Sürekli mıknatıslı senkron motorda demagnetize ve stator sarımlar arası kısa devre arızalarının tespiti için yöntem geliştirilmesi

Basit Öğe Kaydı
dc.authorid0000-0002-6958-5057en_US
dc.contributor.advisorGümüş, Bilal
dc.contributor.authorLale, Timur
dc.date.accessioned2024-11-08T16:47:07Z
dc.date.available2024-11-08T16:47:07Z
dc.date.issued2024en_US
dc.date.submitted2024
dc.departmentDicle Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik - Elektronik Mühendisliği Ana Bilim Dalıen_US
dc.description.abstractSürekli Mıknatıslı Senkron motorlar (SMSM'ler) yüksek verimlilik, kompakt tasarım ve yüksek güç yoğunluğu gibi özellikleri sayesinde otomotiv, havacılık ve ulaşım endüstrilerinde yaygın olarak kullanılmaktadır. Kritik tahrik sistemlerinde kullanılan SMSM'lerde meydana gelebilecek potansiyel arızaların erken aşamada tespit edilmesi sistemin güvenirliği ve sürdürebilirliği açısından önemlidir. Bu tezde SMSM'deki demagnetize ve stator sarımlar arası kısa devre arızaların erken aşamada tespit edilmesi için yöntemler geliştirilmiştir. SMSM'deki sarım kısa devre arıza (KDA) tespitinde ve KDA şiddetinin sınıflandırılmasında kullanılabilecek sarım KDA göstergelerinin elde edilmesi için deneysel çalışmadan elde edilen moment sinyaline Hızlı Fouirer Dönüşümü (FFT) uygulanmıştır. Moment sinyali sağlıklı, %2 KDA, %12,5 KDA ve %25 KDA durumlarında harmonikleri açısından frekans düzleminde analiz edilmiştir. Sarım KDA durumlarındaki momentin 2.ve 4.harmonik bileşenlerinin genlikleri sağlıklı duruma göre artmıştır. Motorun farklı yükleme ve çalışma hızlarının tümünde momentin 2.ve 4.harmonik genlikleri sarım KDA şiddetinin artmasıyla artmıştır. Bundan dolayı momentin 2.ve 4.harmonik bileşenleri SMSM'de sarım KDA tespitinde kullanılabilecek yeni sarım KDA göstergeleri olarak önerilmiştir. Önerilen moment tabanlı sarım KDA göstergeleri makine öğrenme yöntemlerinde kullanılarak sarım KDA tespiti ve KDA şiddetinin sınıflandırılması yapılmıştır. Makine öğrenme yöntemlerinde çok katmanlı yapay sinir ağları (MLP), destek vektör makinaları (SVM), k-en yakın komşuluk yöntemi (KNN) ve karar ağacı (DT) kullanılmıştır. MLP, SVM, KNN ve DT algoritmalarıyla SMSM'deki sarım KDA teşhisi sırasıyla %100, %99,30, %97,91 ve %95.48 doğrulukla tahmin edilmiştir. Önerilen moment tabanlı sarım KDA teşhis yöntemi literatürdeki akım ve gerilim tabanlı KDA teşhis yöntemleriyle karşılaştırılmıştır. Önerilen moment tabanlı sarım KDA teşhis yöntemin akım ve gerilim tabanlı KDA teşhis yöntemlerine göre daha başarılı sonuçlara ulaşmıştır. SMSM'deki demagnetize arızasının (DMA) tespiti için deneysel çalışmadan elde edilen sağlıklı, %5 DMA ve %10 DMA durumlardaki akım ve moment sinyallerine FFT uygulanmıştır. Motor sinyalleri farklı yükleme ve farklı çalışma hızlarında kaydedilmiştir. Demagnetize arızası durumlarındaki akımın 11.harmonik genliği ve momentin 6.ve 12.harmonik bileşen genlikleri sağlıklı duruma göre artmıştır. Bu artış motorun farklı yükleme ve çalışma hızlarında da gerçekleşmiştir. Bundan dolayı akımın 11.harmonik bileşeni ve momentin 6.ve 12.harmonik bileşenleri SMSM'deki demagnetize arıza tespitinde kullanılabilecek yeni göstergeler olarak önerilmiştir. SMSM'deki demagnetize ve sarım kısa devre arızaların tespiti, arıza türünün ve şiddetinin sınıflandırılması için derin öğrenme yöntemlerinden geliştirilmiş tek boyutlu evrişimsel sinir ağı (1B-CNN) kullanılmıştır. Önerilen 1B-CNN derin ağ modelinde stator ham üç faz akım sinyalleri kullanılmıştır. Önerilen 1B-CNN yöntemiyle SMSM'deki DMA ve sarım KDA tespiti, arızaların birbirinden ayırt edilmesi ve arıza şiddetinin sınıflandırılması yaklaşık %98 doğrulukla tahmin edilmiştir.
