پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 43 |
| تعداد شمارهها | 1,684 |
| تعداد مقالات | 13,780 |
| تعداد مشاهده مقاله | 32,311,987 |
| تعداد دریافت فایل اصل مقاله | 12,775,518 |
تشخیص و جداسازی هوشمند عیوب موتورالقایی سیستم الکتروپمپ با استفاده از ترکیب داده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| هوش محاسباتی در مهندسی برق | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مقاله 3، دوره 13، شماره 2، تیر 1401، صفحه 15-26 اصل مقاله (1.48 M) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی فارسی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22108/isee.2021.122344.1359 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| سعید جورکش1؛ جواد پشتان* 2؛ حمیده جعفری1 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1کارشناسی ارشد، مهندسی برق کنترل، دانشگاه علم وصنعت ایران، تهران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2استاد، مهندسی برق کنترل، دانشگاه علم وصنعت ایران، تهران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| در این مقاله، عملکرد شبکۀ عصبی در تشخیص و جداسازی وضعیتهای موتورالقایی (سالم، عیب حلقۀ بیرونی یاتاقان، اتصال کوتاه سیمپیچی استاتور و شکستگی میلۀ روتور) با استفاده از ترکیب اطلاعات سیگنالهای جریان و ولتاژ پیش پردازش شده با آنالیز مؤلفههای مستقل بررسی شده است. همچنین، مقاومبودن روش پیشنهادی در حضور اغتشاشات (نامتعادلی منبع تغذیه و خشک کار کردن پمپ) بررسی شده است. نتایج حاصل از آزمایش نشان میدهند روش ترکیب دادۀ عصبی با قابلیت اطمینان زیادی، عیوب ذکرشده را تشخیص میدهد و نسبت به اغتشاشات موجود، عملکرد مقاومی دارد. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژهها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| آنالیز مؤلفههای مستقل؛ موتورالقایی؛ ترکیب دادۀ عصبی؛ تشخیص و جداسازی عیب | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
1- مقدمه[1] پایش وضعیت و عیبیابی در سیستمهای مکانیکی با هدف جلوگیری از بروز آسیبهای جدی در تجهیزات و پیشگیری از توقفهای ناخواسته اهمیت ویژهای دارد. استفاده از سیگنالهای جریان و ولتاژ در زمینۀ تشخیص عیوب موتورالقایی بسیار رایج است. روشهای مختلفی برای آشکارسازی و تشخیص عیب نظیر روشهای مبتنی بر سیگنال، روشهای مبتنی بر مدل، روشهای هوشمند و روشهای مبتنی بر ترکیب داده وجود دارد [1]. در این میان، شبکههای عصبی مصنوعی که از روشهای هوشمند محسوب میشوند، یکی از روشهاییاند که بهخوبی برای تشخیص و عیبیابی خودکار شرایط موتور به کار رفتهاند [2]. بهمنظور جلوگیری از افزونگی اطلاعات، بهتر است به جای استفادۀ مستقیم از دادههای اندازهگیریشدۀ اولیه، از ترکیب مجموعه ویژگیهای استخراجشده از این دادهها استفاده شود. در [3] مناسبترین ویژگیها از ویژگیهای بهدستآمده از سیگنال جریان خط و ارتعاش استاتور استخراج شده و با استفاده از ترکیب خطی وزندار عیب ناهممحوری موتورالقایی تشخیص داده شده است. با وجود سادگی این روش، معمولاً تعیین مقدار اولیۀ وزنهای نسبت داده شده به دادهها، ویژگیها یا تصمیمات ازجمله مشکلات اصلی آن به شمار میرود. در [4] برای تشخیص عیب یاتاقان در موتور الکتریکی از همبستگی متقابل و طیف کورتوسیس استفاده شده است. سپس ویژگیها با آنالیز مؤلفههای اصلی (PCA) از هم تفکیک و برای ترکیب به الگوریتم نزدیکترین همسایگی (KNN) ارسال شدهاند. در [5] مجموعه ویژگیهای ناشی از دادههای صوتی، ارتعاش و جریان با استفاده از تبدیل فوریه و تبدیل هیلبرت به دست آمده و با آنالیز مؤلفههای اصلی مجموعه ویژگیهای مناسب انتخاب شدهاند. سپس با الگوریتم ماشین بردار پشتیبان (SVM)، عیب یاتاقان و ناتوازنی فاصلۀ هوایی موتورالقایی تشخیص داده شده است. با توجه به اینکه روش آنالیز مؤلفههای اصلی سیگنال یک شبکۀ عصبی برگشتناپذیر است، خروجی در این روش بررسی نمیشود؛ ازاینرو، اشکال روش پیشنهادی فوق این است که روش آنالیز مؤلفههای اصلی در کاهش ابعاد فضای ویژگی، تنها به دادههای ورودی توجه میکند و خروجی سیستم طبقهبندیکننده را ملاحظه نمیکند. همچنین، اگر بُعد اطلاعات بررسیشده زیاد باشد، ماشین بردار پشتیبان در فاز یادگیری و ارزیابی بسیار کند عمل میکند. در [6] عملکرد شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان برای تشخیص عیب یاتاقان با ترکیب ویژگیهای زمانی سیگنال ارتعاش بررسی شده که نشاندهندۀ عملکرد با قابلیت اطمینان بالای شبکۀ عصبی مصنوعی بوده است. مرجع [7] عیب یاتاقان و روتور موتورالقایی را با استفاده از تئوری ترکیب تشخیص داده است. تبدیل فوریه از سیگنالهای جمعآوریشده گرفته شده است و سپس طیف انرژی فرکانسی با پنج ضریب اهمیت متفاوت به دست آمده و بهعنوان ورودی شبکۀ عصبی پایۀ شعاعی (RBF) استفاده شده است و نتایج حاصل از شبکۀ عصبی با تئوری شهودی (D-S) با هم ترکیب شدهاند و حالت سیستم مشخص شده است. مرجع [8] راهکاری برای افزایش قابلیت اعتماد تشخیص عیب سیمپیچی استاتور با ترکیب سیگنالهای جریان سهفاز استاتور با استفاده از تئوری شهودی برای تعیین وضعیت موتورالقایی استفاده کرده که عیب را با قابلیت اطمینان بالایی تشخیص داده است؛ ولی در تشخیص فاز معیوب سیمپیچی استاتور عملکرد خوبی نداشته است. مرجع [9] با در نظر گرفتن عیوب موتورالقایی الکتروپمپ از تئوری ترکیب انتگرال فازی در سطح تصمیم و ویژگی استفاده کرده که با قابلیت اطمینان بالایی توانسته است عیبها را تشخیص دهد. ازجمله چالشهای موجود در روشهای فازی، تعریف قوانین فازی و فرایند تنظیم پارامترهای سیستم فازی است که اغلب نیاز به زمان نسبتاً طولانی دارد؛ بهویژه اگر تعداد قوانین فازی در سیستم زیاد باشد [10]. در این مقاله، با توجه به روش پیشنهادی در مرجع [4] که از آنالیز مؤلفههای اصلی برای جداسازی استفاده شده است، برای بهبود عملکرد فرآیند جداسازی و به حداقل رساندن میزان وابستگی و کاهش بعد سیگنالهای ورودی، از آنالیز مؤلفههای مستقل (ICA) استفاده میشود. پس از استخراج ویژگیها، برای انتخاب ویژگیهای مناسب از روش درخت تصمیم استفاده شده است که براساس آنتروپی عمل میکند تا نسبت به مرجع [5] که ویژگیهای مناسب با استفاده از آنالیز مؤلفههای اصلی انتخاب شدهاند، عملکرد بهتری داشته باشد؛ این ویژگیها بهعنوان ورودی شبکۀ عصبی شعاعی برای تشخیص و جداسازی عیوب در نظر گرفته میشوند. همچنین، برای ترکیب از سیگنالهای سهفاز جریان و ولتاژ استفاده شده است تا با قابلیت اطمینان بالایی عیوب مختلف موتورالقایی، تشخیص داده و از هم جداسازی شوند. همچنین، علاوه بر تشخیص عیوب سیستم [6]، عملکرد شبکۀ عصبی در جداسازی عیوب و تشخیص محل دقیق اتصال کوتاه سیمپیچ استاتور بررسی میشود.
2- آنالیز مؤلفههای مستقل دادههای ورودی در یک سیستم ازطریق سنسورها جمعآوری میشوند. با توجه به ماهیت سنسورها این اطلاعات ممکن است ناقص، نامعین و دارای تداخل باشند که به کاهش دقت در ارزیابی وضعیت سیستم منجر میشود. در این مقاله، از آنالیز مؤلفههای مستقل سیگنال برای جداسازی سیگنالها و کاهش اثر تداخل سیگنالها و نیز کاهش اثر نویز استفاده شده است. آنالیز مؤلفههای مستقل، یک تکنیک آماری بهمنظور آشکارسازی ساختار حقیقی دادهها است. در این تکنیک، دادههای چندبُعدی بهصورت ترکیب خطی از چندین متغیر مجهول فرض میشوند؛ این متغیرها مستقل و غیرگوسی فرض شده و به اجزای مستقل دادههای مشاهدهشده موسوماند. در اینجا مستقلبودن به این معنی است که مؤلفههای مستقل هیچگونه اطلاعاتی راجع به یکدیگر نمیدهند [12،13]. مدل کلی آنالیز مؤلفههای مستقل بهصورت رابطه (1) نوشته میشود:
ماتریسی مجهول موسوم به ماتریس ترکیب است و را ماتریس دادههای مؤلفۀ مستقل و را ماتریس دادههای متغییر اندازهگیریشده مینامند. یک مسئله پایۀ آنالیز مؤلفههای مستقل، تخمینزدن ماتریس مؤلفههای مستقل یا ماتریس ترکیب از ماتریس دادههای اندازه گیریشده بدون داشتن هر اطلاعاتی از است. الگوریتم آنالیز مؤلفههای مستقل، مؤلفههای مستقل را از مجموعه دادهها با ماکزیمم و مینیمم کردن تعدادی از اندازههای اجزای مستقل پیدا میکند. نخستین گام در آنالیز مؤلفههای مستقل پیش سفیدکردن بردار دادههای اندازهگیریشده با یک تبدیل خطی برای ایجاد یک بردار است که دارای عناصری است که متقابلاً ناهمبسته و دارای واریانس واحدند. برای این منظور، تجزیۀ مقادیر منفرد از ماتریس کواریانس با رابطه (2) محاسبه میشود:
