سنجش وضعیت در ماشین های الکتریکی با استفاده از شبکه های عصبی

ماشین های دوار و در میان آنها موتورهای القایی نقش مهم و کلیدی در صنعت دارند . این موتورها برحسب نوع کاربردشان در صنعت در برابر تنش های گوناگون قرار می گیرند که باعث خرابی استاتور یا رتور آنها می گردد و گاهی اوقات خرابی یک موتور منجر به تعط یلی یک کارخانه می شود . بنابراین اگر بتوان خرابی موتور را پیش بینی نمود و از گسترش خطا جلوگیری کرد، این کار فواید اقتصادی فراوانی در پی خواهد داشت . از آنجا که وقوع خرابی در هرماشین دوار باعث تغییر ارتعاشات آن ماشین میشود، سعی شده است از طریق آنالیز ارتعاشات سنجش وضعیت یک موتور الکتریکی یعنی وجود و یا عدم وجود عیوب مختلف حلقه به حلقه و کلاف به کلاف استاتور در ماشین القایی و در صورت معیوب بودن نوع آن تشخیص داده شود، همچنین به کمک آنالیز ارتعاشات میزان بار اعمالی به موتور هم تعیین گردد . در این راستا برای تشخیص خطای استاتور یک موتور سه فاز به نحو خاصی سیم بندی گردید بطوریکه انواع خ طاهای استاتور بر روی موتور قابل پیاده سازی باشد . ارتعاشات حاصل از کار موتور تحت شرایط عملکرد عادی، تحت بارها و عیب های مصنوعی مختلف اخذ و ویژگیهای مناسب استخراج و طبقه بندی بار و عیوب م ختلف توسط دو نوع شبکه عصبی بانظارت (LVQ) و بی نظارت (SOM) صورت گرفت . آزمایشات زیادی برای بهبود میزان صحت عیب یابی صورت گرفت که از آنجمله می توان به تعیین تاثیر نوع و طول بردار ویژگی، طول زمانی سیگنالهای آموزشی و آزم ایشی و نوع شبکه عصبی اشاره نمود . لیکن بهترین نتیجه بدست آمده برای کتاب کد 16×16 کلمه ای برای شبکه عصبی LVQ بدست آمد . مشاهده گردید که برای عیب یابی، شبکه های عصبی با یادگیری ب ا نظارت نسبتا بهتر عمل می کنند و در کل برای مدل کردن حالات موتور مناسب ترند . همچنین مشاهده شد که تعداد 20 ضریب ویژگی و نیز 600 میلی ثانیه سیگنال ارتعاشی مقادیر مناسبی برای مدل کردن حالات موتور توسط شبکه های عصبی بکار رفته در این تحقیق می باشند

کلیدواژه ها:

سنجش وضعیت ، آنالیز ارتعاشات ، عیب یابی موتورهای الکتریکی ، شبکه های عصبی ، بانک فیلتر ، آنالیز کپسترال