longitudinal motion of an electric vehicle and wheel slip control through NN based uncertainty prediction
Elektrikli aracın boyuna hareketinin modellenmesi ve yapay sinir ağı tabanlı belirsizlik kestirimli tekerlek kayma kontrolü
DUYGU ÖZYILDIRIM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Elektrikli taşıtlarda kullanılan motorların dinamik modellenmesi, karşılaştırılması ve hata durumunda analizi
Dynamic modeling,comparison and fault analysis of electric motors used in electric vehicles
EMİR ALACA
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NECİBE FÜSUN OYMAN SERTELLER
PROF. DR. GÜVEN KÖMÜRGÖZ KIRIŞ
- Senkron relüktans motorlarda rotor tasarımı ile performans arttırılması
Performance enhancement of synchronous reluctance motors with rotor design
HELİN KAHRIMAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. FADIL KUYUCUOĞLU
- Senkron relüktans motorlarda kalıcı mıknatıs kullanarak performans arttırılması
Improving performance using permanent magnets in synchronous reluctance motors
MUSTAFA UFUKCAN URCAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FADIL KUYUCUOĞLU