İlhan AYDIN, Mehmet KARAKÖSE, Erhan AKIN

KIRIK ROTOR ÇUBUĞU VE STATOR ARIZALARININ TEŞHİSİNDE YAPAY SİNİR AĞI YAKLAŞIMI

Başlama aşamasındaki arızalarının erken teşhisi ve tespiti asenkron motorların verimli çalışması ve çevrimiçi durum değerlendirmesi için önemlidir. Bu çalışmada asenkron motorlarda oluşan kırık rotor çubuğu ve stator arızalarını teşhis etmek için yapay sinir ağı tabanlı bir akıllı hesaplama tekniği sunulmuştur. Kırık rotor çubuğu ile ilgili özelliklerin çıkarımı için Fourier dönüşümüne dayalı motor akım imza analizi kullanılmıştır. Stator arızaları için ise park vektör dönüşümü ve temel bileşen analizi tabanlı bir özellik çıkarım işlemi yapılmıştır. Modeli gerçekleştirmek için ileri beslemeli bir yapay sinir ağı kullanılmıştır. Yapay sinir ağlarının öğrenme ve uyarlanabilme özellikleri sayesinde özelliklere göre arızaların sınıflandırılması sağlanabilir. Yapay sinir ağının girişlerini iki yan bant bileşeni ve stator için elde edilen özellik oluşturmaktadır. Yapay sinir ağının çıkışları ile sağlam durum, bir kırık rotor çubuğu, stator ve çoklu arızalar tespit edilebilmektedir. Arıza teşhisi için veriler deneysel olarak alınmış olup, yöntemin doğruluğu bu veriler ile doğrulanmıştır.

Anahtar Kelimeler:

Yapay sinir ağları, İşaret işleme, Asenkron motor, Arıza teşhisi ve tespiti

THE NEURAL NETWORK APPROACH IN DIAGNOSIS OF BROKEN ROTOR BAR AND STATOR FAULTS

The detection and diagnosis of induction motor faults in an early stage is important for fertile working and online evaluating condition of induction motors. In this study, an artificial neural network based intelligent computing method is proposed to detect broken rotor bar and stator faults in induction motors. A Fourier based motor current signature analysis is used to extract the broken rotor bar related features. A feature extraction based on park vector transformation and principal component analysis is done for stator faults. Classification of faults can be ensured by means of the learning and adapting capabilities of artificial neural networks. Two sideband components and the features obtained for stator faults constitute the inputs of artificial neural networks. Healthy motor condition, one broken rotor bar fault, stator fault and multiple faults can be detected with outputs of artificial neural networks. The signals are acquired from an experimental setup and the accuracy of method has been verified by this signals

Keywords:

Artificial neural networks, Signal processing, Induction motors, Fault diagnosis and detection,

PDF

___

Benbouzid M.E.H., Kliman G.B., What Stator Current Processing Based Technique to Use for Induction Motor Rotor Faults Diagnosis?, IEEE Trans. Energy Conv., 18( 2), 238–244, 2003.
Bellini A., Filippetti F., Tassoni C., Capolino G.A., Advances in Diagnostic Techniques for Induction Machines, IEEE Trans. On Industrial Electronics, 15(2), 4109-4126, 2008.
Chow M.Y., Methodologies of Using Neural Network and Fuzzy Logic Technologies for Motor Incipient Fault Detection, s. 140, World Scientific Publishing, Singapore, 1998.
Acosta G.G., Verucchi C.J., Gelso E.R., A Current Monitoring System for Diagnosing Electrical Failures in Induction Motors, Mechanical System and Signal Processing, 20, 953-965, 2006.
Bangura J.F., Povinelli R.J., Demerdash N.A.O., Brown R.H., Diagnostics of Eccentricities and Bar/End-Ring Connector Breakages in Polyphase Induction Motors Through a Combination of Time-Series Data Mining and Time-Stepping Coupled FE–State-Space Techniques, IEEE Transactions on Industry Applications, 39 ( 4), 1005-1013, 2003.
Yeh C., Povinelli R.J., Mirafzal B., Demerdash N.A.O., Diagnosis Of Stator Winding Inter-Turn Shorts in Induction Motors Fed by PWM-Inverter Drive Systems using a Time-Series Data Mining Technique, IEEE International Conference on Power System Technology, Singapore, 1-6, November 21-24, 2004.
Aydın I., Karakose M., Akin E., A Simple and Efficient Method for Fault Diagnosis Using Time Series Data Mining, IEEE Electrical Machines & Drives Conference, Antalya, 596-600, May 3-5, 2007.
Ondel O., Boutleux E., Clerc G., A Method to Detect Broken Rotor Bars in Induction Machine Using Pattern Recognition Techniques, IEEE Trans. on Industry Applications, 2( 4), 916-923, 2006.
Martins J.F., Pires V.F., Pires A.J., Unsupervised Neural-Network-Based Algorithm for an On-Line Diagnosis of Three-Phase Induction Motor Stator Fault”, IEEE Trans. On Industrial Electronics, 54 (1), 259-264, 2007.
Rodriguez P.V.J., Antero A., Detection of Stator Winding Fault in Induction Motor Using Fuzzy Logic, Applied Soft Computing, 8, 1112-1120, 2008.
Aydın İ., Karaköse M., Akın E., Zaman Serisi Veri Madenciliği ve Destek Vektör Makinalar Kullanan Yeni Bir Akıllı Arıza Sınıflandırma Yöntemi, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 23 (2), 431- 440, 2008.
Ayhan B., Chow M.Y., Song M.H., Multiple Signature Processing-based Fault Detection Schemes for Broken Rotor Bar in Induction Motors, IEEE Trans. on Energy Conversion, 20 (2), 336-343, 2005.
Haji M., Toliyat H.A., Pattern Recognition- A Technique for Induction Machines Rotor Fault Detection Eccentricity and Broken Bar Fault, IEEE Trans. on Energy Conversion, 16 (4), 312-317, 2001.
Nejjari H., Benbouzid M.E.H., Monitoring and Diagnosis of Induction Motors Using a Current Park’s Vector Pattern Learning Approach, IEEE Trans. on Industry Applications, 36 (3), 730-735, 2000.
Kecman V., Learning and Soft Computing: Support Vector Machines, neural Networks and Fuzzy Logic, s. 575, Oxford University, The MIT Press., 2001.
Nabiyev V.V., Yapay Zeka-Problemler, yöntemler, algoritmalar, , s. 724, Seçkin Yayıncılık, Ankara, 2003.
Kulkarni D.A., Computer Vision and Fuzzy-Neural Systems, s.504, Prentice Hall Ptr, New Jersey 2001.
Cooley J.W., Tukey, J.W., An Algorithm for Machine Calculation of Complex Series, J. of Mathematics of Computation, 19 (90), 297–301, 1965.