دانلود مقاله ترجمه شده کاربرد هوش مصنوعی به منظور کشف خطای بی درنگ در ماشین های سنکرون مغناطیس ثابت – 2013 IEEE

کاربرد هوش مصنوعی به منظور کشف خطای بی درنگ در ماشین های سنکرون مغناطیس ثابت

Application of Artificial Intelligence to Real-Time Fault Detection in Permanent-Magnet Synchronous Machinesش

چکیده

1- مقدمه

2- سیستم های عایق کاری سیم پیچ

الف- سازمان

ب- بررسی سیستم عایق کاری سیم پیچ

ج- انواع آزمایش

3- فرایندهای شکست در ماشین های الکتریکی

الف- اضافه بار حرارتی

ب- چرخۀ حرارتی

ج- سرژهای ولتاژ تکراری

د- فرایندهای شکست قطب برجسته و گرد روتور

ه- فرآیند شکست سیم پیچ در روتور ماشین القایی سیم بندی شده و قفسه سنجابی

4- شرایط آزمایشی و نظارتی

الف- نظارت آنلاین بر سیم پیچ های استاتور و روتور

5- تشخیص خطا در PMSM

الف- توسعه مدل شبکه عصبی

ب- مدل آموزشی ANN

6- توصیف محیط آزمایشی

الف- نتایج آموزش

ب- نتایج شبیه سازی خطا

7- نتیجه گیری

منایع

چکیده

این مقاله در مورد خطاهای موجود در ماشین های الکتریکی چرخشی بحث می کند و روش تشخیص خطا را با استفاده از شبکه عصبی مصنوعی (ANN) توصیف می کند، که سیستمی خبره برای تشخیص جریانات خطای مدار اتصال کوتاه در سیم پیچ های استاتور ماشین سنکرون مغناطیس دائم (PMSM) است. این محیط آزمایشی شامل PMSM می شود که به صورت مکانیکی به موتور dc متصل شده تا در حالت گشتاور راه اندازی شود. از بهینه سازی ازدحام ذرات برای تنظیم وزن های ANN استفاده می شود. همۀ شبیه سازی ها در محیط متلب/سیمولینک انجام می شود. این روش کارآمد است و می تواند برای تشخیص خطای بلادرنگ به کار برده شود.

7- نتیجه گیری

نتایج نشان داده شده در این مقاله یک روش کاربردی نویدبخش را برای FDD بلادرنگ نشان می دهد. فرکانس کاربرد این درایو می تواند بر سایر فرکانس ها به جز 10 Hz تنظیم شود که فرکانس کاربرد درایو در این مقاله است. در مورد کاربرد رد 10 Hz، با بحث در مورد دست‌کاری داده ها، ANN برای تصمیم گیری به حدود 0.05 s نیاز دارد. این وقفه های زمانی کوتاه از خسارت بیشتر به سیم پیچ ماشین جلوگیری می کند. این شبیه سازی ها برای مقادیر خروجی ANN در آستانۀ 3 انحراف معیار در میانگین نمونه انجام می شود. این آستانه می تواند برای جلوگیری از هشدارهای کاذب افزایش یابد. این روش به صورتی صحیح خطاهای مدار اتصال کوتاه را از ناپایداری-های بارگذاری متمایز می کند.

Abstract

This paper discusses faults in rotating electrical machines in general and describes a fault detection technique using artificial neural network (ANN) which is an expert system to detect short-circuit fault currents in the stator windings of a permanent-magnet synchronous machine (PMSM). The experimental setup consists of PMSM coupled mechanically to a dc motor configured to run in torque mode. Particle swarm optimization is used to adjust the weights of the ANN. All simulations are carried out in MATLAB/SIMULINK environment. The technique is shown to be effective and can be applied to real-time fault detection.

VII- CONCLUSION

The results shown in this paper show a promising technique applicable to real-time FDD. The frequency of operation of the drive can be adjusted to other frequencies other than 10 Hz which was the frequency of operation of the drive in this paper. By the data manipulations discussed, the ANN requires about 0.05 s, in the case of operation at 10 Hz, to make a decision. If the frequency is increased to 60 Hz, the ANN requires 0.00833 s to make decisions. These short time intervals would prevent further damage to the winding of the machine. The simulations have been carried out for values of the ANN output within a threshold range of 3 standard deviations about the sample mean. The threshold can be increased to prevent false alarms. The technique also accurately distinguishes short-circuit faults from loading transients.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربرد هوش مصنوعی به منظور کشف خطای بی درنگ در ماشین های سنکرون مغناطیس ثابت

Application of Artificial Intelligence to Real-Time Fault Detection in Permanent-Magnet Synchronous Machinesش