Geri Dön

Sabit mıknatıslı senkron relüktans motorlarda makine öğrenmesi tabanlı arıza teşhisi

Machine learning based fault diagnosis in permanent magnet synchronous reluctance motors

  1. Tez No: 856521
  2. Yazar: AYŞE BAYRAK
  3. Danışmanlar: PROF. DR. ERHAN AKIN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Kuramsal Temeller Bilim Dalı
  13. 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

  1. 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

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ

  2. 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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. OVSANNA SETA ESTRADA

  3. 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

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiMarmara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. NECİBE FÜSUN OYMAN SERTELLER

    PROF. DR. GÜVEN KÖMÜRGÖZ KIRIŞ

  4. Senkron relüktans motorlarda rotor tasarımı ile performans arttırılması

    Performance enhancement of synchronous reluctance motors with rotor design

    HELİN KAHRIMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiManisa Celal Bayar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FADIL KUYUCUOĞLU

  5. Senkron relüktans motorlarda kalıcı mıknatıs kullanarak performans arttırılması

    Improving performance using permanent magnets in synchronous reluctance motors

    MUSTAFA UFUKCAN URCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiManisa Celal Bayar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FADIL KUYUCUOĞLU