در اینجا ماتریس قطری از مقادیر منفرد و ماتریس بردار منفرد متناظر است. سپس بردار بهصورت رابطه (3) بیان میشود:
در اینجا یک ماتریس متعامد است که رابطه (4) را ارضا میکند:
ازجمله مزایای استفاده از روش مبتنی بر تجزیۀ مقادیر منفرد در پردازش اولیه دادهها این است که تا حد امکان، نویز را با حذف مقادیر منفرد کوچکتر کاهش میدهد؛ ازاینرو، مسئلۀ بالا را از یافتن یک ماتریس اختیاری مرتبه کامل به یک مسئلۀ سادهتر تبدیل میکند و آن یافتن یک ماتریس متعامد است که پارامترهای کمتری به دلیل قید تعامد برای تخمینزدن دارد. در گام دوم، یک ماتریس جداکننده که بردار دادههای اندازهگیریشده را به یک بردار انتقال میدهد، تعریف میشود؛ به طوری که همۀ مؤلفههای ، متقابلاً وابسته و دارای واریانس واحد باشند. سپس با توجه به بیشینۀ مقدار کشیدگی مشخص میشود؛ به طوری که بردار ویژگیهای مورد نیاز را برای مؤلفۀ مستقل بهصورت رابطه (5) داراست:
با استفاده از رابطه (3) مقدار با رابطه (6) تخمین زده میشود:
رابطه (7) از روابط (5،6) برای محاسبه و بهصورت زیر به دست میآید:
هر ستون بردار برای محاسبه با یک حدس اولیه، مقداردهی و سپس مقدار آن به گونهای بهروزرسانی میشود که -امین مؤلفۀ مستقل بهصورت بیشینۀ غیرگوسی باشد. طبق قضیۀ حد مرکزی آماری، غیرگوسیبودن، مستقلبودن را نشان میدهد [7].
3- انتخاب ویژگیهای مناسب برای تشخیص عیببرای تشخیص عیوب موتورالقایی با استفاده از ترکیب دادۀ عصبی، قبل از هر چیز انتخاب تعداد کافی از ویژگیهای مناسب که توانایی توصیف وضعیت سیستم را داشته باشند، امری ضروری است. تعداد این ویژگیها در صورتی که بیش از تعداد مورد نیاز انتخاب شوند، به صرف زمان و هزینۀ مضاعف برای تحلیل وضعیت موتور با شبکۀ عصبی منجر خواهند شد. همچنین، اگر تعداد مشخصهها کمتر از تعداد لازم انتخاب شوند (درواقع تعدادی از ویژگیهای کلیدی را از دست خواهد رفت)، اطلاعات کافی برای تشخیص عیوب به دست نخواهد آمد. در این مقاله، از اطلاعات آماری دادهها در حوزۀ زمان برای به دست آوردن ویژگیهای سیگنال اندازهگیریشده استفاده شده است. ویژگیهای بهکاررفته براساس توزیع نمونههای سیگنال محاسبه میشوند. با توجه به اینکه بسیاری از این ویژگیها بر مبنای گشتاور به دست میآیند، اگر تغییری در وضعیت سیگنال ایجاد شود، گشتاور تغییر خواهد کرد؛ بنابراین، این ویژگیها اطلاعات لازم را بهمنظور تشخیص عیب دارند. ازجمله ویژگیهای بهدستآمده بر مبنای گشتاور میانگین، انحراف معیار، چولگی و نقطه اوج سیگنالاند که بهترتیب طبق روابط (8) محاسبه میشوند.
در روابط فوق ، i_امین داده زمانی سیگنال و N تعداد نمونههای سیگنال است. انحراف معیار نشاندهندۀ چگونگی گسترش توزیع سیگنال است. نقطۀ اوج سیگنال درحقیقت میزان صافبودن سیگنال را در مقایسه با توزیع نرمال نشان میدهد [10]. یکی دیگر از ویژگیهای مهم زمانی سیگنالها مقدار مؤثر است که محتوای توانی سیگنال را اندازهگیری میکند.
مقدار مؤثر معمولاً برای دنبالکردن سطح نویز کلی استفاده میشود و در آشکارسازی عیب ناتعادلی در ماشینهای دوار بسیار مؤثر است [10]. علاوه بر این ویژگیها، میتوان به پارامترهای مشهور بدون بُعد در حوزۀ زمان نظیر ضریب شکل و ضریب قله اشاره کرد.
که در آن ، و بهترتیب مقدار مؤثر، نرم بینهایت و مقدار اوج سیگنالاند. ضریب قله برای آشکارسازی تغییرات ارتعاشات ضربهای مانند شکستن دندانههای یک چرخدنده استفاده میشود [10]. آنتروپی در تئوری اطلاعات بیانکنندۀ نامعینی است. تخمین آنتروپی یک فرآیند دو مرحلهای است که ابتدا باید هیستوگرام نمونهها تخمین زده شود، سپس آنتروپی از رابطه زیر به دست آید.
که در آن، عرض هیستوگرام نمونهها، سیگنال گسسته زمان و توزیع کل سیگنال است [10]. پس از استخراج ویژگیها، این ویژگیها با استفاده از شبکۀ عصبی ترکیب میشوند تا وضعیت سیستم تشخیص داده شود.
