Skip to main content
SUPERVISOR
Javad Askari,Mohsen Mojiri foroshani
جواد عسگری مارنانی (استاد راهنما) محسن مجیری فروشانی (استاد راهنما)
 
STUDENT
Behrouz Behzad jazi
بهروز بهزادجزی

FACULTY - DEPARTMENT

دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1392
Induction motors are the most common motors for converting electrical energy to mechanical energy . 60% of produced energy is consumed by Induction motors. They have the major industrial applications, and therefore the maintenance of induction motors is so prominent. Fault diagnosis contributes to maintenance programming and reducing of plant shutdowns. Motor-current-signature analysi (MCSA) is one of the most applicable methods for fault detection and isolation of induction motors. Signal processing techniques are presented to analyse stator current. In recent years discrete wavelet transform is mainly employed to detect rotor faults, while this transform has some limitations such as: aliasing, oscillations, and shift variance. These shortcomings can have some bad impacts on fault detection and identification. For example, there may be a fault but discrete wavelet transform cannot detect it or perhaps produces fault alarms. The dual-tree complex wavelet transform is a recent enhancement which solves the discrete wavelet shortcomings. This transform has some important properties such as nearly shift invariance and aliasing reduction. Dual-tree complex wavelet transform is naturally parallelized for efficient hardware implementation. A new technique based on dual-tree complex wavelet transform is proposed in this thesis. The procedure has the following steps: current, envelope and speed is sampled from electrical motor model based on winding function method, signal is decomposed to approximation and detail coefficients then useful features are selected in time and frequency domain. Broken rotor bars and broken end ring are identified in different loads. Noise, temperature fluctuations and voltage changes are considered in signal sampling. Artificial neural networks and support vector machines are used to monitor the condition of motor. Finally, key words Dual-Tree Complex Wavelet Transform, Motor-Current-Signature Analysis, Broken Rotor Bars, Fault Diagnosis , ltr"
موتورهای القایی غالب‌ترین موتورها در تبدیل انرژی الکتریکی به انرژی مکانیکی هستند و 60% انرژی تولیدی برق را مصرف می‌کنند و در کاربردهای اصلی صنایع استفاده می‌شوند، درنتیجه تعمیرات ونگهداری موتورهای القایی بسیار حایز اهمیت است. با انجام تشخیص به موقع عیوب در موتورهای القایی برنامه‌ریزی تعمیرات انجام می‌گیرد و توقف واحد تولیدی به حداقل می‌رسد. یکی از روشهای کارآمد در تشخیص و شناسایی عیوب در موتور القایی آنالیز متغیرهای الکتریکی آن مانند جریان استاتور است. جهت آنالیز جریان استاتور تکنیک‌های پردازش سیگنال مطرح شده است. در سالهای اخیر از تبدیل موجک گسسته جهت تشخیص و شناسایی عیب روتور استفاده شده است، با این وجود این تبدیل دارای محدودیتهایی مانند هم‌پوشانی فرکانسی، نوسانات ضرایب اطراف نقاط تکین و وابستگی آن به تغییرات زمان است؛ این معایب بر روی صحت تشخیص و شناسایی عیب تأثیر می‌گذارد و ممکن است عیبی وجود داشته باشد ولی تبدیل موجک گسسته نتواند آن را تشخیص دهد یا منجر به تولید آلارم های اشتباه گردد. تبدیل موجک مختلط دوگانه یک پیشرفت جدید است که معایب تبدیل موجک گسسته را رفع می‌کند. این تبدیل دارای خواص خوبی مانند عدم وابستگی به تغییرات زمانی و کاهش هم‌پوشانی فرکانسی است. علاوه بر این از آنجا که این تبدیل به طور موازی عمل می‌کند، برای پیاده‌سازی کارآمد سخت‌افزاری بسیار مناسب است. در این تحقیق یک تکنیک جدید تشخیص و شناسایی عیب روتور موتور القایی با استفاده از تبدیل موجک مختلط دوگانه ارائه می‌گردد. روش کار به این صورت است که سیگنالهای جریان استاتور، پوشش جریان استاتور و سرعت حاصل از مدل مبتنی بر تابع سیم‌پیچی توسط تبدیل موجک مختلط دوگانه به اجزاء شباهت زیاد و اجزاء با جزئیات تبدیل می‌شود و سپس ویژگیهای مفید در حوزه فرکانس و زمان انتخاب می‌گردند. در این پایان‌نامه شدت عیب روتور (شکسته شدن تعداد مختلف میله‌های روتور) و شکستگی حلقه انتهایی در بارهای مختلف موتورالقایی مورد بررسی قرار می‌گیرد و اثرات نویز، تغییرات دمایی و تغییرات ولتاژ در نمونه‌برداری از سیگنالها لحاظ می‌گردد. جهت طبقه‌بندی وضعیت موتور القایی از روشهای شبکه عصبی و ماشین بردار پشتیبان بهره گرفته شده است و نرخ شناسایی وضعیت موتور القایی بهبود یافته است. واژه‌های کلیدی:1-تبدیل موجک مختلط دوگانه 2-آنالیز مشخصات جریان استاتور3-شکستگی میله‌های روتور 4-تشخیص وشناسایی عیب 5-دقت طبقه‌بندی

ارتقاء امنیت وب با وف بومی