بخشی از مقاله
خلاصه
موتورهای القایی سه فاز به دلیل قابلیت هایی هم چون استحکام بالا، کنترل پذیری مناسب، عمر مفید طولانی، ارزان تر بودن نسبت به سایر موتورها ، تعمیر و نگهداری اندک و غیره از پرکاربردترین موتورها در صنعت می باشند، بطوریکه بخش اعظم انرژی الکتریکی تولید توسط این موتورها مصرف می شوند. از طرف دیگر با توجه به افزایش قیمت انرژی، لزوم نظارت دائمی بر موتورهای در حین کار و حذف موتورها با راندمان پایین ضروری به نظر می رسد.
در این مطالعه یک روش هوشمند جهت تخیمن راندمان موتور القایی سه فاز با استفاده از قابلیت های الگوریتم های اکتشافی پیشنهاد شده است. در روش پیشنهادی از الگوریتم فاخته آشوبی جهت تخمین پارامترهای مدار معادل موتور القایی سه فاز و در نتیجه تخمین راندمان آن استفاده شده است . الگوریتم فاخته آشوبی یکی از جدیدترین الگوریتم های اکتشافی است که قابلیت بالایی در حل مسائل پیچیده غیرخطی با ابعاد بالا دارد.
در روش پیشنهادی نیاز به آزمایش های پرهزینه مانند آزمایش روتور قفل شده و آزمایش بی باری نیست و می توان بصورت آنلاین و با اندازه گیری جریان و ولتاژ استاتور، توان ورودی و سرعت روتور، راندمان موتور را تخمین زد. جهت ارزیابی عملکرد روش پیشنهادی، روش پیشنهادی بر روی یک موتور القایی سه فاز پنج اسب بخار واقعی تست شد و نتایج مطالعات عددی نشان داد که روش پیشنهادی دقت بسیار خوبی در تخمین راندمان موتور دارد و می تواند با خطای کمتر از %2 راندمان موتور را تخیمن بزند.
.1 مقدمه
موتورهای الکتریکی بیش از 65 درصد انرژی الکتریکی تولیدی یا حدود 50 درصد کل انرژی در دنیا را مصرف می نمایند و این میزان در صنایع به حدود بیش از 75 درصد انرژی کل مصرفی الکتریکی می رسد. هزینه مصرف انرژی یک موتور در سال ممکن است چند برابر قیمت خرید اولیه موتور باشد. بعنوان مثال یک موتور 20 کیلووات در طول یک سال اگر 8000 ساعت در بار نامی کار کند، کیلووات ساعت انرژی مصرف می نماید. با فرض قیمت انرژی الکتریکی برای صنعت در حدود 40 تومان برای هر کیلووات ساعت، هزینه مصرف انرژی سالیانه موتور برابر تومان می شود که چندین برابر قیمت خود موتور است.
بنابراین در موقع خرید یا تعمیر یک موتور یا برنامه ریزی بهینه سازی یا نوسازی یک خط تولید، توجه به انتخاب بهینه یا جایگزینی موتورها اهمیت ویژه دارد. تنها یک درصد افزایش راندمان موتورها می تواند به صرفه جوئی سالیانه زیادی منجر شود و علاوه بر آن هزینه نگهداری و تعمیرات و قطع خط تولید در اثر خرابی موتورهای فرسوده یا کیفیت پائین را به شدت کاهش دهد
با توجه به افزایش عمر صنایع و فرسودگی و پیری تجهیزات مختلف مانند موتورها، راندمان آنها کاهش می یابد و هزینه تعمیر و نگهداری آنها افزایش می یابد. از روشهای تعیین راندمان موتور القایی می توان به روش دقیق تخمین راندمان موتور در حالت کار، روش لغزش، روش جریان، روش تخمین بار موتور و بدست آوردن راندمان از جداول استاندارد اشاره کرد. تخمین راندمان موتورها یکی از روشهای موثر در تخمین عمر موتورها ، افزایش عمر موتورها و تصمیم گیری در جایگزینی اقتصادی موتورها می باشد .
