Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Türkiye
Tezin Onay Tarihi: 2012
Tezin Dili: Türkçe
Öğrenci: Zafer Doğan
Danışman: İSMAİL TEMİZ
Özet:AYRIKLAŞTIRMA YÖNTEMLERİ VE YAPAY SİNİR AĞI KULLANARAK ASENKRON MOTORLARDA ARIZA TEŞHİSİ Asenkron motor, sanayinin en önemli tahrik elemanlarından biridir ve çok geniş bir kullanım alanına sahiptir. Bu motorlar birçok endüstriyel uygulamada en temel bileşen görevindedir. Bu motorların arızalanmaları hem üretim kapasitesini düşürür hem de maliyetleri arttırır. Bu yüzden asenkron motorların çalışırken oluşacak arızalarının tespiti çok önemlidir. Bu çalışma asenkron motorların rulman, eksenden kaçıklık, rotor çubuk kırığı ve stator sargı kısa devresi arızalarının tespitine odaklanmıştır. Üç fazlı sincap kafesli bir asenkron motorun bu arızalarına ilişkin karakteristik özellikler, motora ait akım sinyallerinin analizi kullanılarak çıkarılmıştır. Sinyal analiz yöntemi olarak önceki çalışmalarda yaygın olarak kullanılan frekans ve zaman-frekans yöntemleri yerine, zaman boyutunda ayrıklaştırmaya dayalı bir yöntemi kullanılmıştır. Deneysel çalışmalarda birbiri ile özdeş beş faklı asenkron motor kullanılmıştır. 1. motorda iki seviyeli statik eksenden kaçıklık arızası, 2. motorda üç farklı seviyeli rotor çubuk kırığı arızası, 3. motorda iç bilezik, dış bilezik, kafes ve bilya rulman arızaları ve 4. motorda iki seviyeli sargı arızası olarak suni olarak oluşturulmuştur. Gerçekleştirilen deneysel çalışmalarda farklı yük koşulları altında sağlam ve arızalı durumlar için motor akım sinyalleri ölçülmüştür. Bu akım verisi zaman boyutunda eşit genişlikli ayrıklaştırma ve eşit frekanslı ayrıklaştırma yöntemleri ile ayrıklaştırılarak özellikleri çıkarılmıştır. Bu özellikler ile eğitilen çok katmanlı algılayıcı yapay sinir ağı kullanılarak bu arızaların tespiti ve sınıflandırması gerçekleştirilmiştir. Sonuç olarak önerilen yöntemin asenkron motor arızalarının tespitinde oldukça başarılı sonuçlar verdiği sunulmuştur. ABSTRACT FAULT DIAGNOSIS IN INDUCTION MOTORS USING DISCRETIZATION METHODS AND ARTIFICIAL NEURAL NETWORK Induction motor is one of the most important drive systems for the industry and it has a large amount of usage area. These motors are used as the basic component in most of the industrial applications. When these motor are faulted, the production capacity decreases while the cost increases. Therefore, the detection of occurring faults is very important while these motors work. This study focuses on the detection of the faults of bearing, eccentricity, broken rotor bar and stator winding short circuit. Characteristic features of these faults of an induction motor with three-phase squirrel cage were extracted by using the analysis of current signals. A method based on discretization in the time domain was used as signal analysis method instead of the frequency and the time-frequency methods widely used in previous studies. Five different induction motor which are identical with each other was used in the experimental studies. In the first, second, third and fourth motors, two-level static eccentricity fault, broken rotor bar faults in three different levels, the inner ring, outer ring, cage and ball bearing faults, and two-level winding turn-to-turn fault were artifically created, respectively. In experimental studies implemented under different load conditions, the motor current signals were measured for healthy and faulty cases. This current data was discretized by using equal width and equal frequency discretization methods in the time domain, and their features of signals were extracted. The detection and classification of the motor faults were implemented using a multi-layer perceptron artificial neural network trained by these features. As a result, it is presented that the proposed method provides satisfactory results in the detection of the induction motor faults.