دانلود رایگان ترجمه مقاله تشخیص عیب روتور شکسته در LS-PMSM (ساینس دایرکت – الزویر ۲۰۱۸)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

هنگامی که جنگل تصادفی ساخته شده است، نمونه (x) با گذر نمونه به هر درخت تصمیم گیری در جنگل تصادفی (شکل ۲) طبقه بندی می شود. هر یک از درخت های تصمیم گیری نمونه را با پیروی از یک شاخه خاص درخت بسته به نتیجه هر گره طبقه بندی می کند. خروجی جنگل تصادفی سپس با انتخاب اکثر خروجی ها از هر درخت تصمیم می گیرد. یعنی خروجی هر درخت یک رأی در نظر گرفته می شود، با اکثریت رای گیری، نتیجه خروجی جنگل تصادفی را تعیین می کند.
جنگل های تصادفی راهی برای انجام انتخاب ویژگی با استفاده از اهمیت هر ویژگی مشتق شده در هنگام ساخت درخت تصمیم گیری را فراهم می کنند [۲۴]. هر گره غير برگ در درخت تصميم، يک گره تصميم گيري است که يک خصوصيت را تست مي کند و براساس تصميم، داده ها را تجزيه مي کند. به طور متوسط کاهش ناخالصی برای هر ویژگی بر روی تمام درختان در جنگل های تصادفی نتیجه می شود، این اهمیت را برای هر ویژگی به ارمغان می آورد. ما از اهمیت ویژگی ها برای کاهش تعداد ویژگی های از ۱۳ ویژگی به دو ویژگی استفاده کردیم، همان طور که در ادامه توضیح داده شده است.
جنگل های تصادفی برای نظارت بر خطا و تشخیص موتورهای القایی و چرخ دنده استفاده شده اند، اما نه برای LS-PMSMs. نوی و همکاران داده های ۲۱ سنسور برای شناسایی لرزش، جریان، ولتاژ و سیگنال شار از یک موتور القایی [۷،۸] جمع آوری کردند. آنها ویژگی های از حوزه های زمان و فرکانس را استخراج کرده و عملکرد دستگاه های بردار پشتیبانی، تجزیه تحلیل های خطی، نزدیکترین همسایگان، جنگل های تصادفی و تئوری تشدید تطبیقی – شبکه های عصبی Kohonen را مقایسه می کنند. در [۹،۱۰]، جنگل های تصادفی ، با تعداد درختان و تعداد ویژگی های انتخاب شده در هر گره تقسیم بهینه سازی شده توسط الگوریتم ژنتیکی برای شناسایی خطا استفاده می شود. Karabadji و همکاران. کتابخانه یادگیری ماشین Weka را برای مقایسه جنگل های تصادفی با انواع مختلف درخت های تصمیم گیری بر روی سیگنال های ارتعاش یک فن صنعتی که متصل به یک موتور الکتریکی است مقایسه می کند [۱۲،۱۳]. آنها همچنین از یک الگوریتم ژنتیکی برای بهینه سازی نوع درخت برای استفاده و انتخاب مجموعه های آموزشی و اعتبار استفاده می کنند. در [۱۷] Pandya و همکاران. سیگنال های صوتی برای شناسایی خطای المان نورد استفاده می شود. آنها ویژگی ها را با استفاده از تقسیم حالت تجربی، استخراج کرده و با نزدیکترین همسایگان اصلاح شده، که از جنگل های تصادفی بهتر عمل می کنند. Seera et al یک مدل هیبرید ترکیبی از یک شبکه عصبی فازی مین مکس (FMM) و یک جنگل تصادفی را پیشنهاد کرد [۱۱]. آنها مدل ترکیبی خود را با FMM، یک درخت تصمیم گیری CART و گروه ترکیبی FMM-CART مقایسه کردند. Cerrada و همکاران الگوریتم ژنتیکی برای انتخاب بهترین زیر مجموعه از ویژگی ها از ۳۵۹ ویژگی برای به حداکثر رساندن دقت تشخیص استفاده می شود [۱۴] از جنگ های تصادفی برای تشخیص خطای چند طبقه استفاده می شود.
کار ما برای اولین بار است که از شروع جریان گذار برای تشخیص خطا استفاده می کند. این در مقایسه با کار قبلی است که از جریان ثابت برای تجزیه و تحلیل خطا استفاده می کند [۷-۱۱]. علاوه بر این، تمام برنامه های کاربردی جنگل های تصادفی برای شناسایی خطا به موتور القایی محدود شده اند و به LS-PMSM ها اعمال نشده اند. نوع موتور الکتریکی تأثیر قابل توجهی بر تشخیص خطای موتور به علت تفاوت ساختار دارد [۱۸]. بنابراین، نظارت بر خطا از موتور القایی به دلیل تفاوت در این دو نوع موتور نمی تواند به LS-PMSMs تعمیم داده شود.