4- استفاده از شبکۀ عصبی برای طبقهبندی عیوب از ویژگیهای مهم ترکیب اطلاعات، افزایش قابلیت اطمینان نسبت به عملکرد سیستم است که در شرایط وجود عدم قطعیت و نادقیقی، عملکرد پذیرفتنی دارد و نیز با توجه به خاصیتهای اصلی شبکههای عصبی، یعنی تخمین قدرتمند توابع غیرخطی و قابلیت یادگیری تطبیقی، در این تحقیق از شبکۀ عصبی پایۀ شعاعی (شکل1) استفاده شده است که قابلیت طبقهبندی غیرخطی عیوب را دارد [14]. مراکز توابع شعاعی در شبکۀ عصبی با الگوریتم میانگین ( ) تعیین شده است. همچنین، از الگوریتم نزدیکترین همسایگی برای تعیین شعاع مراکز توابع شعاعی استفاده شده است. این شبکۀ عصبی دارای یک لایۀ پنهان با 40 نرون است که وزنهای اولیۀ شبکۀ عصبی بهصورت تصادفی انتخاب شدهاند.
شکل (1): شبکۀ عصبی پایۀ شعاعی
قبل از پردازش، برای بهترشدن فرآیند آموزش و بالابردن دقت کلاسهبندی، دادهها بهوسیلۀ شبکۀ عصبی نرمالسازی شدهاند؛ بنابراین، تبدیلی روی دادههای ورودی به شبکه انجام شد تا اینکه دادهها در فاصله [1و0] و [1و1-] قرار گیرند. در این تحقیق، دادهها در فاصله [1و1-] و طبق رابطه (13) نرمال شدهاند.
که در این رابطه، بهترتیب مقادیر بیشینه و کمینهها هستند. در بین تمام عیوب، 60 درصد دادهها برای آموزش شبکۀ عصبی، 20 درصد دادهها برای اعتبارسنجی و 20 درصد برای تست شبکۀ عصبی اختصاص داده شده است.
5- سیستم آزمایشگاه سیستم آزمایشگاهی در این مقاله، موتورالقایی دو قطبی با توان چهار کیلو وات و ولتاژ 380/220 ولت است که پمپ گریز از مرکز، بار برای آن در نظر گرفته شده است (در شکل2 قابل مشاهده است). برای ایجاد عیوب سیمپیچی استاتور، سیمپیچهای استاتور موتورالقایی مطابق (شکل 3) باز و دوباره بسته شدهاند. در سیمپیچی مجدد، تعدادی از این سیمپیچها از قاب موتور خارج شدهاند. با توجه به اینکه تشخیص عیب سیمپیچی استاتور در همان لحظات اولیه بهمنظور جلوگیری از داغشدن و از بین رفتن عایق آن دارای اهمیت است، در این تحقیق، کمترین درصد، عیب اتصال کوتاه سیمپیچی استاتور در نظر گرفته شده است. همچنین، برای ایجاد عیب یاتاقان، یکی از یاتاقانهای موتور از روتور، جدا و سپس روی حلقۀ بیرونی آن سوراخ کوچکی مطابق (شکل 4) ایجاد شده است. همچنین، با ایجاد سوراخی روی یکی از میلههای روتور، مطابق (شکل 5)، روتور معیوب شده است. عیوب بررسیشده (عیب اتصال کوتاه سیمپیچ استاتور، عیب یاتاقان و شکستگی میلۀ روتور) بهصورت جداگانه روی موتور، اعمال و سیگنالهای جریان و ولتاژ موتور در هر وضعیت جمعآوری شدهاند. سپس با جایگزینکردن قطعۀ سالم در موتور، سیستم برای بررسی عیب دیگر، مجدد ارزیابی شده است.
شکل (2): سیستم آزمایشگاهی
الف) وضعیت سالم ب) وضعیت معیوب شکل (3): استاتور موتورالقایی
الف) وضعیت سالم ب) وضعیت معیوب شکل (4): یاتاقان موتورالقایی
الف) وضعیت سالم ب) وضعیت معیوب شکل (5): روتور موتورالقایی
در این تحقیق، برای اندازهگیری سیگنالهای سهفاز جریان و ولتاژ از سنسور LV25-P ,P/SPI LA-55 استفاده شده است. دادههای نمونهبرداریشده توسط سنسورها ازطریق کارت داده ADVANTECH PCI-1711 و رابط با رایانه انتقال داده میشوند. دادهگیری در مدت زمان 10 ثانیه و با ماکزیمم فرکانس دادهگیری 1 کیلوهرتز انجام شده که طی آن 10000 داده جمعآوری شده است. برای افزایش دقت دادهگیری، این فرآیند برای هر وضعیت 20 بار تکرار شده است. هر یک از 20 مورد اندازهگیری نهایی این تحقیق، متعلق به عیب خرابی یاتاقان، نامتعادلی منبع تغذیه، شکستگی میلۀ روتور، اتصال کوتاه سیمپیچ استاتور و خشک کار کردن پمپ و یک حالت سالم موتورند. سپس ابعاد بردار ویژگیها با استفاده از درخت تصمیم کاهش داده شده است تا ویژگیهای مناسبتر بهعنوان ورودی شبکۀ عصبی در راستای یادگیری بهتر برای طبقهبندی عیوب استفاده شود.
6- نتیجه 6-1- تشخیص عیوب پس از پردازش سیگنالهای سهفاز جریان با آنالیز مؤلفههای مستقل، برای بررسی عملکرد آنالیز، مؤلفههای مستقل در کاهش اثر نویز و نیز تداخل فازها با فرض یک منبع جریان سهفاز ایدئال (شکل 6)، خروجی سنسورها (شکل 7) و خروجی آنالیز مؤلفههای مستقل (شکل 8) مقایسه شده است. در شکل 9، درصد اختلاف سیگنالهای سنسوری با سیگنالهای ایدئال نشان داده شده که درنتیجۀ تداخل سیگنالها و نویز محیط بوده و این اختلاف با اعمال آنالیز مؤلفههای مستقل به میزان چشمگیری کاهش پیدا کرده است؛ بنابراین، روش آنالیز مؤلفههای مستقل در کاهش اثر نویز و تداخل سیگنالها عملکرد مطلوبی داشته است.
