بخشی از مقاله
چکیده : با توجه به افزایش روز افزون اهمیت کارکرد پیوسته مجموعههای صنعتی، تشخیص عیب یکی از موضوعهای مهم در طول سالیان گذشته بوده است. امروزه موتورهای القایی را می توان جزءیکی از مهمترین اجزا سیستمهای صنعتی به شمار آورد.از این رو تعمیرات و نگهداری این تجهیزات حائز اهمیت می باشد. باتوجه به اینکه خطای استاتور درصد بالایی از کل خطاهای موتور، حدود 37 درصد را تشکیل می دهد، تشخیص این خطا از اهمیت ویژهای برخوردار است.
در صورت عدم تشخیص به هنگام این عیب، موتور القایی و حتی اجزا دیگر مجموعه ممکن است دچار آسیب جدی شوند که این امر موجب توقف پیش بینی نشده میگردد و مطلوب نیست.به منظور عیب یابی، روش های مختلفی وجود دارد که در اینجا از روش هوشمند شبکه عصبی مصنوعی با توابع پایه شعاعی که به کمک چهار نشانه حاصل شده از سیگنال سیستم در حال کار، وضعیت سیستم را محاسبه میکند، استفاده شده است. به منظور بررسی عملکرد روش ارائه شده از داده های یک مجموعه کارگاهی استفاده شده است که نشان از صحت بالای تشخیص و تعیین عمق عیب در روش پیشنهادی دارد.
1 مقدمه
موتورهای القایی در صنعت به خاطر سادگی ساختار، قابلیت اطمینان بالا، استحکام و پایین بودن هزینه ساخت، فراوانی زیادی دارند. عملکرد پیوسته و بدون دردسر موتورهای القایی باعث شده است تا این ماشین به بخشی جدانشدنی از صنعت تبدیل گردد.بسیاری از این موتورها در صنعت دارای شرایط نامناسب نگهداری و ساعات کارکرد بالا میباشند. از این رو نگهداری، تعمیرات پیشگیرانه، تشخیص سریع خطا و عیب یابی این موتورها از هزینه و زمان صرف شده جهت تعمیرات و زمان خاموشی میکاهد.
[9] روشهای مختلفی برای شناسایی خطا برای جلوگیری از آسیبهای جدی وجود دارد که بر اساس نوع و نحوه وابستگی به دانش اولیه سیستم به دو دسته روشهای مبتنی بر داده و روشهای مبتنی بر مدل دسته بندی میشوند. در روشهای مبتنی بر داده از دادههای قبلی سیستم خصوصیاتی به منظور شناسایی خطا استفاده میشود. دسترسی به دادههای کافی امری ضروری میباشد . دستیابی به خصوصیات سیستم به دو روش کیفی و کمی صورت خواهد گرفت. روشهای مبتنی بر مدل به دو بخش کیفی و کمی تقسیم میشوند. در مدلهای کیفی از توابع کیفی به منظور برقراری ارتباط بین ورودیها و خروجیها استفاده میشود.
درمدلهای کمی از قوانین فیزیکی برای ارتباط بین ورودیها و خروجیها استفاده میشود3]و.[8 اغلب کاربردهای مبتنی بر مدل محدود به سیستمهایی با تعداد ورودی-خروجی و متغیرهای حالت کم می باشند و معمولا" برای سیستمهایی بزرگ دچار مشکل میشوند؛ چرا که برای بدست آوردن نتایج مقبول از این روش ها نیازمند مدلی دقیق از سیستم میباشند.در نظر گرفتن این نکته ضروری است که اعمال روشهای مبتنی بر مدل کیفی برای سیستمهای بزرگ به آسانی امکان پذیر نبوده؛ چراکه این روش های مدل سازی خطا از پیچیدگی خاصی برخوردار میباشند.