dc.description.abstractPermanent Magnet Synchronous Motors (PMSMs) are widely used in automotive, aerospace and transport industries due to their high efficiency, compact design and high power density. Early detection of potential failures in PMSMs used in critical drive systems is important for the reliability and sustainability of the system. In this thesis, methods are developed for early detection of demagnetised and stator winding short circuit faults in SMSMs. Fast Fouirer Transform (FFT) was applied to the torque signal obtained from the experimental study to obtain turn short circuit fault (SCF) indicators that can be used in turn SCF detection and SCF severity classification in PMSM. The torque signal was analysed in the frequency domain in terms of harmonics for healthy, 2% SCF, 12.5% SCF and 25% SCF conditions. The amplitudes of the 2nd and 4th harmonic components of the torque in turn SCF conditions increased compared to the healthy condition. The amplitudes of the 2nd and 4th harmonic components of the torque increased with increasing turn SCF severity at all different loading and operating speeds of the motor. Therefore, the 2nd and 4th harmonic components of the torque are proposed as new turn SCF indicators that can be used for winding SCF detection in PMSM. The proposed moment-based turn SCF indicators are used in machine learning methods to detect turn SCF and classify the severity of SCF. Multilayer artificial neural networks (MLP), support vector machines (SVM), k-nearest neighbour method (KNN) and decision tree (DT) were used in machine learning methods. MLP, SVM, KNN and DT algorithms predicted the turn SCF in PMSM with 100%, 99.30%, 97.91% and 95.48% accuracy, respectively. The proposed torque-based turn SCF diagnosis method is compared with current and voltage-based SCF diagnosis methods in the literature. The proposed torque-based turn SCF diagnosis method has achieved more successful results than current and voltage-based SCF diagnosis methods. In order to detect the demagnetised fault (DMF) in the PMSM, FFT was applied to the current and moment signals obtained from the experimental study in healthy, 5% DMF and 10% DMF conditions. Motor signals were recorded at different loading and different operating speeds. The 11th harmonic amplitude of the current and the 6th and 12th harmonic component amplitudes of the torque in the demagnetised fault conditions increased compared to the healthy condition. This increase also occurred at different loading and operating speeds of the motor. Therefore, the 11th harmonic component of the current and the 6th and 12th harmonic components of the torque are proposed as new indicators for demagnetised fault detection in PMSM. The one-dimensional convolutional neural network (1D-CNN) developed from deep learning methods is used for the detection of demagnetised and winding short-circuit faults in PMSM and classification of fault type and severity. Stator raw three phase current signals are used in the proposed 1D-CNN deep network model. With the proposed 1D-CNN method, detection of DMF and winding SCF in PMSM, differentiation of faults and classification of fault severity are predicted with an accuracy of approximately 98%.
dc.identifier.citationLale, T. (2024). Sürekli mıknatıslı senkron motorda demagnetize ve stator sarımlar arası kısa devre arızalarının tespiti için yöntem geliştirilmesi. Yayımlanmamış doktora tezi, Dicle Üniversitesi, Diyarbakır.en_US
dc.identifier.urihttps://hdl.handle.net/11468/28988
dc.language.isotren_US
dc.publisherDicle Üniversitesi, Fen Bilimleri Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectSürekli mıknatıslı senkron motoren_US
dc.subjectSarımlar arası kısa devre arızasıen_US
dc.subjectDemagnetize arızasıen_US
dc.subjectEvrişimsel sinir ağı (CNN)en_US
dc.subjectÇok katmanlı yapay sinir ağları (MLP)en_US
dc.subjectDestek vektör makinaları (SVM)en_US
dc.subjectPermanent magnet synchronous motoren_US
dc.subjectInter-turn short circuit faulten_US
dc.subjectDemagnetisation faulten_US
dc.subjectConvolutional neural network (CNN)en_US
dc.subjectMultilayer artificial neural networks (MLP)en_US
dc.subjectSupport vector machines (SVM)en_US
dc.titleSürekli mıknatıslı senkron motorda demagnetize ve stator sarımlar arası kısa devre arızalarının tespiti için yöntem geliştirilmesien_US
dc.title.alternativeThe development of method for detection of demagnetised and stator interturn short circuit faults in permanent magnet synchronous motoren_US
dc.typeDoctoral Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Sürekli mıknatıslı senkron motorda demagnetize ve stator sarımlar arası kısa devre arızalarının tespiti için yöntem geliştirilmesi.pdf
Boyut:
3.72 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Tez Dosyası
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
[ X ]
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Fen Bilimleri Enstitüsü Tezler