در سال های اخیر پژوهش های فراوانی بر روی تخمین راندمان موتور القایی صورت گرفته است. پژوهش ها نشان داده که استفاده از الگوریتم های اکتشافی مانند الگوریتم باکتری، الگوریتم پرنده و دیگر الگوریتم های مبتی بر هوش جمعی کاربرد بسیار بهتری نسبت به سایر روش های کلاسیک مانند روش لغزش و روش جریان دارند .>2@ در روش های مبتتی بر هوش جمعی، از قابلیت های این الگوریتم ها جهت تعیین پارامترهای مدار معادل موتور القایی و در نتیجه تخمین راندمان استفاده می شود.
البته با توجه به وجود تعداد زیاد متغییرهای مورد بررسی، تعیین پارامترهای موتور تبدیل به یک مسئله بهینه سازی پیچیده غیرخطی با تعداد زیاد متغییر می شود. همچنین با توجه به روابط غیرخطی بین اهداف و متغییرهای مسئله و مشتق پذیر نبودن تابع هدف، استفاده از روش های کلاسیک مبتنی بر گرادیان مانند روش تندترین نزول در حل این گونه مسائل ناکارآمد می باشد.
در مرجع 6 از الگوریتم پرنده جهت تخیمن پارامترهای موتور القائی و در نتیجه تعیین راندمان موتور تحت بارهای مختلف استفاده شده است. در این مطالعه، از یک مدار معادل اصلاح شده جهت محاسبات راندمان استفاده شده است. برای ارزیابی روش ارائه شده از مدل واقعی یک موتور القایی سه فاز با توان نامی 3750 وات، 230 ولت، 12/5 آمپر و 1450 دور بر دقیقه استفاده شده است.
نتایج بدست آمده نشان داده که روش پیشنهادی توانسته با خطای کمتر از %6 راندمان موتور رو درست تخیمن بزند. در مرجع 7 از الگوریتم جستجوی باکتری جهت تخمین پارامترهای موتور القایی و محاسبه راندمان استفاده شده است. عملکرد الگوریتم جستجوی باکتری با سایر روش ها مانند روش اندازه گیری گشتاور، روش لغزش، روش مدار معادل، روش جریان، روش تفکیک تلفات، الگوریتم تکاملی مقایسه شده است.
نتایج بدست آمده در مرجع 9 از جریان دشارژ استاتور جهت تخمین پارامترهای موتور القایی استفاده شده است. نتایج بدست آمده با عملکرد سایر روش ها مانند روش های کلاسیک و روش اجزا محدود سه-بعدی مقایسه شده است.
در مرجع 10 از ترکیب تطبیقگر احتمال بیشینه و فیلتر کالمن جهت تخمین پارامترهای موتور القایی استفاده شده است. هرچند در این مقاله از شبیه سازی المان محدود برای یافتن نتایج اتصال کوتاه نامتقارن ماشین و سپس استفاده از این نتایج برای ورود داده به الگوریتمی که پارامترهای ماشین را تخمین می زند استفاده شده است، با اینحال در نظر نگرفتن اثر اشباع آهن ماشین بزرگترین اشکالی است که پارامترهای تخمین زده شده ماشین را بشکل جدی تحت تاثیر قرار می دهد.
در مرجع 11 اهمیت شناسایی پارامترهای ماشین بخصوص ثابت زمانی رتور در کنترل شار جهت دار شده ماشین القایی تشریح شده است. در این مقاله روش کلیدزنی CRPWM جهت شناسایی ثابت زمانی رتور استفاده شده است. از اشکالات این روش می توان نیاز به تجهیزات و سخت افزار اضافی جهت کنترل، محدودیت کاربرد در سرعت های پایین و همچنین نیاز به محاسبه دقیق فرکانس لغزش را برشمرد.
