Tekerlek içi elektrik motorlarında yapay zeka tabanlı arıza teşhisi

Abstract

Elektrik motorları yaygın kullanımıyla insan hayatının vazgeçilmez bir parçasıdır. Tekerlek içi elektrik motorları elektrik enerjisi ile ulaşım sektörünün kesişim noktasında, ulaşım sektöründe gittikçe yaygınlaşacağı ön görülen BLDC (brushless direct current, fırçasız doğru akım) motorlardır. Tekerlek içi elektrik motorları, yapıları itibariyle elektrikli araçlarda kullanıma uygundur. İnsan hayatı ile doğrudan veya dolaylı yollarla bağlantılı olan ulaşım sektörü büyük öneme sahiptir. Bu sebeple tekerlek içi elektrik motorlarının daha az devre dışı kalan ve güvenli motorlar olması gerekmektedir. Tekerlek içi elektrik motorları için arıza teşhisi çalışmalarının amacı motorun daha güvenilir ve verimli olmasını sağlamaktır. Bunun için, motorların devre dışı sürelerinin hızlı atlatılması gerekmektedir. Bu tez çalışmasında, öncelikle arızalı durumlar arasında farklar oluşturabilecek giriş değişkenleri belirlenmiş, yapay zeka tekniklerinin giriş değişkenleri olarak tespit edilmiştir. Tasarlanan ve gerçekleştirilen test ve deney düzeneği sayesinde, tekerlek içi elektrik motorunun arıza teşhisi için yapay zeka tekniklerinin giriş değişkenleri olarak belirlenen tork, devir sayısı, besleme akımı, faz akımları ve besleme gerilimi gibi değişkenlerin ölçümlerinin yapılabilmesi ve motorun mekanik olarak yüklenebilmesi sağlanmıştır. Arıza teşhisi çalışması için ileri beslemeli geri yayılımlı yapay sinir ağı, kaskat ileri beslemeli yapay sinir ağı, Elman yapay sinir ağı, katman yinelemeli yapay sinir ağı ve bulanık mantık yöntemi kullanılmıştır. Kullanılan yapay zeka tekniklerinin başarı düzeyleri, gerçekleştirilen testlerle ölçülülüp karşılaştırılarak, en başarılı sonuçları veren yapay zeka tekniği, gerçek zamanlı arıza teşhisinde de uygulanmıştır. Arıza teşhisi sisteminin çıkışı olarak tespit edilen bulanık mantık için 6 durum ve yapay sinir ağları için 14 durum (13'ü arıza, 1'i normal), yüksek başarı yüzdeleriyle teşhis edilmiştir. İleri beslemeli yapay sinir ağı en başarılı ağ olarak tespit edilmiştir. Daha sonra, tasarlanan gerçek zamanlı arıza teşhisi sistemine dahil edilen ileri beslemeli yapay sinir ağı, 14 ayrı durumun teşhisini başarıyla gerçekleştirmiştir. Bu çalışma, tekerlek içi elektrik motorlarında oluşabilecek arızaların başlangıç aşamasında teşhisi sayesinde, arızaların genişlemesi engellenerek arıza ve bakım maliyetinin düşürülmesi, verimi düşüren arızaların teşhisi sayesinde verim artışı ve motorların daha güvenli kullanımı konularında katkılar sağlayacaktır.

Electrical motors are a commonly used indispensable part of human life. Hub motors (in-wheel BLDC motors) are the members of BLDC (Brushless Direct Current) motors family, located at the intersection point of transportation area and electrical energy. They are also used in electrical vehicles and expected to be used more frequently in time. Hub motors are suitable for electrical vehicles structurally. Transportation is very important because of direct and indirect relation with human life. Therefore, hub motors must be more reliable and must be operating with less downtimes. The aim of fault diagnosis studies for hub motors is to make the hub motors more reliable and efficient. Hence, less downtime position for hub motors can be achieved. In this thesis, input variables of artificial intelligence techniques were determined firstly for detecting the differences of various faults by detecting the differences of input signals. Test set was designed for acquiring the determined data of torque, speed, source current, coil currents and source voltage as input variables for fault diagnosis of hub motor. Loading the hub motor mechanically is also possible with this test set. Feed-forward backpropagation neural network, cascade feed-forward neural network, Elman neural network, layer recurrent neural network and fuzzy logic based systems were designed and used for fault diagnosis of hub motor. Success percentages for fault diagnosis of all artificial intelligence techniques were tested and compared with eachother to choose the best performance technique for designing a real-time fault diagnosis system. Feed-forward backpropagation neural network was detected as the most successful artificial intelligence technique and used in the designed real time fault diagnosis system. 14 situations as 13 faults and normal situation, were successfully diagnosed. This study supports hub motors about safety and efficiency, with diagnosis of faults at beginning phase, with decreasing maintenance-mending costs, and with diagnosis of faults which reduce efficiency.