شکل (6): سهفاز منبع جریان ایدئال
شکل (7): سیگنال سهفاز جریان خروجی سنسور
شکل (8): سیگنال سهفاز جریان خروجی آنالیز مؤلفههای مستقل
شکل (9): اختلاف خروجی آنالیز مؤلفههای مستقل و سنسور نسبت به منبع جریان ایدئال
ویژگیهای زمانی ذکرشده از سیگنالهای سهفاز جریان پیش پردازش شده استخراج شده است. با این ویژگیها از شبکۀ عصبی پایۀ شعاعی برای تشخیص حالت سالم و معیوب موتورالقایی در حالت عیب اتصال کوتاه سیمپیچی استاتور، عیب یاتاقان و شکستگی میلۀ روتور استفاده شده است. شبکۀ عصبی با توجه به جدول 1، وقتی از ترکیب ویژگیهای سیگنالهای سهفاز جریان استفاده کرده، در تشخیص وضعیت سالم عملکرد صحیحی نداشته است. با توجه به اینکه ترکیب حجم زیاد ویژگیها (27 ویژگی) شبکۀ عصبی را در تشخیص وضعیت سیستم احتمالاً دچار خطا کرده است، ویژگیهای مناسب (میانگین هر سهفاز، کشیدگی فاز دوم، میانگین مربعات خطای فاز دوم و سوم) از سیگنالهای جریان پیش پردازش شده با استفاده از درخت تصمیم انتخاب شدهاند؛ این ویژگیها برای ترکیب استفاده شدهاند که شبکۀ عصبی، وضعیت سیستم را بهدرستی ولی با قابلیت اطمینان پایین تشخیص داد. با توجه به اینکه سیگنال ولتاژ در اثر این عیب دچار تغییر دامنه میشود و نیز نسبت به سیگنال جریان، تغییر محسوستری در اثر بروز عیب دارد، ویژگیهای زمانی این سیگنال، استخراج و با ویژگیهای سیگنال جریان ترکیب شدند و سپس با در نظر گرفتن ویژگیهای انتخابشده با درخت تصمیم (میانگین فاز اول و دوم، کشیدگی فاز دوم و سوم، ضریب شکل فاز اول سیگنالهای جریان و آنتروپی فاز سوم سیگنالهای ولتاژ)، عملکرد شبکۀ عصبی بررسی شد که نشان داد با قابلیت اطمینان بالایی وضعیت سیستم بهدرستی تشخیص داده شده است.
جدول (1): متوسط تشخیص حالت سالم و عیب اتصال کوتاه استاتور
بهمنظور بررسی عملکرد الگوریتم ترکیب معرفیشده در تشخیص عیوب موتورالقایی، علاوه بر در نظر گرفتن عیب اتصال کوتاه سیمپیچی استاتور، عیوب یاتاقان و شکستگی میله روتور نیز بررسی شد.
جدول (2): متوسط تشخیص حالت سالم و عیب یاتاقان
با توجه به جدول 2، در هر دو حالت، سیستم با قابلیت اطمینان بالا حالت معیوب یاتاقان را تشخیص داده است. حالت سالم 37/75% تشخیص داده شده است که نتیجه قابلیت اطمینان خوبی برای ترکیب داده محسوب نمیشود؛ ازاینرو، از ترکیب ویژگیهای انتخابشده با درخت تصمیم (میانگین فاز دوم و سوم، میانگین مربعات خطای فاز سوم، کشیدگی فاز دوم، ضریب قله و آنتروپی فاز اول) این قابلیت اطمینان به 90% رسید که نشاندهندۀ عملکرد خوب سیستم در تشخیص وضعیت یاتاقان است.
جدول (3): متوسط تشخیص حالت سالم و عیب شکستگی میلۀ روتور
مطابق جدول فوق، شبکۀ عصبی با ترکیب ویژگیهای استخراجشده بهطور متوسط 74% وضعیت سیستم را تشخیص داده که وقتی از ویژگیهای انتخابشده (میانگین فاز اول و دوم، میانگین مربعات خطای فاز اول و دوم و کشیدگی فاز دوم) برای ترکیب در شبکۀ عصبی استفاده شده، این قابلیت اطمینان به 86% رسیده است.
6-2- جداسازی عیوب آنچه تا کنون انجام شد آشکارسازی عیب در سیستم موتورالقایی بود که درواقع میتوان آن را یک مسئله کلاسهبندی با دو کلاس سالم و معیوب به حساب آورد که در آن، عملکرد شبکۀ عصبی با ترکیب ویژگیهای استخراجشده و انتخابشده از سیگنال جریان و ولتاژ پیش پردازش شده بررسی شد. در این قسمت، با در نظر گرفتن حالت سالم موتور، عیب اتصال کوتاه سیمپیچی استاتور به میزان 8% و 5/12% عیب یاتاقان و شکستگی میلۀ روتور در یک مسئلۀ کلاسهبندی با پنج کلاس، مطابق جدول 4، توانایی شبکۀ عصبی در جداسازی عیوب با استفاده از ترکیب ویژگیهای سیگنال جریان و ولتاژ بررسی شده است.
