شبیه‌سازی خطای الکتریکی در سیم‌پیچی استاتور موتور سنکرون مغناطیس دائم و تفکیک آن از دیگر خطاهای الکتریکی محتمل با استفاده از شبکه عصبی احتمالی
الموضوعات :
مهران تقی‌پور گرجی کلایی
1
(دانشگاه بیرجند)
سيدمحمد رضوي
2
(دانشگاه بیرجند)
محمدعلی شمسی‌نژاد
3
(دانشگاه بیرجند)
الکلمات المفتاحية: خطای اتصال کوتاه سیم‌پیچی استاتور شبکه عصبی احتمالی شبکه عصبی مصنوعی طبقه‌بندی مقدار مؤثر جریان موتور سنکرون مغناطیس دائم,
ملخص المقالة :
یکی از شایعترین انواع خطاهای الکتریکی، خطای اتصال کوتاه در حلقههای سیم‌پیچی استاتور میباشد. ممکن است این گونه تصور شود که بروز این نوع خطا در مراحل ابتدایی و با شدت کم مهم نباشد اما چنانچه گسترش یابد میتواند منجر به پیامدهای جبران‌ناپذیری گردد. در این مقاله با توجه به اهمیت خطای اتصال کوتاه در حلقههای سیم‌پیچی استاتور در موتور سنکرون مغناطیس دائم، سیستمی هوشمند برای شناسایی این نوع خطا طراحی و ارائه شده است. این سیستم هوشمند در ابتدا وضعیت عملکرد موتور را تعیین می‌کند (حالات ممکن عبارتند از حالت نرمال، خطای اتصال کوتاه فاز به فاز، خطای مدار باز شدن یکی از فازها و خطای اتصال کوتاه در حلقههای سیم‌پیچی) و چنانچه تشخیص دهد خطایی رخ داده آن را اعلام و چنانچه خطا از نوع اتصال کوتاه حلقههای سیم‌پیچی باشد فاز معیوب را برای اقدامات بعدی مشخص می‌کند. نتایج حاصل از آزمایشات گسترده حاکی از آن است که سیستم تشخیص خطای طراحی‌شده مبتنی بر شبکه عصبی احتمالی با توجه به قابلیت فراوانی که این نوع شبکه عصبی در طبقه‌بندی داده‌ها دارد میتواند یکی از مطمئن‌ترین و قابل اعتمادترین سیستم‌های تشخیص خطا در محافظت از ادوات الکتریکی مخصوصاً موتورهای سنکرون مغناطیس دائم باشد.
[1] F. Filippetti, G. Franceschini, C. Tassoni, and, P. Vas, "Recent developments of induction motor drives fault diagnosis using AI techniques," IEEE Trans. on Industrial Electronics, vol. 47, no. 5, pp. 994-1004, Oct. 2000.
[2] L. Liu, Robust Fault Detection and Diagnosis for Permanent Magnet Synchronous Motors, Ph.D. Thesis, the Florida State University of Engineering, Jun. 2006.
[3] S. Hedayati Kia, H. Henao, and G. A. Capolino, "A high-resolution frequency estimation method for three - phase induction machine fault detection," IEEE Trans. on Industrial Electronics, vol. 54, no. 4, pp. 2305-2314, Aug. 2007.
[4] M. R. Rao and B. P. Singh, "Detection and localization of inter-turn fault in the HV winding of a power transformer using wavelets," IEEE Trans. on Dielectrics and Electrical Insulation, vol. 8, no. 4, pp. 652-657, Aug. 2001.
[5] J. Cusido, L. Romeral, J. A. Ortega, A. Garcia, and J. R. Riba, "Wavelet and PDD as fault detection techniques," Electric Power Systems Research, vol. 80, no. 8, pp. 915-924, Aug. 2010.
[6] T. W. S. Chow and S. Hai, "Induction machine fault diagnostic analysis with wavelet technique," IEEE Trans. on Industrial Electronics, vol. 51, no. 3, pp. 558-565, Jun. 2004.
[7] L. Satish, "Short-time fourier and wavelet transforms for fault detection in power transformers during impulse tests," IEE Proceedings: Science, Measurement and Technology, vol. 145, no. 2, pp. 77-84, Mar. 1998.
[8] A. V. Oppenheim and R. W. Schafer, Digital Signal Processing, Prentice Hall PTR, USA, 1975.
[9] T. Boileau, B. Nahid-Mobarakeh, and F. Meibody-Tabar, "Back-EMF based detection of stator winding inter-turn fault for PM synchronous motor drives," in Proc. IEEE Vehicle Power and Propulsion Conf., VPPC'07, pp. 95-100, 9-12 Sep. 2007.
[10] E. A. Mohamed, A. Y. Abdelaziz, and A. S. Mostafa, "A neural network - based scheme for fault diagnosis of power transformers," Electric Power Systems Research, vol. 75, no. 1, pp. 29-39, Jul. 2005.
[11] J. Urresty, J. Riba, and L. Romeral, "Application of the zero-sequence voltage component to detect stator winding inter - turn faults in PMSMs," Electric Power Systems Research, vol. 98, pp. 38-44, Aug. 2012.
[12] H. A. Darwish, A. M. I. Taalab, and T. A. Kawady, "Development and implementation of an ANN - based fault diagnosis scheme for generator winding protection," IEEE Trans. on Power Delivery, vol. 16, no. 2, pp. 208-214, Apr. 2001.
[13] J. Quiroga, D. A. Cartes, C. S. Edrington, and L. Liu, "Neural network based fault detection of PMSM stator winding short under load fluctuation," in Proc. 13th Power Electronics and Motion Control Conf., EPE – PEMC'08, pp. 793-798, 1-3 Sep. 2008.
[14] A. Singh and P. Verma, "A review of intelligent diagnostic methods for condition assessment of insulation system in power transformers," in Proc. IEEE Int. Conf. on Condition Monitoring and Diagnosis, CDM'08, pp. 1354-1357, 21-24 Apr. 2008.
[15] M. Tripathy, "Power transformer differential protection using neural network principal component analysis and radial basis function neural network," Simulation Modeling Practice and Theory, vol. 18, no. 5, pp. 600-611, May 2010.
[16] Y. D. Nyanteh, S. K. Srivastava, C. S. Edrinfton, and D. A. Cartes, "Application of artificial intelligence to stator winding fault diagnosis in permanent magnet synchronous machines," Electric Power System Research, vol. 103, pp. 201-213, Oct. 2013.
[17] M. Tripathy, R. P. Maheshwari, and H. K. Verma, "Probabilistic neural - network - based protection of power transformer," IET Electric Power Application, vol. 1, no. 5, pp. 793-798, Sep. 2007.
[18] M. A. Shamsi-Nejad, Architectures d'Alimentation et de Commande d'Actionneurs Tolerants aux Defauts-Regulateur de Courant non Lineaire a Large Bande Passante, Ph.D. Thesis, Institut National Polytechnique de Lorraine, Nancy, French, Jul. 2007.
[19] S. Nandi, H. A. Toliyat, and X. Li, "Condition monitoring and fault diagnosis of electrical motors - a review," IEEE Trans. on Energy Conversion, vol. 20, no. 4, pp. 719-729, Dec. 2005.
