چکیده
این مقاله یک رویکرد جدید برای تشخیص نقص شکست روتور شکسته در یک موتور خطی دائمی مغناطیسی آغازین (LS-PMSM) با استفاده از جنگل های تصادفی ارائه می دهد. سیگنال جریان گذرا در هنگام راه اندازی موتور از یک موتور سالم و یک موتور معیوب با خطای یک روتور شکسته به دست آمد. ما 13 ویژگی آماری دامنه زمانی را از سیگنال جریان گذرا شروع کردیم و از این ویژگی ها برای آموزش و آزمایش یک جنگل تصادفی برای تعیین اینکه آیا موتور در شرایط نرمال یا معیوب عمل می کند، استفاده کردیم. برای انتخاب ویژگی، ما از اهمیت ویژگی ها از جنگل تصادفی برای کاهش تعداد ویژگی ها به دو ویژگی استفاده کردیم. نتایج نشان داد که جنگل تصادفی شرایط موتور را چه سالم و چه معیوب با دقت 98.8٪ با استفاده از تمام ویژگی ها طبقه بندی می کند و با استفاده از شاخص های متوسط و ویژگی های تاثیرگذارتر با دقت 4/98٪ می باشد. عملکرد جنگل تصادفی با یک درخت تصمیم گیری، طبقه بندی Bayes Naïve، رگرسیون لجستیک، ریج خطی و support vector machineها با یکدیگر به صورت تصادفی از دقت بیشتری نسبت به الگوریتم های دیگر، مقایسه شد. روش پیشنهادی میتواند در صنعت برای نظارت آنلاین و تشخیص خطا از موتورهای LS-PMSM استفاده شود و نتایج میتواند برای ایجاد طرحهای نگهداری پیشگیرانه در کارخانجات مفید باشد.
1. مقدمه
موتورهای الکتریکی برق را به انرژی مکانیکی تبدیل می کنند. آنها دو سوم کل مصرف برق را در محل های صنعتی تشکیل می دهند [1]. به عنوان یک نتیجه، تولید کنندگان ماشین های الکتریکی به طور مداوم تلاش می کنند تا میزان انرژی مورد استفاده موتور را کاهش دهند. استاندارد IEC / EN 60034-30: 2008 IE4 را به عنوان بالاترین کارایی برای موتور پیشنهاد می کند [2]. یک LS-PMSM شامل یک استاتور و یک روتور ترکیبی است. روتور شامل یک قفس سنجاب الکتریکی و جفت قطبهای آهنربا دائمی است. کارایی LS-PMSM ها از ترکیبی از عناصر از موتورهای سنکرون مغناطیسی دائمی و موتورهای القایی حاصل می شود. LS-PMSM (1) راندمان بالا، شبیه به موتورهای سنکرون مغناطیسی دائمی را فراهم می کند و (2) گشتاور بالا شروع می شود، مشابه موتور القایی [3].
خرابی در موتورهای الکتریکی شایع است و پیشگیری از آن دشوار است زیرا موتورها به طور کلی در مکان های صنعتی با انواع مختلف استرس ناشی از شکست در قطعات مختلف موتور عمل می کنند [4]. این امر منجر به تحقیق در مورد روش های تشخیص زود هنگام در موتورها، جلوگیری از ناکارآمدی موتور و خاموش شدن موتور شده است. به طور خاص، عیوب روتور معنی دار هستند، زیرا شکست های دیگر را در سایر قسمت های موتور تشدید می کنند [5]. برای شناسایی عیب روتور در موتورهای الکتریکی از تکنیک های مختلف حسگر استفاده شده است [5]. به عنوان مثال، تجزیه و تحلیل علامت جریان موتور (MCSA) یک روش پرکاربرد به دلیل هزینه های پایین و ماهیت غیر تهاجمی آن است [6]. در MCSA، جریان ثابت موتور در حال اجرا جمع آوری و ثبت می شود. از سیگنال ثبت شده، ویژگی ها از دامنه زمانی، دامنه فرکانس یا دامنه فرکانس زمان استخراج می شود. سپس این ویژگی ها برای تشخیص موتور استفاده می شود.
این مقاله در نشریه الزویر منتشر شده و ترجمه آن با عنوان جنگل های تصادفی در سایت ای ترجمه به صورت رایگان قابل دانلود می باشد. جهت دانلود رایگان مقاله فارسی و انگلیسی روی عنوان فارسی (آبی رنگ) کلیک نمایید.
منبع:
Fault detection of broken rotor bar in LS-PMSM using random forests