جدول (4): کلاسهبندی وضعیتهای موتورالقایی الکتروپمپ
جدول (5): جداسازی عیوب با ترکیب ویژگیهای استخراجشده با استفاده از شبکۀ عصبی
با توجه به جدول5، شبکۀ عصبی توانسته است وضعیتهای مختلف موتورالقایی را بهدرستی از هم تشخیص دهد؛ ولی قدرت تشخیص و جداسازی آن برای حالت سالم و همچنین، شکستگی میلۀ روتور نسبت به سایر وضعیتها ضعیف بوده که به متوسط تشخیص 25/70% منجر شده است؛ درنتیجه، برای افزایش قابلیت اطمینان تشخیص عیب از ترکیب ویژگیهای انتخابشده (میانگین فاز اول و سوم، کشیدگی فاز دوم، ضریب قله فاز اول و آنتروپی فاز دوم و سوم) در شبکۀ عصبی استفاده شد که نتیجۀ آن در جدول 6، آورده شده است.
جدول (6): جداسازی عیوب با ترکیب ویژگیها انتخابشده با درخت تصمیم با استفاده از شبکۀ عصبی
شبکۀ عصبی با ترکیب ویژگیهای انتخابشده در تشخیص وضعیت سالم و شکستگی میلۀ روتور، عملکرد خود را نسبت به حالت قبل بهبود داده است؛ درنتیجه، شبکۀ عصبی توانسته است با متوسط 78/85% عیوب را تشخیص و جداسازی کند؛ ولی همچنان 75% تشخیص شکستگی میلۀ روتور بهعنوان نتیجۀ ترکیب در شبکۀ عصبی، قابلیت اطمینان بالایی محسوب نمیشود؛ ازاینرو، ویژگیهای سیگنالهای جریان و ولتاژ پیش پردازش شده برای ترکیب استفاده شدند.
جدول (7): جداسازی عیوب با ترکیب ویژگیهای جریان و ولتاژ با استفاده از شبکۀ عصبی
مطابق جدول 7، شبکۀ عصبی با ترکیب ویژگیهای استخراجشده از سیگنالهای جریان و ولتاژ پیش پردازش شده (میانگین فاز اول و سوم، کشیدگی فاز دوم، ضریب قله فاز دوم از سیگنالهای جریان و آنتروپی فاز اول، میانگین مربعات خطای فاز سوم از سیگنال ولتاژ) توانسته است وضعیتهای بررسیشدۀ سیستم را با متوسط قدرت 88% تشخیص دهد که نشاندهندۀ افزایش قابلیت اطمینان نسبت به حالت قبل بوده است. با توجه به اینکه عوامل دیگری همچون اغتشاش به تغییر دامنۀ سیگنالهای جریان و ولتاژ منجر میشود، عملکرد سیستم تشخیص عیب در حضور اغتشاش نیز بررسی شد.
6-3- عملکرد سیستم تشخیص عیب در حضور اغتشاش اغتشاشات موجود در سیستم، مجموعه رویدادهاییاند که بر سیستم اثر میگذارند؛ اما تمایلی به آشکارسازی آنها نیست. موتورالقایی معرفیشده مطابق شکل 2، به الکتروپمپ متصل است. خشک کار کردن پمپ ازجمله عیوب نسبتاً متداول در پمپ است و ممکن است اثر سوء روی تشخیص عیوب موتورالقایی داشته باشد. با توجه به اینکه هدف در این تحقیق، تشخیص و جداسازی عیوب موتورالقایی بوده، عیب خشک کار کردن پمپ، اغتشاش در نظر گرفته شده است تا ضمن تشخیص و جداسازی عیوب موتورالقایی، اثر آن مخدوش نشود. برای ایجادکردن این عیب از باز و بسته کردن مجموعه شیرهایی استفاده شد که در مسیر حرکت آب مکششدۀ پمپ قرار داده شده است. همچنین، عیب ناتعادلی منبع تغذیۀ ورودی نیز اغتشاش در نظر گرفته شد. برای ایجاد این عیب از واریاکهای نشان داده شده در (شکل 10) استفاده شد. با توجه به اینکه ناتعادلی منبع تغذیه، حداکثر 2 تا 4 درصد در حالت عملی رایج است، در این مقاله سعی شده است در حد ممکن کمترین مقدار عیب ناتعادلی منبع تغذیه ایجاد شود. این عیب بدین صورت ایجاد شده است که مقدار مؤثر ولتاژ ورودی دو فاز اول و سوم، 220 ولت و مقدار مؤثر ولتاژ فاز دوم، 215 ولت تنظیم شد. به عبارتی، 27/2% عیب نامتعادلی منبع تغذیه بر روی فاز دوم ایجاد شده است.
