|
پایان نامه تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی
پایان نامه تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی
|
|
| دسته بندی | برق ،الکترونیک و مخابرات |
| فرمت فایل | doc |
| حجم فایل | 12615 کیلو بایت |
| تعداد صفحات فایل | 130 |
پایان نامه تشخیص خطای سیم بندی استاتور با آنالیز موجک و شبکه عصبی
پایان نامه برای دریافت درجه کارشناسی ارشد" M.Sc"
مهندسی برق - قدرت
چکیده:
در این پایان نامه ابتدا عیوب الکتریکی و مکانیکی در ماشینهای الکتریکی بررسی گردیده و عوامل به وجود آورنده و روشهای رفع این عیوب بیان شده است . به دنبال آن ، به کمک روش تابع سیم پیچی ماشین شبیه سازی و خطای مورد نظر یعنی خطای سیم بندی استاتور به آن اعمال و نتایج مورد بررسی قرار داده شده است. پارامتر اصلی که برای تشخیص خطا در این پایان نامه استفاده کرده ایم ، جریان سه فاز استاتور در حالت سالم و خطادار ،تحت بارگذاری های مختلف خواهد بود.
در قسمت بعدی تئوری موجک و همچنین شبکه عصبی مورد بررسی قرار گرفته است . مادر اینجا از برای استخراج مشخصات سیگنال استفاده کرده ایم ، مهمترین دلیلی که برای استفاده از این موجک داریم خاصیت متعامد بودن و پشتیبانی متمرکز سیگنال در حوزه زمان می باشد. شبکه عصبی که برای تشخیص خطا استفاده کرده ایم ، شبکه سه لایه تغذیه شونده به سمت جلو با الگوریتم آموزش BP و تابع فعالیت سیگموئیدی می باشد . در فصل چهارم روش تشخیص خطای سیم بندی استاتور در ماشین القایی بیان شده است که به صورت ترکیبی از آنالیز موجک و شبکه عصبی لست. روند کلی تشخص خطا به این صورت می باشد که ابتدا از جریان استاتور ماشین در حالت سالم و همچنین تحت خطاهای مختلف که در فصل دوم بدست آورده ایم استفاده شده و تبدیل موجک بروی آن اعمال گردیده است.سپس با استفاده از ضرایب موجک مقادیر انرژی در هر مقیاس استخراج و به عنوان ورودی شبکه عصبی جهت آموزش دادن آن برای تشخیص خطای سیم بندی استاتور مورد استفاده قرار گرفته است. در نهایت به کمک داده های تست، صحت شبکه مذکور مورد بررسی قرار داده شده است. در نهایت نتیجه گیری و پیشنهادات لازم بیان گردیده است.
با توجه به مطالب اشاره شده نتیجه می شود که با تشخیص به موقع هر کدام از عیوب اوّلیه در ماشین القایی می توان از پدید آمدن حوادث ثانویّه که منجر به وارد آمدن خسارات سنگین می گردد ، جلوگیری نمود . در این راستا سعی شده است که با تحلیل ، بررسی و تشخیص یکی از این نمونه خطاها، خطای سیم بندی استاتور یک موتور القایی قفس سنجابی ، گامی موثر در پیاده سازی نظام تعمیراتی پیشگویی کننده برداشته شود و با بکارگیری سیستم های مراقبت وضعیت بروی چنین ماشینهایی از وارد آمدن خسارات سنگین بر صنایع و منابع ملی جلوگیری گردد.
مقدمه:
موتورهای الکتریکی نقش مهمی را در راه اندازی موثر ماشینها و پروسه های صنعتی ایفا می کنند. بخصوص موتورهای القایی قفس سنجابی را که بعنوان اسب کاری صنعت می شناسند. بنابراین تشخیص خطاهای این موتورها می تواند فواید اقتصادی فراوانی در پی داشته باشد. از جمله مدیریت کارخانه های صنعتی را آسان می کند، سطح اطمینان سیستم را بالا می برد، هزینه تعمیر و نگهداری پایین می آید و نسبت هزینه به سود بطور قابل توجهی کاهش می یابد.