باتوجه به پیشرفتهای امروزی که جمعآوری و نگهداری دادهها امکان پذیر شده است روشهای مبتنی بر داده میتواند مشکلهای روشهای مبتنی بر مدل را جبران نماید. در این مقاله نیز با استفاده از روشهای مبتنی بر داده به تشخیص و شناسایی خطا پرداخته شده است. ساختار و روش تشخیص خطا با استفاده از روش های مبتنی بر داده در شکل1 نشان داده شده است. در سیستمهای تشخیص خطا با استفاده از شبکههای عصبی میتوان شناسایی سیستم را در جایی که مدلی از سیستم وجود ندارد، انجام داد.[6]
ساختار و روش تشخیص خطا با استفاده از روشهای مبتنی بر داده
تحقیقات نشان داده است که در میان خطاهایی که برای موتورهای القایی رخ میدهد حدود %40 الی %42 وابسته به یاتاقان، حدود %30 الی %40 وابسته به استاتور، حدود %10 وابسته به روتور و حدود % 10 الی %20 نیز مربوط به سایر خطاها می باشد10]و.[4 حال با توجه به اینکه خطاهای مربوط به استاتور درصد قابل توجهی از این خطاها را شامل شده است، در این مقاله با استفاده از یکی از روشهای مبتنی بر داده یکی از خطاهای مربوط به استاتور مورد بررسی قرار گرفته است. معمولترین خطاهای مربوط به استاتور خطای اتصال کوتاه سیم پیچ و خطای افزایش مقاومت سیم پیچ میباشد، که این افزایش مقاومت میتواند در یکی از فازها رخ دهد.[1]
در این مقاله ابتدا به بیان روش پردازش دادهها اشاره میشود که مهمترین مرحله آن انتخاب ویژگی و شاخص خطا میباشد، جهت این کار از دادههای موتور القایی در حالت معیوب و مقایسه آنها در هر ویژگی بهره گرفته شده است. دادههای جمعآوری شده به صورت عملی میباشند که به تفصیل بیان میگردد. برای تشخیص عیب در این مقاله از شبکه عصبی استفاده شده است که نتایج این تشخیص نشان داده شده است. در این روش تشخیص خطا مستقیما" از سیگنال در حوزه فرکانس بهره جسته است که برخلاف سایر موارد تشخیص که از سیگنال در حوزه زمان استفاده میشود، عمل تشخیص را سهلتر میکند. همچنین در نتایج نشان داده شده عمق خطا مشخص گردیده است. همچنین برای جمعآوری دادهها دستگاههای اندازهگیری کمتری به کار گرفته شده است.
2روش پردازش دادهها
باتوجه به ساختار مقاله که تشخیص خطای استاتور مبتنی بر داده میباشد، یکی از روشهای پردازش دادههای بدست آمده شبکه عصبی هوشمند بودهاست. عملکردهای شبکه عصبی هوشمند در قسمت تشخیص خطا به طور مستقیم وابسته به کیفیت ورودی شبکه میباشد، که آنها را ویژگی و شاخص خطا مینامند.
1.2 انتخاب ویژگیها و شاخصهای خطا
برای بهره برداری مناسب از شبکه عصبی هوشمند، تجزیه و تحلیل از متغیرهای مختلف موتورهای القایی در حالتهای کاری سالم و معیوب با دقت صورت میگیرد. با این کار به تعداد ورودیهای شبکه عصبی هوشمند شاخصهای خطا وجود خواهد داشت. بنابراین میتوان بیان کرد انتخاب شاخصهای خطا یکی از مهمترین مراحل تشخیص خطا با استفاده از شبکه عصبی هوشمند میباشد؛ زیرا حاوی اطلاعات ضروری میباشد.[4] در حوزه فرکانس یک سیگنال میتواند حاوی اطلاعاتی باشد که در حوزه زمان یافت نشود. یکی از این اطلاعات مرکز فرکانس یا FCمیباشد که به صورت زیر بیان میشود. در این رابطه s - f - بیانگر طیف توان سیگنال میباشد و FCجابجایی موقعیت فرکانسهای اصلی را نشان میدهد .[5]
ویژگیهای دیگری چون میانگین، میانه، واریانس، حداکثر، حداقل، کشیدگی، چولگی، انحراف و دامنه بین چارک مورد بررسی قرار گرفتند. در شکلهای زیر برخی از این ویژگیها که با استفاده از دادههای جمع آوری شده مورد بررسی قرار گرفته نشان داده شده است. نمودار آبی سیگنالهای بدون خطا، نمودار سبز دارای مقاومت افزوده شده 1/5 اهم و نمودار زرد نیز دارای موتور خطا دارا با مقاومت افزوده شده 3/1 اهم میباشد.
