تشخيص بروز شكستگي در ميله‌هاي رتور موتورهاي القايي با استفاده از شبكه‌هاي عصبي

Neural-Network-Aided On-line Diagnosis of Broken Bars inInduction Motors

در اين مقاله براي تشخيص ترك خوردگي حلقه انتهايي و يا ميله‌هاي رتور موتورهاي القايي قفسه سنجابي روشي مبتني بر شبكه‌هاي عصبي ارائه شده است. براي اين منظور پس از بررسي روشهاي سنتي تشخيص خطا، مدل ديناميكي موتور القايي با استفاده از روش تابع سيم‌پيچ معرفي شده است. در اين روش اثر هريك از شيارهاي استاتور و ميله‌هاي رتور را جداگانه درنظر مي‌گيريم. در نتيجه مي‌توان عملكرد موتور در حالت سلامت رتور و يا بروز شكستگي در هر بخش آن را مورد بررسي قرار داد. پس از آن با استفاده از تبديل فوريه، طيف فركانسي سيگنالهاي جريان در شرايط مختلف استخراج و مورد تجزيه و تحليل قرار گرفـته است. آن گاه پس از يك بحث تحليلي در مورد اصول نظري، الگوريتمي ساده با استفاده از شبكه‌هاي عصبي براي تشخيص خطا ارائه شده است. نتايج حاصل از شبيه سازي نشان داد كه اين سيستم قادر به تشخيص سريع و دقيق خطاهاي رتور است. در ادامه همان شبكه عصبي توسط اطلاعات توليد شده توسط يك موتور نمونه به قدرت kW 1/1 مورد آموزش قرار گرفت‌. براي اينكه اين سيستم بتواند به ازاي گشتاورهاي مختلف كارايي داشته باشد، اطلاعات مورد نياز به ازاي گشتاورهاي مختلف توليد شد. اين سيستم قادر به تشخيص سلامت يا شكستگي حلقه انتهايي و يا ميله‌هاي رتور، به صورت بهنگام بوده است.

This paper presents a method based on neural networks to detect broken rotor bars and end rings in squirrel cage induction motors. In the first part, detection methods are reviewed and traditional methods of fault detection as well as dynamic model of induction motors are introduced using the winding function method. In this method, all stator and rotor bars are considered independently in order to check the performance of the motor for any faults in the parts. Then the frequency spectrum of current signals is derived using the Fourier transform and analyzed under various conditions. In the second part of the paper, an analytical discussion of the theoretical principles is presented to arrive at a simple algorithm for fault detection based on neural networks. The neural network has been trained using the information from a 1.1 KW induction motor. Finally, the system is tested with different values of load torque and is found capable of working on-line to detect all normal and ill-performing conditions.