مرجع 12 از دو روش در حین کار و در حالت عدم اتصال به شبکه، جهت شناسایی پارامترهای ماشین القایی بخصوص ثابت زمانی آن بهره جسته است. نیاز به در نظر گرفتن حالت گذرای سرعت ماشین از اشکالات این روش می باشد. ضمنا به سبب بکار رفتن مشتق در سیستم کنترل جریان، این روش بسیار نویزپذیر بوده و علاوه بر آن تجهیزات و سخت افزار اضافی جهت تزریق پالس به سیستم تولید شار، آن را پیچیده و گران می کند.
در مرجع 13 تکنیکی معرفی شده است که به تقریب زنی در حین کار مقاومت، اندوکتانس و اندوکتانس گذرای استاتور، مستقل از سرعت و ثابت زمانی رتور می پردازد. با این حال، پارامترها بصورت لحظه ای قابل شناسایی نیستند. در مرجع 14 پارامترهای ماشین القایی بصورت آنلاین با استفاده از تزریق یک سیگنال فرکانس بالا به ماشین، شناسایی شده اند.
در این بخش اهمیت مسئله و ضرورت ارائه یک روش دقیق جهت تخمین راندمان موتور القایی سه فاز بیان شد. در بخش دوم الگوریتم بهینه سازی معرفی خواهد شد. در ادامه بخش سوم، روش پیشنهادی معرفی شده است. در بخش چهارم، نتایج شبیه سازی ارائه شده است. برای انجام شبیه سازی ها از نرم افزار MATLAB استفاده شده است. بالاخره در بخش پنجم نتیجه گیری کلی بیان شده است.
.2 الگوریتم فاخته آشوبی
الگوریتم فاخته یک روش جدید جستجوی آگاهانه سراسری است که از زندگی پرندهای موسوم به فاخته الهام گرفته است . همانند سایر الگوریتمهای تکاملی COA هم با یک جمعیت اولیه کار خود را شروع میکند. جمعیتی که متشکل از فاختهها است. این جمعیت از فاختهها تعدادی تخم دارند که آنها را در لانه تعدادی پرندهی میزبان خواهند گذاشت.
تعدادی از این تخمها که شباهت بیشتری به تخمهای پرنده میزبان دارند شانس بیشتری برای رشد و تبدیلشدن به فاخته بالغ خواهند داشت. سایر تخمها توسط پرنده میزبان شناسایی شده و از بین میروند. میزان تخمهای رشد کرده، مناسب بودن لانههای آن منطقه را نشان میدهند. هرچه تخمهای بیشتری در یک ناحیه قادر به زیست باشند و نجات یابند، به همان اندازه سود - تمایل - بیشتری به آن منطقه اختصاص مییابد. بنابراین موقعیتی که در آن بیشترین تعداد تخمها نجات یابند پارامتری خواهد بود که COA قصد بهینهسازی آنرا دارد. فاختهها - Cuckoos - برای بیشینه کردن نجات تخمهای خود دنبال بهترین منطقه میگردند
در هر الگوریتم بهینه ساز، دو ویژگی اکتشاف و استخراج از اهمیت ویژه ای برخوردار هستند. اکتشاف به قدرت الگوریتم بهینه ساز در پیدا کردن همسایگی جواب بهینه و استخراج به توانایی پیدا کردن جواب نهایی مسئله سراسری اطلاق می شود. اگر الگوریتم نتواند همسایگی نقطه بهینه سراسری را پیدا کند، در یک نقطه محلی دیگر گیر می کند و جواب بهینه سراسری از دست می رود. در الگوریتم فاخته آشوبی جهت بهبود عملکرد الگوریتم، نحوه حرکت فاخته ها بصورت آشوبی صورت می گیرد. با این کار نحوه جستجوی سراسری فاخته ها ها بهبود می یابد و در نتیجه دقت و سرعت همگرایی الگوریتم افزایش می یابد. همچنین امکان گیر کردن الگوریتم در دام مینیمم های محلی کم می شود. اطلاعات بیشتر در رابطه با الگورتیم فاخته آشوبی در 16 آمده است.