Bonnett و Soukup برای خرابیهای استاتور موتورهای القایی سه فاز قفس سنجابی، پنج حالت خرابی مطرح کرده اند که عبارت اند از: حلقه به حلقه، کلاف به کلاف، قطع فاز، فاز به فاز و کلاف به زمین[1]. برای موتورهای قفس سنجابی، خرابیهای سیم پیچی استاتور و یاتاقانها کل خرابیها به حساب می آیند و همچنین اکثر خرابیهای سیم پیچی استاتور موتور القایی از فروپاشی عایقی حلقه به حلقه ناشی می شود]2[. برخی از محققین خرابیهای موتور را چنین تقسیم بندی کرده اند: خرابی ساچمه ها ( یاتاقانها) %40-50، خرابی عایق استاتور %30-40 و خرابی قفسه روتور %5- 10 [3] که اگر خرابی حلقه به حلقه جلوگیری نشود، منجر به خطای فاز به زمین یا فاز به فاز می گردد، که خطای فاز به زمین شدید تر است. در مقالات[4] [5] نظریه تابع سیم پیچی و کاربرد آن در آنالیز گذرای موتورهای القایی تحت خطا شرح داده شده است. از این نظریه در مدلسازی خطای حلقه به حلقه استاتور استفاده شده است. علاوه بر روشهای فوق خطای استاتور موتور القایی را می توان به کمک بردارهای فضایی مورد مطالعه قرار داد[6].
فهرست مطالب
چکیده.............................................................................................1
مقدمه..........................................................................................2
فصل اول: بررسی انواع خطا در ماشینهای القایی و علل بروز و روشهای تشخیص آنها
1-1-مقدمه........................................................................................3
1-2-بررسی انواع تنشهای وارد شونده بر ماشین القایی...................................4
1-2-1-تنشهای موثر در خرابی استاتور.......................................4
1-2-2- تنشهای موثر در خرابی روتور.................................5
1-3- بررسی عیوب اولیه در ماشینهای القایی.........................................8
1-3-1- عیوب الکتریکی اولیه در ماشینهای القایی...........................10
1-3-2- عیوب مکانیکی اولیه در ماشینهای القایی...........................................17
فصل دوم: مدلسازی ماشین القایی با استفاده از تئوری تابع سیم پیچ
2-1-تئوری تابع سیم پیچ....................................................................21
2-1-1-تعریف تابع سیم پیچ......................................................21
2-1-2-محاسبه اندوکتانسهای ماشین با استفاده از توابع سیم پیچ.......................26
2-2-شبیه سازی ماشین القایی....................................................29
2-2-1- معادلات یک ماشین الکتریکی باm سیم پیچ استاتور و n سیم پیچ روتور............32
2-2-1-1-معادلات ولتاژ استاتور...................................................32
2-2-1-2- معادلات ولتاژ روتور.....................................................33
2-2-1-3- محاسبه گشتاور الکترومغناطیسی...........................................35
2-2-1-4- معادلات موتور القای سه فاز قفس سنجابی در فضای حالت...................36
2-3- مدلسازی خطای حلقه به حلقه و خطای کلاف به کلاف........................44
فصل سوم: آنالیز موجک و تئوری شبکه های عصبی
3-1-تاریخچه موجک ها..........................................................54
3-2-مقدمه ای بر خانواده موجک ها.....................................................54
3-2-1-موجک هار..................................................................55
3-2-2- موجک دابیشز..........................................................................55
3-2-3- موجک کوایفلت..................................................................56
3-2-4- موجک سیملت..........................................................................56
3-2-5- موجک مورلت..................................................................................56
3-2-6- موجک میر..............................................................................57
3-3- کاربردهای موجک.....................................................................57
3-4- آنالیز فوریه...............................................................................58
3-4-1- آنالیز فوریه زمان-کوتاه..........................................................58
3-5-آنالیز موجک..............................................................................59
3-6- تئوری شبکه های عصبی...................................................................69
3-6-1- مقدمه.......................................................................................69
3-6-2- مزایای شبکه عصبی..............................................................69
3-6-3-اساس شبکه عصبی.......................................................69
3-6-4- انواع شبکه های عصبی.................................................................72
3-6-5-آموزش پرسپترونهای چند لایه......................................................76
فصل چهارم:روش تشخیص خطای سیم بندی استاتور در ماشین القایی(خطای حلقه به حلقه)
4-1- اعمال تبدیل موجک....................................................................79
4-2- نتایج تحلیل موجک.......................................................................81
4-3- ساختار شبکه عصبی...............................................................94
فصل پنجم: نتیجه گیری و پیشنهادات..
نتیجه گیری.....................................................................................97
پیشنهادات.........................................................................................98
پیوست ها....................................................................................99
منابع و ماخذ فارسی......................................100
منابع لاتین...................................................................................101
چکیده لاتین................................................................................105
مراجع فارسی
]37] جعفر میلی منفرد، فرامرز سامانی و بابک معنوی خامنه " مدلسازی و شبیه سازی موتور القایی دو قفسه به کمک نظریه تابع سیم پیچ"، هفتمین کنفرانس مهندسی برق ایران1387.
]38] حمید رضا اکبری رکن آبادی، " تعمیم نظریه تابع سیم پیچ به منظور در نظر گرفتن اثر اشباع در مدلسازی ماشین القایی" ، پایان نامه کارشناسی ارشد، خرداد 1384، دانشگاه صنعتی امیر کبیر.
