چکیده
تشخیص خطای گریز از مرکز ترکیبی (ME) تا کنون برای موتورهای سنکرون مغناطیس دائم (PMSMs) ثبت نشده است. این مقاله نشان می دهد که چگونه گریز از مرکز استاتیک (SE)، گریز از مرکز دینامیک (DE) و ME در PMSMs سه فاز تشخیص داده می شوند. یک شاخص جدید برای تشخیص غیرهجومی این خطاهای گریز از مرکز برای PMSM خطایی معرفی شده است. این شاخص دامنۀ مؤلفه های باند جانبی با یک الگوی فرکانسی خاص است که از طیف جریان استاتور استخراج می شود. استفاده از این شاخص تعیین دقیق وقوع و همچنین نوع و درصد خطای گریز از مرکز را ممکن می سازد. ضمناً، طیف جریان PMSM خطایی در طول محدوده بزرگ بررسی می شود و توانایی این شاخص پیشنهادی برای تشخیص خطای گریز از مرکز PMSMs با بارهای مختلف نشان داده می شود. یک بررسی نظری جدید بر مبنای تحلیل میدان مغناطیسی برای تثبیت شاخص معرفی شده و تعمیم روش تشخیص خطا ارائه شده است. برای نشان داده شایستگی این شاخص در تشخیص گریز از مرکز و برآورد شدت آن، ابتدا، پیوستگی میان شاخص و درجات SE و DE تعیین می شود. سپس، نوع خطای گریز از مرکز با نزدیک ترین ممیز همجوار یعنی k، تعیین می شود. در مرحلۀ بعد، یک شبکۀ عصبی مصنوعی سه لایه برای برآورد درجه و نوع خطای گریز از مرکز به کار گرفته می شود. پس از همۀ این ها، نویز سفید گاوسی به جریان شبیه سازی شده اضافه می شود، و قدرت شاخص پیشنهادی با توجه به واریانس نویز تحلیل می شود. در این مقاله، PMSM تحت شرایط خطای مغناطیسی (مغناطیس زدایی) و خطاهای الکتریکی (مدار اتصال کوتاه و قطع مدار) مدل بندی می شود، و طیف جریان در PMSM خطایی در خطاهای مغناطیس زدایی، مدار اتصال کوتاه و قطع مدار تحلیل می شود. نشان داده شده که این شاخص پیشنهادی، به خاطر خطای گریز از مرکز و خطاهای مغناطیسی و الکتریکی در طیف جریان ایجاد نمی شود. در واقع، انتظار می رود که این شاخص معرفی شده تنها به خاطر خطای گریز از مرکز ایجاد شود و به دیگر خطاها حساس نیست. برای مدل سازی خطاهای گریز از مرکز PMSM، یک روش اِلمان محدودtime-stepping به کار گرفته می-شود، که این روش همۀ ویژگی های هندسی و فیزیکی مؤلفه های ماشین، نفوذ غیر هم شکل شکاف فضایی و ویژگی های غیر هم شکل مواد PM را در نظر می گیرد. این مدل دسترسی به سیگنال های مورد تقاضا را برای پردازش دقیق آسان می کند. مقایسه نتایج شبیه سازی و آزمایشی این شاخص پیشنهادشده را تأیید می کند.
Abstract
Mixed-eccentricity (ME) fault diagnosis has not been so far documented for permanent-magnet (PM) synchronous motors (PMSMs). This paper investigates how the static eccentricity (SE), dynamic eccentricity (DE), and ME in three-phase PMSMs can be detected. A novel index for noninvasive diagnosis of these eccentricities is introduced for a faulty PMSM. The nominated index is the amplitude of sideband components with a particular frequency pattern which is extracted from the spectrum of stator current. Using this index makes it possible to determine the occurrence, as well as the type and percentage, of eccentricity precisely. Meanwhile, the current spectrum of the faulty PMSM during a large span is inspected, and the ability of the proposed index is exhibited to detect eccentricity in faulty PMSMs with different loads. A novel theoretical scrutiny based on a magnetic field analysis is presented to prove the introduced index and generalize the illustrated fault recognition method. To show the merit of this index in the eccentricity detection and estimation of its severity, first, the correlation between the index and the SE and DE degrees is determined. Then, the type of the eccentricity is determined by a k-nearest neighbor classifier. At the next step, a three-layer artificial neural network is employed to estimate the eccentricity degree and its type. After all, a white Gaussian noise is added to the simulated current, and the robustness of the proposed index is analyzed with respect to the noise variance. In this paper, the PMSM under magnetic fault (demagnetization) and electrical faults (short and open circuits) is modeled, and the current spectrum of the faulty PMSM under demagnetization, short circuit, and open circuit faults is analyzed. It is demonstrated that the proposed index, due to eccentricity fault, is not generated in the current spectrum due to magnetic and electrical faults. Indeed, it is exposed that the introduced index is only created due to eccentricity fault and it is not sensitive to other faults. To model the PMSM eccentricities, a time-stepping finite-element method, which takes into account all geometrical and physical characteristics of the machine components, nonuniform permeance of the air gap, and nonuniform characteristics of the PM material, is employed. This model facilitates the access to the demanded signals in order to have accurate processing. A comparison of simulation and experimental results validate the proposed index.
چکیده
1- مقدمه
2- مدل سازی گام زمانی
3- محیط آزمایشی
4- تشخیص خطای SE، DE و ME
الف. شاخصی جدید برای تشخیص خطای DE
ب. تشخیص خطای SE
ج. تشخیص خطای ME
5- اثرات بار بر شاخص پیشنهادی
6- تحلیل نظری شاخص معرفی شده
الف. نفوذ شکاف فضایی
ب. عناصر میدان شکاف فضایی
ج. عناصر جریان استاتور
7- تحلیل شاخص های پیشنهادی برای برآورد نوع و درجۀ خطای گریز از مرکز
8- تخمین شدت خطای گریز از مرکز
الف. تعیین نوع خطای گریز از مرکز
ب. تخمین درجۀ خطای گریز از مرکز
ج. معماری شبکه ها
د. نتایج
9- تمایز میان خطای گریز از مرکز و سایر خطاها با استفاده از شاخص معرفی شده
10- نتیجه گیری
Abstract
I. INTRODUCTION
II. TIME-STEPPING FE MODELING
III. EXPERIMENTAL SETUP
IV. SE, DE, AND ME FAULT DIAGNOSES
A. New Index for DE Fault Diagnosis
B. SE Fault Diagnosis
C. ME Fault Diagnosis
V. LOAD EFFECTS ON THE PROPOSED INDEX
VI. THEORETICAL ANALYSIS OF THE INTRODUCED INDEX
A. Air-Gap Permeance
B. Air-Gap Field Components
C. Stator Current Components
VII. ANALYSIS OF THE PROPOSED INDICES FOR ESTIMATING THE TYPE AND DEGREE OF ECCENTRICITY
A. Identifying Eccentricity Type
B. Estimation of Eccentricity Degree
C. Architecture of Networks
D. Results
VIII. ANALYSIS OF THE PROPOSED INDICES FOR ESTIMATING THE TYPE AND DEGREE OF ECCENTRICITY
A. Identifying Eccentricity Type
B. Estimation of Eccentricity Degree
C. Architecture of Networks
D. Results
IX. DISCRIMINATION BETWEEN ECCENTRICITY AND OTHER FAULTS USING THE INTRODUCED INDEX
X. CONCLUSION