دانلود مقاله ترجمه شده صحت تشخیص عیب و جداسازی در دستگاههای همگام با آهنربای دائمی (IEEE ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

در مورد صحت تشخیص عیب و جداسازی در دستگاههای همگام با آهنربای دائمی با استفاده از MCSA / MVSA و LDA

On the Accuracy of Fault Detection and Separation in Permanent Magnet Synchronous Machines using MCSA/MVSA and LDA

چکیده

۱- مقدمه

۲- مقدمه

الف. خطای گریز از مرکز

ب- مدار اتصال کوتاه حلقه به حلقه

ج- مغناطیس زدایی

۳- خطاهای اجرایی و روش پیشنهادی

الف- تحلیل اِلِمان محدود

ب- محیط آزمایشی

ج- الگوریتم شناسایی و طبقه بندی خطا

۴- تحلیل افتراقی خطی (LDA)

۵- شبیه سازی و نتایج آزمایشی

الف- تشخیص نوع خطا

ب- شناسایی شدت خطا

ج- مقایسه FEA با داده های آزمایشی

د- تأثیر دما

۶- نتیجه گیری

چکیده

در این مقاله موتور جریان/تحلیل مغناطیس ولتاژ و تحلیل تشخیصی خطا با توجه به صحت شناسایی وضعیت ماشین های سنکرون مغناطیس دائم ارزیابی می کند که آیا سالم است یا خیر، نوع آن خطا را تعیین می کند و شدت آن را در مورد خطای گریز از مرکز استاتیک یا مدار اتصال کوتاه حلقه به حلقه برآورد می کند. در اینجا سه نوع خطا مورد بحث قرار می گیرد: گریز از مرکز استاتیک، مدار اتصال کوتاه حلقه به حلقه و خطای مغناطیس زدایی جزئی. تحلیل اِلِمان محدود دو بعدی (۲-D) برای مدل سازی و شبیه سازی ماشین تحت شرایط سالم یا ناسالم به کار گرفته می شود. تبدیل سریع فوریه بر ولتاژ فاز یا سیگنال های جریان اعمال می شود تا طیف فرکانس را به دست آورد. ترکیبی از دامنه هارمونیک های ولتاژ استاتور یا سیگنال های جریان به عنوان ویژگی های دقیقی برای طبقه بندی تشخیص خطا استفاده می شوند. تحلیل افتراقی خطی به عنوان روش طبقه بندی برای هر دو انتخاب می شود که خطا را مشخص کرده و شدت را برآورد می کند. دو نوع سیم پیچ مختلف از ماشین های سنکرون مغناطیس دائم مورد آزمایش قرار می گیرند: ماشین سیم پیچ متمرکز و توزیع شده. برای تأیید نتایج شبیه سازی، آزمایشاتی در نقاط عملیاتی مختلف انجام شده و این نتایج با تحلیل اِلِمان محدود مقایسه می شوند.

نتیجه گیری

در این مقاله، طبقه بندی کننده های MSCA و LDA برای تشخیص و برآورد دقیق خطا در PMSM ارزیابی می شوند. دامنه هارمونیک های ولتاژ فاز یا سیگنال های جریان استاتور به عنوان ویژگی های طبقه بندی کنندۀ LDA استفاده می شوند، تا نوع خطا را شناسایی و شدت آن را برآورد کند. در اینجا سه خطا ارزیابی شد: خطای گریز از مرکز استاتیک، مدار اتصال کوتاه حلقه به حلقه و مغناطیس زدایی جزئی. این آزمایشات با استفاده از FEA انجام شدند و با کاربرد داده های آزمایشی برای دو نوع PMSMs اعتبارسنجی شد: ماشین سیم پیچ توزیع شدۀ ۱۲ قطبی و ماشین سیم پیچ متمرکز ۱۶ قطبی. بیشتر روش های تشخیص و جداسازی قبلی بر مبنای کاربرد زیر هارمونیک‌های سیگنال جریان استاتور هستند، درحالی که این موتور در سرعت و گشتاور خاص عمل می کند. برای این روش پیشنهادی، نتایج طبقه بندی شبیه-سازی و آزمایشی نشان می دهد که تغییر در دامنه هارمونیک های جریان یا ولتاژ به خاطر حضور خطا در ماشین، می تواند برای شناسایی نوع خطا و برآورد شدت آن تحت بارهای و سرعت های عملیاتی مختلف استفاده شود.

Abstract

In this paper, the motor current/voltage signature analysis and linear discriminant analysis (LDA) are evaluated with respect to the accuracy to detect the status of permanent magnet synchronous machines (PMSMs) whether it is healthy or faulted, determine the type of that fault, and estimate the severity in the case of static eccentricity or turn-to-turn short-circuit fault. Three types of faults are discussed: static eccentricity, turn-to-turn short circuit, and partial demagnetization fault. Two-dimensional finite element analysis (FEA) is used to model and simulate the machine under healthy and faulted conditions. Fast Fourier transform is applied to the phase voltage or current signals to obtain the frequency spectrum. A combination of the amplitude of the harmonics of the stator voltage or current signals are used as detailed features for the classifier for fault detection. LDA is chosen as a classification method for both detecting the fault and estimating its severity. Two different winding types of PMSMs are tested: a concentrated and a distributed winding machine. To validate the simulation results, experiments at different operational points are carried out and the results are compared with the sFEA.

VI- CONCLUSIONS

In this paper, the MSCA and LDA classifiers were evaluated for accuracy for fault detection and estimation in PMSM. The amplitude of the harmonics of the phase voltage or stator current signals were used as features for the LDA classifier to detect the fault type and estimate its severity. Three faults were discussed: static eccentricity, turn-to-turn short circuit, and partial demagnetization fault. Tests were performed using FEA and validated using experimental data for two types of PMSMs: a 12 poles distributed winding machine and a 16 poles concentrated winding machine. Most of the previous detection and separation methods are based on using the subharmonics of the stator current signal while the motor is operating at a specific speed and torque. For the proposed method, experimental and simulation classification results show that the variation in amplitude of the current or voltage harmonics due to the presence of a fault in the machine, can be used to detect the fault type and estimate the severity under different operating speeds and loads.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

در مورد صحت تشخیص عیب و جداسازی در دستگاههای همگام با آهنربای دائمی با استفاده از MCSA / MVSA و LDA

On the Accuracy of Fault Detection and Separation in Permanent Magnet Synchronous Machines using MCSA/MVSA and LDA