ارائۀ الگوي هوشمند مبتني بر تحليل مؤلفه‌هاي اساسي براي تشخيص خطاي ناهم‌راستايي در موتورهاي القايي قفس سنجابي

Developing an Intelligent Pattern Using Principal Component Analysis Method to Detect Eccentricity Faults in Squirrel-Cage Induction Motors

خطاي ناهم‌راستايي، يكي از خطاهاي مهم مكانيكي در ماشين‌هاي دوار است كه منشأ پيدايش خطاهاي ديگر مي‌شود. اين مقاله به موضوع تشخيص خطاي ناهم‌راستايي در موتورهاي القايي قفس سنجابي در دو حالت استاتيك و ديناميك متمركز است. روش المان محدود (FEM ) روشي دقيق در اين زمينه است كه در اين پژوهش براي مدل‌سازي موتور القايي در دو حالت سالم و داراي خطا استفاده شده است. با توجه به اينكه تشخيص وقوع اين نوع خطا (به‌ويژه خطاهاي با درجه كم) با سيگنال جريان انجام‌شدني نيست، روش سيم‌پيچ جستجو به كار گرفته شده است كه دو سيم‌پيچ حلقه‌باز به‌صورت متقارن در اطراف فاصلۀ هوايي نصب مي‌شوند. به علت حلقه‌باز بودن سيم‌پيچ‌ها، بر رفتار موتور تأثيري ندارند. تحليل ولتاژ سيم‌پيچ‌هاي جستجو با استفاده از روش تحليل مؤلفه‌هاي اساسي (PCA ) الگوي هوشمندي را به وجود مي‌آورد كه نخست، به وقوع خطا حتي با درجه كم حساس است و دوم، قابليت تمييز نوع خطا (استاتيك و يا ديناميك) را دارد.

Eccentricity fault is one of the prevalent faults in rotating machines which can cause other mechanical and electrical faults. This paper focuses on detecting the static and dynamic eccentricity faults in the squirrel-cage induction motors. The induction motor is modeled by the finite element method (FEM), a powerful and accurate method, using FLUX 2D software. The current signal cannot be used to detect the static and dynamic eccentricity faults especially when their severity is small. Therefore, the search-coil based method is employed and the voltage of two symmetrical search-coils is analyzed to detect and diagnose the static and dynamic faults. Since two search-coils are open-circuit, they do not affect the behavior of the induction motor. The analysis based on the principal component analysis (PCA) method shows that there exists an intelligent pattern that, firstly, is sensitive to the occurrence of eccentricity faults, even to a low degree, and secondly, has the ability to distinguish the type of fault (static or dynamic).