۳٫ موتورهای سنکرون مغناطیس دائم آغاز خط
یک مانع مهم برای PMSM های معمولی این است که آنها برای ورود به یک اینورتر نیاز دارند، که برای بسیاری از کاربردها سرعت یکسان نیست. موتور مگنت دائمی مجهز به قفس سنجاب LS-PMSM یک موتور با کارایی بالا با قابلیت شروع اولیه را فراهم می کند، اما بدون نیاز به سیستم درایو [۳،۲۷]. LS-PMSM ها اکنون می توانند به میزان کارایی فوق العاده برسند [۲۸]. ساختار LSPMSM شامل (۱) استاتور یک یا سه فاز مشابه موتور القایی و (۲) روتور ترکیبی حاوی میله های هادی و آهنرباهای دائمی است. در میله سنجاب قفس در یک ماشین الکتریکی هنگامی که موتور از توقف راه اندازی می شود، گشتاور شروع می شود. مشابه موتورهای ناهمزمان، میله های سنجاب قفس در LSPMSM، عملکرد راه اندازی را در طول حرکت موتور افزایش می دهد و باعث می شود که روتور به حرکت مستقیمی در خط بپردازد. هنگامی که بار بر روی موتور نامتعادل است و یا سرعت چرخش نوسان می کند، میله های سنجاقک کوچک می شوند و میدان های ضد چرخش شکاف هوا را کاهش می دهند، که در غیر این صورت باعث خسارت قابل ملاحظه خواهد شد.
شکل ۳ یک مقطع یک قطب LS-PMSM چهار قطب سه فاز را نشان می دهد. خطای روتور باعث ایجاد گشتاور شروع می شود به عنوان یک نتیجه از جریان القایی در میله ها ایجاد یک میدان الکترومغناطیسی می شود، که با میدان چرخانده تعامل می کند و سپس موتور را به سمت همزمان شدن می کشد. علیرغم جریان القا شده، تلفات مس در میله ها ناچیز است زیرا عملیات همزمان انجام می شود.

