Görüntüleme
17
İndirme
2
Elektrik makinalarının arızalarının erken tespitinin yapılmaması, felaketle sonuçlanabilecek arızalara neden olduğu bilinmektedir. Endüstride en çok kullanılan motorların asenkron motorlar olması sebebiyle durum izleme ve arıza tespiti bu makinalar üzerine yoğunlaşmıştır. Oysa hassas hız ve konum kontrolü gerektiren uygulamalarda sürekli mıknatıslı motorların (SMSM) kullanılmaya başlanmasıyla birçok araştırmacı bu motorların arıza tespiti çalışmaları yaygınlaştı. SMSM’lerin hassas hız ve konum kontrolü kabiliyetleri tamamen sağlıklı çalışmalarına bağlıdır. En küçük bir arıza sonucu bu hassasiyet kaybolabileceğinden bu tür motorlarda arızanın erkenden tespit ve teşhis edilebilmesi çok önemlidir. Bu çalışmada SMSM’lerde sıkça meydana gelen stator izolasyon arızasının erken evrede arıza tespiti için bir boyutlu yerel ikili desenler (1b-YİÖ) tabanlı öznitelik çıkarım yöntemi kullanılmıştır. Bu amaçla sağlıklı ve farklı kısa devre arıza oranlarına sahip SMSM’lerdenlabview programı tabanlı veri toplama kartı ile moment verileri alınmıştır. Sağlıklı ve arızalı motorlardan alınan moment işaretlerine1b-YİÖ uygulanmış ve histogramları elde edilmiştir. Elde edilen histogramlar ile sağlıklı ve arızalı motorların öznitelikleri oluşturularak aşırı öğrenme makinesi (AÖM) yöntemi ile işaretler sınıflandırılmıştır. Arızanın tespitinin erken evrede yapılabilmesi için önerilen bu yaklaşım ile oldukça büyük bir başarı sağlandığı görülmüştür. Bu amaçla üretilen farklı arıza şiddetine sahip motorların farklı hız ve yüklenme koşulları altında yapılan deneyler ile yöntemin başarısı doğrulanmıştır. Böylece daha önce literatürde olmayan bir yöntem ile SMSM’nin stator izolasyon arızasının tespiti yüksek güvenirlikli ve başarıyla yapılmıştır.
The lack of early detection of electrical machinery defects is known to cause disasters that may result in a catastrophe. Because the most used engines in the industry are asynchronous engines, the situation monitoring and failure detection are focused on these machines. However, with the continuous use of magnetic engines (SMSMs) in applications that require accurate speed and position control, many researchers have spread the failure detection work of these engines. The accurate speed and position control skills of SMSMs are completely dependent on their healthy work. As a result of the smallest failure, this sensitivity can be lost, it is very important that the failure in such engines can be detected and diagnosed early. In this study, a dimension-based local binary patterns (1b-YÖ) for the early detection of the stator isolation failure that often occurs in SMSMs were used. For this purpose, healthy and different short-circuit failure rates from SMSMs have been taken with the labview program-based data collection card and moment data. The moment signs taken from healthy and defective engines were applied1b-YÖ and the histograms were obtained. Obtained histograms and the properties of healthy and defective engines are classified by the method of overlearning machine (AÖM). This approach suggested to detect the failure in the early stages has been achieved with a great success. The success of the method has been confirmed by experiments conducted under different speeds and charging conditions of the engines with different failure severity produced for this purpose. Thus, the detection of the stator isolation defect of SMSM with a method not previously in literature has been done with high reliability and success.
Failure in earlydetection of faults of electricalmachines is knowntocausecatastrophicmalfunction. As inductionmotorsaremostcommonmotors in industry, conditionmonitoringandfaultdetectionareconcentrated on thesemachines. However, withtheuse of permanentmagnetmotors (PMSM) in applicationsrequiringprecisespeedandpositioncontrol, manyresearchershavestudiedthefaultdetection of motors. Theprecisespeedandpositioncontrolcapabilities of thePMSMstotallydepend on theirhealthyoperation. Since thisprecision can be lostduetotheslightestfailure, it is veryimportanttodetectanddiagnosethefaultearly on suchmotors. Inthisstudy, a featureextractionmethodbased on onedimensionallocalbinarypattern (1D-LBP) methodwhich is a distinctivemethod, has beenusedforfeatureextraction. It has beenproposedforfaultdetection of earlystage stator insulationfaultoccurringfrequently in PMSMs. Inthisstudy, torquedatawereobtainedfromPMSMswithhealthyanddifferentshortcircuitfaultrates. 1b-YİÖwasappliedtothesedata, andthehistograms of torquesignalswereobtained. Healthyandfaultymotorscould be classified at highsuccessratesapplyingone of theextremelearningmachine (ELM) technique, tohistograms. Using thesefeatures, ELM method is usedtoclassifythesignals. It has beenobservedthatgreatsuccess has beenachievedwiththisapproach in ordertodetectthefault in an earlystage. Thesuccess of themethod has beenconfirmedbyexperimentsperformedunderdifferentspeedandloadingconditions of motorswithdifferentfaultseverities.
Alan : Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