شکل (10): تنظیمکنندۀ ولتاژهای ورودی (واریاک)
پس از ایجادکردن هر یک از اغتشاشات معرفیشده، مانند قسمتهای قبل، سیگنالهای جریان و ولتاژ با آنالیز مؤلفههای مستقل پیشپردازش شدهاند و پس از نمونهبرداری از این سیگنالها ویژگیهای زمانی محاسبه شدند. با توجه به اینکه حجم زیاد ویژگی به کندی و نیز کاهش دقت عملکرد سیستم تشخیص منجر میشود، از درخت تصمیم برای کاهش حجم ویژگیها بهره گرفته شد. با در نظر گرفتن وضعیتهای موتورالقایی در 7 کلاس، مطابق جدول 8 ، ویژگیهای انتخابشده (میانگین فاز اول، کشیدگی فاز سوم از سیگنالهای پیش پردازش شدۀ جریان، و انحراف معیار فاز دوم وسوم، کشیدگی فاز اول و سوم و آنتروپی فاز اول از سیگنالهای پیش پردازش شدۀ ولتاژ) برای ترکیب به شبکۀ عصبی اعمال شدند و نتیجۀ آن ارزیابی شد.
جدول (8): کلاسهبندی وضعیتهای موتورالقایی الکتروپمپ
جدول (9): جداسازی عیوب و اغتشاشات با ترکیب ویژگیهای جریان و ولتاژ با استفاده از شبکۀ عصبی
مطابق جدول فوق، شبکۀ عصبی با ترکیب ویژگیهای مناسب جریان و ولتاژ توانست عیوب و اغتشاشات بررسیشده را تشخیص و با قابلیت اطمینان 98% وضعیتهای سیستم را از هم تفکیک کند که نشاندهندۀ قوام خوب روش ترکیب عصبی در مقابل اغتشاشات بوده است. سیستم تشخیص عیب توانست عیوب را از هم تشخیص دهد. همچنین، شبکۀ عصبی در حضور اغتشاشات، عملکرد با قابلیت اطمینان بالایی در تشخیص عیب داشته است. با توجه به نتایج فوق که عملکرد با قابلیت اطمینان بالای شبکۀ عصبی با استفاده از ترکیب اطلاعات را نشان میدهد و اینکه اتصال کوتاه سیمپیچی استاتور جزء عیوبی است که باید در همان مراحل اولیه تشخیص داده شود، عملکرد سیستم برای تشخیص محل دقیق این عیب نیز در سیمپیچی استاتور بررسی شد.
6-4- تشخیص فاز معیوب سیمپیچی استاتور یکی از مهمترین اثرات وقوع عیب سیمپیچی استاتور، تغییر جریان فازها است. به عبارت دیگر، بهواسطۀ الکتریکیبودن عیب سیمپیچی استاتور، بیشترین تأثیر را بر جریان استاتور دارد. در قسمتهای قبل، به تشخیص و نیز جداسازی این عیب از سایر عیوب پرداخته شد. در این قسمت، با در نظر گرفتن اتصال کوتاه فاز a سیمپیچی استاتور موتورالقایی، مطابق شکل 11، تشخیص درست فاز معیوب با ترکیب ویژگیهای استخراجشده از سیگنال جریان سهفاز استاتور با استفاده از شبکۀ عصبی بررسی شد.
شکل (10): سیمپیچی استاتور با فاز a اتصال کوتاه
ویژگیهای زمانی سهفاز جریان در حالت سالم و معیوب استخراجشده، با استفاده از شبکۀ عصبی ترکیب میشوند و با در نظر گرفتن 6 کلاس برای طبقهبندی فازها مطابق جدول 10، عملکرد شبکۀ عصبی بررسی میشود.
جدول (10): کلاسهبندی فازهای سیمپیچی استاتور
نتایج عملکرد سیستم تشخیص عیب در جدول 11 آورده شدهاند.
جدول (11): تشخیص فاز معیوب سیمپیچی استاتور با ترکیب ویژگیهای جریان استاتور با استفاده از شبکۀ عصبی
با توجه به اینکه سیگنالهای جریان با آنالیز مؤلفههای مستقل از هم جدا شده بودند، مطابق جدول فوق، سیستم تشخیص عیب توانست با متوسط قدرت 66/81% فازها را جداسازی کند و فاز معیوب را تشخیص دهد.
7- نتیجهگیری در این تحقیق، تشخیص و جداسازی عیوب متداول موتورالقایی با استفاده از ترکیب عصبی ویژگیهای استخراجشده و نیز ویژگیهای انتخابشده با درخت تصمیم از سیگنالهای جریان و ولتاژ پیش پردازش شده بررسی شدند. سیستم تشخیص عیب با ترکیب ویژگیهای جریان نتواست عیب اتصال کوتاه سیمپیچ استاور را تشخیص دهد؛ ولی با استفاده از ترکیب ویژگیهای انتخابشده با درخت تصمیم توانست وضعیت سیستم را درست تشخیص دهد که با ترکیب ویژگیهای سیگنال جریان و ولتاژ، این تشخیص با قدرت 95% انجام شد. این سیستم در تشخیص عیوب یاتاقان، شکستگی میلۀ روتور با ترکیب ویژگیهای جریان، عملکردی بهترتیب با متوسط قدرت 90% و 86% از خود نشان داد. عملکرد با قابلیت بالای سیستم در تشخیص عیوب موجب استفاده از این سیستم در جداسازی عیوب شد که با ترکیب ویژگیهای استخراجشدۀ جریان، عیوب را با قابلیت اطمینان 25/75% تشخیص داد و وقتی از این سیستم با ترکیب ویژگیهای انتخابشده از سیگنال جریان و نیز ترکیب ویژگیهای سیگنالهای جریان و ولتاژ استفاده شد، بهترتیب قابلیت اطمینان 78/85% و 88% حاصل شد که نشاندهندۀ افزایش قابلیت اطمینان سیستم بود. همچنین، قوام سیستم تشخیص عیب در حضور اغتشاشات خشک کار کردن پمپ و نامتعادلی منبع تغذیه بررسی شد که سیستم با متوسط قابلیت اطمینان 98% وضعیتهای بررسیشده را تشخیص داد. از این سیستم برای تشخیص فاز اتصال کوتاه شدۀ سیمپیچی استاتور استفاده شد که با قابلیت اطمینان 66/81% فاز معیوب استاتور را تشخیص داد؛ این نشان داد این سیستم علاوه بر تشخیص و