[39] محمد اسمعیلی فلک ،"آشنایی با ویولت و کاربردهای آن در سیستمهای قدرت" پروژه کارشناسی دانشگاه آزاد واحد اردبیل ،بهار87
[40] آلفرد مرتینز، ترجمه دکتر محمد حسن مرادی, " ویولت، فیلتر بانک، تبدیل زمان فرکانس و کاربردهای آنها" انتشارات دانشگاه پلی تکنیک تهران , زمستان 84
[41] مصطفی کیا، "شبکه های عصبی در matlab "انتشارات خدمات نشر کیان رایانه سبز زمستان 1387
[42] پروفسور رابرت جی. شالکف، ترجمه دکتر محمود جورابیان، "شبکه های عصبی مصنوعی" انتشارات دانشگاه شهید چمران اهواز، سال 1382
فهرست منابع و ماخذ لاتین
[ 1] Austin H. Bonnet ; George G . Soukup, “Cause and analysis of stator and rotor failures is 3 phase squirrel cage induction motors” IEEE trans-on Industry application vol 28, no. 7, july 1992.pp 921-237.
[2] Thorsen, O.V. and Dalva, M, “Condition monitoring methods, failure identification and analysis for high voltage motors in petroche mical Industry”, electrical machines and Drives, eight International conference.1997.
[3] R.M. Mccoy, R.M., P.F. Albrecht, J.C. Appiarius, E.L. Owen, “Improved motors for utility applications,” volume 1: Industry assessment study update and analysis”. EPRIEL – 4286 (RP – 1763 –2), 1985
4[4] Hamid A.Tolyiat, Thomas A. Lipo, “Transient analysis of cage induction machines under stator, rotor bar and end ring faults”, IEEE trans. On energy conversion, vol 10 no. 2 june 1995.
[5] Gojko Joksimovic, Jim Penman, “The detection of interturn short circuits in the stator windings of operating motors.” 1998 IEEE.
[6] G. Gentile, A. Ometto, N. Rotondale, C. Tassoni, “A.C. Machine performances in faulted operations”, 1994 IEEE.
[7] B.Yazici, G.B.Kliman, W.j.Premerelani, R. A. koegl, G.B.robinson and A.Abdel-malek, “An adaptive, online, statistical method for bearing fault detection using stator current”, proceeding of the IEEE-IAS Annual meeting conference, New Orleans, LA, oct. 5-9, 1997,pp.213-22.
[8] Subhasis. Nandi, “Fault analysis for condition monitoring of induction motors”, Jadavpur university, Calcutta, India; (may 2000).
[9] K. Abbaszadeh, J. Mili monfared, M. Haji, H. A. Toliyat, “Broken bar detection in induction motor via wavelet transformation”, the 27 th Annual conference of the IEEE industrial electronics society, 2001,0 -7803 – 7108 -9/01
[10] P.J.Tavner and J.penman, “Condition monitoring of electrical machines,” Research studies press ltd, uk,1987
1 Gorden R.[11] Slemon, “Modelling of induction machines for electric drives”, IEEE Transaction on industry applications 1989.
2[12] Thomson, W.T, “ Industrial application of current signature analysis to diagnose fault in 3-phase squirrel cage induction motors” pulp and paper industry thechnical conference, conference record of 2000, pp 205-211.
[13] G. Stone and j. Kapler, “Stator winding monitoring”, IEEE industry applications magazine, vol.4,no.5,pp.15-20, sept/oct,1998.
[4] G. Jok Simovic and J. Penman, “The detection of interturn short circuits and in the stator winding of operating motors” proceedings of the IEcon” 98 conference, 31 aug -4 sep, A achen, Germany.1998,pp.1974-1979.
[15] M. E. H Benbouzid, M. Vieira, C. Theys “Induction motors faults detection and localization using stator current advanced signal processing techniques” IEEE transactions on power electronics, vol.14,no1,pp.14-22, jan,1999.
[16] S. Nandi, H. A. Toliyat, “ Fault diagnosis of electrical machines- a reviw” , proceeding of the IEMD’99 conference, seattle, WA, May 9-12, 1999,pp.219-221.
[17] S. Williamson and P. Mirzoian, “ Analysis of cage induction motor with stator winding faults”, IEEE transaction on power apparatus and system, vol.104,no 7, pp.1838-1842, july,1985.