میله روتور شکسته یک خطای عمده در موتورهای قفس سنجاب است. حضور هر گونه آسیب در میله روتور موجب خطای ثانویه در موتور می شود و منجر به ناتوانی در عملکرد موتور می شود. هنگامی که یک میله روتور شکسته می شود، وضعیت میله های همسایه نیز با توجه به افزایش استرس در طول زمان بدتر می شود. علاوه بر این، هر گونه نقص در خطا بر توزیع شار موثر است. بنابراین، کار ما تمرکز بر شناسایی خطای میله روتور شکسته است.
کار ما بیشتر مربوط به کار [۲۹، ۳۰] است. در [۳۰]، Merjou و همکاران. در حال حاضر، تشخیص خطا در میله روتور شکسته در LS-PMSMs است، اما نتایج آنها از مدل سازی با نرم افزار شبیه سازی با استفاده از FEM در شرایط سالم و تحت خطا بدست می آید. Merjou و همکاران سیگنال های جریان گذرا را برای تجزیه و تحلیل خود استفاده کرد، اما این سیگنال های جریان گذرا بخشی از شبیه سازی است و از یک دستگاه واقعی LSPMSM به دست نمی آید. تجزیه و تحلیل آنها محدود به تجزیه و تحلیل طیف فعلی در حوزه زمان با استخراج ویژگی های آماری است. در [۳۱] تبدیل هیلبرت برای استخراج پاکت سیگنال فعلی مورد استفاده قرار گرفت. از پاکت نامه، ویژگی های دامنه زمانی استخراج شد، از جمله شاخص متوسط، RMS، ناهموار، کورتوزیس، و غیره. ما در کار توسط Merjou و همکاران با انجام شناسایی خطای میله روتور بر روی دستگاه LS-PMSM، در حالیکه در [۳۰،۳۱] یک شبیه سازی نرم افزاری برای تجزیه و تحلیل خطا استفاده می شود بهبود ایجاد می کنیم. ما همچنین گام اضافی شامل یک الگوریتم یادگیری ماشین آموزش داده شده با ویژگی های یک موتور سالم و موتور با یک میله روتور شکسته است. هیچ روش یادگیری ماشین در [۳۰،۳۱] ارائه نشده است.
تشخیص خطا قبلی باقی مانده در LS-PMSMs شامل خطا های بیرونی و مغاطیس زدایی می شود. در [۱۸]، کرامی و همکاران تجزیه و تحلیل خطای بیرونی در طول عملکرد حالت پایدار یک موتور LS-PMSM را انجام دادند. این تجزیه و تحلیل با استفاده از شبیه سازی نرم افزار LS-PMSM سه فاز انجام می شود. کار آنها همچنین از تجزیه و تحلیل در دامنه فرکانس با استفاده از تجزیه و تحلیل تراکم طیفی قدرت (PSD) استفاده می کند. در [۲۷]، تخلیه غیر قابل برگشت یک LS-PMSM با استفاده از تحلیل گذرا و روش دو بعدی عددی عنصری تجزیه و تحلیل شد. تجزیه و تحلیل و نتایج بر اساس یک مدل و نه LS-PMSM فیزیکی است. در [۲۱]، روش دو عاملی گام به گام دو بعدی برای تجزیه و تحلیل عملکرد گذرا یک مدل شبیه سازی LS-PMSM استفاده می شود. در [۳۲]، لو و همکاران رفتار LS-PMSM را در شرایط افزایش مغناطیس همراه با علل منجر به مغاطیس زدایی مورد بررسی قرار داد. در حالی که یک دستگاه LSPMSM برای جمع آوری پارامترها و درک عملکرد دستگاه استفاده می شود، تجزیه و تحلیل واقعی بر روی یک مدل ریاضی دستگاه انجام می شود. لو و همکاران همچنین یکی از اولین کسانی بود که یادآوری ماشین را، به ویژه یک شبکه عصبی، برای مغناطیس زدایی در LS-PMSM معرفی کرد [۳۲]. در [۳۳-۳۵]، تخلیه در LSPMSM ها نیز با استفاده از یک مدل شبیه سازی مورد تجزیه و تحلیل قرار می گیرد.
در مقایسه با کار قبلی، از یک دستگاه LS-PMSM برای جمع آوری داده های جاری برای تجزیه و تحلیل خطا استفاده کردیم، در حالیکه کار قبلی تنها از شبیه سازی نرم افزار LS-PMSM استفاده می کند. ما همچنین برای تشخیص خطا از سیگنال جریان گذرا استفاده کردیم، به غیر از استفاده از جریان پایدار. در نهایت، تجزیه و تحلیل خطا در گذشته، تقارن را بررسی کرده است، در حالی که ما بر خطا های روتور تمرکز می کنیم.

۴٫ الگوریتم تشخیص خطا
شکل ۴ نمودار جریان تشخیص خطا در این تحقیق را ارائه می دهد. اول، میز کار آزمایشی با LS-PMSM با دو شرایط مختلف تنظیم شد: (۱) سالم و (۲) خطادار- میله روتور شکسته شده. سیگنال جریان استاتور در هنگام راه اندازی موتور با استفاده از سنسور جریان Hall-Effect جمع آوری شد. بعد، سیگنال های فعلی به دست آمده توسط پردازش داده ها به ۴۰ دوره اول سیگنال فعلی پیش پردازش شدند. داده ها نیز با اطمینان از اینکه نقطه شروع و توقف داده ها به صفر می رسد، پاک می شود. در مرحله بعد، ۱۳ ویژگی زمانی دامنه از سیگنال فعلی استخراج شد (در زیر بحث می شود). در نهایت، ویژگی ها برای آموزش و آزمایش جنگل های تصادفی مورد استفاده قرار گرفتند.

۴٫۱ پیکربندی راه اندازی
شکل ۵ نقشه های آزمایشی مورد استفاده برای بررسی خطای میله روتور را نشان می دهد. این سیستم شامل یک منبع تغذیه سه فاز، یک LS-PMSM، سنسور گشتاور و سرعت، کوپلینگ مکانیکی، یک ترمز پودر مغناطیسی به عنوان بار، یک منبع DC، حسگر جریان هال، یک اسیلوسکوپ و یک کامپیوتر .