جداسازی عیوب، در تشخیص محل عیوب نیز عملکرد با قابلیت اطمینان بالایی دارد. نتایج عددی فوق در تشخیص و جداسازی عیوب موتورالقایی و نیز تشخیص فاز معیوب سیمپیچی استاتور نشان میدهند الگوریتم تشخیص و جداسازی عیب با استفاده از ترکیب دادۀ عصبی در تشخیص وضعیتهای سیستم مطالعهشدۀ این تحقیق عملکردی با قابلیت اطمینان بالایی داشته است. در این مقاله، عملکرد شبکۀ عصبی در تشخیص و جداسازی عیوب موتور القایی در سرعت و بار ثابت بررسی شده است؛ بنابراین، تغییر بار و سرعت ازجمله نوآوریها برای توسعۀ نتایج این تحقیق بررسی شد. با توجه به اینکه شبکۀ عصبی در این تحقیق بهصورت دادهمحور بررسی شد، امکان بررسی عملکرد شبکه با استفاده از روش یادگیری انتقالی برای بررسی وضعیت سیستمهای عملیاتی مختلف وجود دارد. [1] تاریخ ارسال مقاله: 17/01/1399 تاریخ پذیرش مقاله: 07/11/1399 نام نویسندۀ مسئول: جواد پشتان نشانی نویسندۀ مسئول: ایران، تهران، دانشگاه علم و صنعت ایران- دانشکده مهندسی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
[1] M. Amozegar and K. Khorasani, “An ensemble of dynamic neural network identifiers for fault detection and isolation of gas turbine engines,” Neural Networks, Vol. 76, pp. 106–121, 2016. [2] ] R. Liu, B. Yang, E. Zio, and X. Chen, “Artificial intelligence for fault diagnosis of rotating machinery: A review,” Mech. Syst. Signal Process., Vol. 108, pp. 33–47, 2018. [3] S. B. Chaudhury, M. Sengupta, and K. Mukherjee, “Experimental study of induction motor misalignment and its online detection through data fusion,” IET Electr. Power Appl., Vol. 7, No. 1, pp. 58–67, 2013. [4] J. Tian, C. Morillo, M. H. Azarian, and M. Pecht, “Motor Bearing Fault Detection Using Spectral Kurtosis-Based Feature Extraction Coupled with K-Nearest Neighbor Distance Analysis,” IEEE Trans. Ind. Electron., Vol. 63, No. 3, pp. 1793–1803, 2016. [5] E. Esfahani, “Multi-sensor Wireless System for Fault Detection in Induction Motors,” IEEE Trans. Mechatronichs, Vol. 19, No. 3, pp. 818–826, 2012. [6] S. Jorkesh, J. Poshtan, and M. Poshtan, “Fault Diagnosis and Isolation of an Electro-Pump using Neural Data Fusion,” 2019 IEEE Energy Convers. Congr. Expo., pp. 3912–3916, 2019. [7] J Kankar, P. K., Sharma, S. C., & Harsha , “Vibration-based fault diagnosis of a rotor bearing system using artificial neural network and support vector machine,” Int. J. Modelling, Identification and Control, Vol. 15, No. 3, pp.185-198, 2012. [8] F. Jiang, W. Li, Z. Wang, Z. Wang, and B. Cao, “Fault diagnosis of rotating machinery based on MFES and D-S evidence theory,” Proc. 2012 24th Chinese Control Decis. Conf. CCDC 2012, pp. 1624–1629, 2012. [9] L. Hou and N. W. Bergmann, “Induction Motor Fault Diagnosis Using Industrial Wireless Sensor Networks and Dempster-Shafer Classifier Fusion,” pp. 2992–2997, 2011. [10] H. Jafari, J. Poshtan, and H. Sadeghi, “Application of fuzzy data fusion theory in fault diagnosis of rotating machinery,” Proc. Inst. Mech. Eng. Part I J. Syst. Control Eng., Vol. 232, No. 8, pp. 1015–1024, 2018. [11] P. Subbaraj and B. Kannapiran, “Fault detection and diagnosis of pneumatic valve using Adaptive Neuro-Fuzzy Inference System approach,” Appl. Soft Comput. J., Vol. 19, pp. 362–371, 2014. [12] A. Widodo, B. S. Yang, and T. Han, “Combination of independent component analysis and support vector machines for intelligent faults diagnosis of induction motors,” Expert Syst. Appl., Vol. 32, No. 2, pp. 299–312, 2007. [13] D. D. Ferreira, J. M. De Seixas, and A. S. Cerqueira, “A method based on independent component analysis for single and multiple power quality disturbance classification,” Electr. Power Syst. Res., Vol. 119, pp. 425–431, 2015. [14] Chen, T., Que, P., & Liu “Pipeline defects diagnosis based on feature extraction and neural-network fusion,” Russian Journal of Nondestructive Testing, Vol. 42, pp. 340–344, 2006. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 752 تعداد دریافت فایل اصل مقاله: 361 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||