[18] Wilson, R“Wavelets? ” on Application of wavelet transform in Imag processing IEEE colloguium on published 1993
[19] Yung-Da-wang; Paulik ,M.j“Discrete wavelet for target recognition”circuit and system , 1996,IEEE 39 th Midwest symposium on published 1996,vol 2
[20] Liao wei, Han pu, “ Wavelet neural network aided on-line detection and diagnosis of rotating machine fault,”2008 chinese control and decision conference .( CCDC 2008) ,978 - 1- 4244 -1734 -6/08
[[21] Xu Long- yun, Rui Zhi-yuan and Feng Rui-cheng, “Gear faults diagnosis based on wavelet neural networks,” Proceeding of 2008 IEEE international conference on Mechatronics and Automation, 978- 1 -4244 -2632 -4/08
[22] Qing Yang, Lei gu, Dazhi Wang and Dong Sheng ww, “Fault diagnosis approach on probabilistics neural network and wavelet analysis,” proceedings of the 7th world congress on intelligent control on automation’ June 2008, Chongqing, china,978 -1 -4244 -2114 -5/08
[23] Bei- Ping Hou, Wen Zhu, Xin-Jian, xing-yao Shang, “Applied study of electromotor fault diagnosis based on wavelet packets and neural network,” Proceedings of the Fifth
international conference on machine learning and cybernetics, Dalian, August 2006, 1- 4244- 0060- 0/06
[24] F. Filippetti, G. Franceschini, C. Tassoni, “ Neural networks aided on-line diagnostics of induction motor faults” , proceeding of IEEE-IAS Annual Meeting conference,pp.316-323, vol 1, Toronto, Canada, oct.2-8,1993.
[25] Kuihe Yang, Ganlin Shan, Lingling Zhao, “Application of wavelet packet analysis and probabilistic neural networks in fault diagnosis” proceeding of the 6th world congress on intelligent control and Automatiou, June 2006, Dalian, china.
[26] Zhen Liu, Hui Lin and Xin Luo, “Intelligent built in test fault diagnosis based on wavelet analysis and neural network, “ proceeding of the 6th world congress on intelligent control and automation’ june 2006, Dalian china,1- 4244- 0332- 4/06
[27] Shie Qian, “Introduction to time-frequency wavelet transform”, china Machine press , January 2005
[28] Sun Fang, Wei Zijie “Rolling bearing fault diagnosis based on wavelet packet an RBF neural network” , proceeding of the 26th chinese control conference’ july 2007, Zhangj iajre, Hunan, china.
[29] Satish Kumar, “Neural network,” publishing tsinghua university , August 2006
[30] He, Y., Shen , S.,' Ying, H.,' Liu , Z. “Application of wavelet packet decomposition and its energy spectrum on The fault diagnosis of reciprocation machinery”, zhendong Gongcheng Xuebao/ jurnal of vibration Engineering ,Vol , 14,n1,pp.12-75,March 2001
[31] Hsin H, Lic. “Adaptive training algorithm for back-propagation neural networks” IEEE transactions on systems ' Man and cybemetics , 1995,25(3) : 512-524
[32] Y. c. Pati, p. s. Krishna Prasad, “Analysis and synthesis of feedforward neural networks using discrete affine wavelet transformation”, IEEE Trans. Neural network , 1993,4,(1) , pp. 73-85
[33] Liu Qipeny, Yu Xiao Ling, Feng Quanke “Fault diagnosis using wavelet neural network” neural processing letters 18: 115 c123,2003
[34] Wei Xing, Shu Nat- qiu, OcuI Peng – cheng, “Power transform fault integrated diagnosis based on improved pso- Bp neural network and D-S Evidential Reasoning [j]”, automation of electric power systems , vol 30,pp.46-50,2006
[35] Zhen Liu, Huilin, Xin Luo, “Intelligent built-in test fault diagnosis based on wavelet analysis and neural networks”, proceeding of the 6Th world congress on intelligent control and Automation , june 2006 , Dallion , china
[36] Bao- Jia chen, Lili, Xin-Ze Zhao, “Fault diagnosis method integrated on scale – wavlet power spectrum, rough set and neural network”, international conference on wavelet analysis and pattern recognition, china , Nov 2007,1- 4244- 1066- 5/07
چکیده انگلیسی:
Abstract : Based upon wavelet transformation analysis and BP neural network , a method for the fault diagnosis of stator winding is proposed . Firstly wavelet transformation was used to decompose vibration time signal of stator to extract the characteristic values-wavelet transformation energy, and features were input in to the BPNN. After training the BPNN could be used to identify the stator winding fault (turn to turn fault) patterns.
Seven typical turn to turn fault as 10 turn, 15 turn, 20turn, 26turn,31turn and 35 turn were studied. The result showed that the method of BPNN with wavelet transformation could not only detect the exiting of the fault in stator winding, but also effectively identify the fault patterns.
Key Words: wavelet transformation, BP network, stator winding, fault diagnosis
