کاربرد هوش مصنوعی برای تشخیص خطای بلادرنگ در ماشین های سنکرون مغناطیس دائم
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.
1- مقدمه
تشخیص و شناسایی خطا (FDD) و پیش بینی روزافزون ابزارهایی مهم برای پایایی، دسترس پذیری و قابلیت زنده ماندن در کشتی های دریای هستند. با گسترشFDD به تجهیزات خودکار پیش بینی کننده، آگاهی ارزش این تکنولوژی را افزایش می دهد. امروزه، یادگیری، طبقه بندی، شبیه سازی و همبستگی داده های بلادرنگ، و نقش های برنامه ریزی شناختی می توانند تقریباً با هزینه های منطقی در تکنولوژی های کامپیوتری مدرن به صورت خودکار درآیند. توسعۀ سریع کامپیوتر، سنسور و تکنولوژی های پردازشی سیگنال، همراه با روش های هوش مصنوعی (AI)، تشخیص و پیش بینی خطا را به صورتی کارآمد با هزینه هایی معقول امکان پذیر ساخته است.
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.
I. INTRODUCTION
FAULT detection and diagnosis (FDD) and increasing prognosis are important tools for the reliability, availability, and survivability of marine vessels. Extending the FDD into predictive and prognostic automated equipment awareness increases the value of this technology. Nowadays, the real-time data acquisition, classification, assimilation and correlation, and cognitive mapping functions can be almost completely automated at reasonable cost with modern computer technologies. The rapid development of computer, sensor, and signal processing technologies, together with artificial intelligence (AI) techniques, has made it possible to implement fault diagnosis and prognosis effectively at reasonable prices.
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
Abstract
I. INTRODUCTION
II. I. INTRODUCTION
A. Organization
B. Winding Insulation System Testing
C. Types of Tests
III. FAILURE PROCESSES FOR ELECTRICAL MACHINES
A. Thermal Overloading
B. Thermal Cycling
C. Repetitive Voltage Surges
D. Round and Salient Pole Rotor Failure Processes
E. Wound and Squirrel Cage Induction Machine Rotor Winding Failure Processes
IV. CONDITION TESTING AND MONITORING
A. Online Monitoring for Stator and Rotor Windings
V. FAULT DETECTION IN PMSM
A. Neural Network Model Development
B. ANN Model Training
VI. DESCRIPTION OF EXPERIMENTAL SETUP
A. Training Results
B. Fault Simulation Results
VII. CONCLUSION
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه