Sabit mıknatıslı senkron motorda yapay zeka yöntemleri ile mekanik hataların teşhisi

Abstract

Elektrik motorları endüstride en sık kullanılan tahrik elemanlarının başında gelmektedir. Elektrik motorlarının arızalanmaları hem üretim kapasitesini düşürür hem de maliyetleri yükseltir. Bu yüzden elektrik motorlarının izlenmesi ve öngörülü bakım son zamanlarda üzerinde durulan en önemli konulardan biri olmuştur. Bu motorlardan birisi olan ve cam sanayinden tekstile, savunma sanayinden robot uygulamalarına kadar çok geniş bir kullanım alanına sahip olan Sabit Mıknatıslı Senkron Motorların da sürekli izlenmesi oldukça önemlidir.Yapılan çalışmalara göre elektrik motorlarının arızalarının yaklaşık %50' si mekaniksel arızalardan (Rulman arızası, eksenden kaçıklık, mekanik rotor arızası) kaynaklanmaktadır. Mekaniksel arızaların tespitinde motorlara ait akım, titreşim gibi sinyaller izlenmekte zaman, frekans, zaman-frekans boyutunda analizler yapılarak tespitler yapılmaktadır. Tespit çalışması ile açığa çıkarılan öznitelik vektörlerini kullanarak arızaların teşhis ve sınıflandırılması yapay zekâ yöntemleri ile başarılı şekilde yapılmaktadır. Asenkron motorlar üzerine bu alanda birçok çalışma mevcuttur. Sabit Mıknatıslı Senkron Motorlar için literatürde Hızlı Fourier Dönüşümü ile arıza tespitine yönelik çalışma olmasına karşın Alfa-Beta dönüşümü ve Ani akım-hızın izlenmesi yöntemleri ile yapılan bir çalışmaya rastlanmamıştır. Aynı zamanda bu motorlar için yapay zekâ yöntemleri ile arıza teşhisi ilk olarak bu çalışmada yapılmıştır. Yapılan tez çalışması bu yönleri ile bir ilk olma niteliği taşımaktadır.Bu çalışmada, Sabit Mıknatıslı Senkron Motorda eksenden kaçıklık ve rulman arızası deneysel olarak çalışılmıştır. Motora ait akım, gerilim, hız ve elektromanyetik tork sinyalleri beş farklı yük ve üç farklı hız değerinde izlenmiştir. İzlenen sinyallerin Hızlı Fourier dönüşümü, Alfa-Beta dönüşümü ve Ani akım-hızın izlenmesi yöntemleriyle öznitelik vektörleri oluşturulmuştur. Elde edilen öznitelik vektörleri ise Radyal Tabanlı Fonksiyon Ağları ve Çok Katmanlı İleri Beslemeli Ağ eğitiminde kullanılarak motor durumu izlenmiş ve arıza teşhisi gerçekleştirilmiştir.Sonuç olarak kullanılan örüntü tanıma yöntemlerinin eksenden kaçıklık ve rulman arızalarını izlemede ve teşhiş etmekte %90' lar civarında bir başarı sergilediği sonucuna varılmıştır. Üç farklı tespit yöntemi (Hızlı Fourier dönüşümü, Alfa-Beta dönüşümü ve Ani akım-hızın izlenmesi) iki farklı teşhis yöntemiyle (Radyal Tabanlı Fonksiyon Ağları ve Çok Katmanlı İleri Beslemeli Ağ) birlikte kullanılmıştır. Sonuçta; Hızlı Fourier Dönüşümü ve Alfa-Beta Dönüşümü sonuçlarının Çok Katmanlı İleri Beslemeli ağ yapısıyla, Ani akım-hızın izlenmesi yöntemiyle elde edilen sonuçların da Radyal Tabanlı Ağ yapısı ile başarılı olduğu bilgisi gözlemlenmiştir.

Electric motors are one of the main power machines used in industry. Electric motor faults decrease production capacity while increasing cost. Therefore, monitoring electric motors and estimated maintenance on the subjects on which researchers focus on in recent times. Permanent Magnet Synchronous Motors (PMSM), one of the motors used in textile, glass and military industries in addition to robotic applications, should be continuously monitored.According to the studies, approximately 50% of the faults of electric motors are caused by mechanical faults (bearing faults, eccentricity, and mechanical rotor fault). The signals of current, vibrations, etc. are monitored to detect mechanical faults. Then, time, frequency, time-frequency domains are analyze to decide the type of those faults. Attribute vectors obtained after determination step are used with artificial intelligence to prognosis and classify the faults. There are several studies on asynchronous motors. There are the fault determination based on Fast Fourier Transform; however, any study related to fault determination based on Clarke Concordia and Instantaneous current-speed monitoring has not been seen for PMSM in the literature. The fault determination based on artificial intelligence methods has been done in this study for the first time. This dissertation thesis is the first study in this area.In this thesis, the eccentricity and bearing fault in PMSM were studied experimentally. The current, voltage, speed and electromagnetic torque signals were monitored under five different loads and three different speed values. The attribute vectors were obtained by using Fast Fourier Transform, Clarke Concordia and Instantaneous current-speed monitoring. These attribute vectors were used in training Radial Basis Function and Multi Layer Fed forward Neutral Network and then the faults were detected by these neural network models.As a result, pattern recognition methods were90% successful in monitoring and detecting eccentricity and bearing faults. There different determination methods (Fast Fourier Transform, Clarke Concordia and Instantaneous current-speed monitoring) were separately used with two different prognosis methods (Radial Basis Function and Multi Layer Fed forward Neutral Network). In the results Fast Fourier Transform and Clarke Concordia worked well with Multi Layer Fed forward Neutral Network while Instantaneous current-speed monitoring worked well with Radial Basis Function.