پايش وضعيت و عيبيابي ژنراتور الكتريكي خودرو با استفاده از سيگنال-هاي ارتعاشي و سامانه استنتاج تطبيقي عصبي– فازي (انفيس)

Condition Monitoring and Fault Diagnosing of Vehicle Electric Alternator using Vibration Signals and Adaptive Neuro Fuzzy Inference System

ژنراتور الكتريكي خودرو بهخصوص در خودروهاي واجد شبكه انتقال داده، داراي نقش حياتي و بسيار مهمي ميباشد. بهطوريكه بروز عيب الكتريكي در ژنراتور، ميتواند موجب بروز خسارات سنگيني بر ساير بخشهاي سامانههاي الكتريكي و الكترونيكي خودرو شود لذا عيبيابي و پايش وضعيت ژنراتور بهمنظور جلوگيري از بروز عيب در ساير بخشها از اهميت خاصي برخوردار ميباشد. هدف از اين مقاله پايش وضعيت و عيبيابي ژنراتور الكتريكي خودرو با استفاده از سيگنالهاي ارتعاشي و سامانه استنتاج تطبيقي عصبي- فازي ميباشد. ابتدا عيوب عمدي شامل قطع يك فاز، قطع مثبت رگولاتور ولتاژ، سوختن يك ديود و دو ديود مثبت مجموعه يكسوكننده ايجاد شد. سپس سيگنالهاي ارتعاشي حالت سالم و حالتهاي معيوب مذكور با استفاده از دو سنسور ارتعاشسنج نصبشده بر روي بدنه ژنراتور و دستگاه تحليل سيگنالهاي ارتعاشي بهمدت 30 ثانيه در دورهاي 1000، 1500 و 2000 دور بر دقيقه موتور خودرو استخراج شد. پس از آن، براي تجزيه سيگنال با ويولت بستهاي سطح يك، موجك پايهاي كه داراي بيش-ترين ميانگين انرژي به آنتروپي شانون ميباشد، بهعنوان مناسبترين موجك پايه انتخاب شد و انرژي باندهاي فركانسي اول و دوم محاسبه و بهعنوان بردار ورودي به شبكه انفيس اعمال شد. نتايج بهدستآمده در اين پژوهش نشان ميدهد كه مدل انفيس پيشنهادي روش موثر و هوشمندي براي تشخيص و طبقهبندي عيوب ژنراتور الكتريكي خودرو با دقت خوب ميباشد.

Electrical Generator has a vital and important role in vehicles, especially the vehicles with Multiplex data transfer system. Developing electric malfunctions can cause catastrophic damages to other electric and electronic systems. Therefore alternator fault detection and monitoring has a significant role to avoid developing faults in other systems. In this research alternator fault detection and monitoring has been done with data extracted from vibration signals using Adaptive Neuro Fuzzy Inference System (ANFIS). To accomplish this task, certain faults are made on the alternator deliberately. Then vibrations from each specific fault are gathered and stored for subsequent analysis. The faults consist of: one phase disconnection, disconnection of positive voltage of regulator, burning of one and two diodes of rectifier set. The vibration signals of healthy alternator as well as different faulty states are gathered from two piezoelectric sensors mounted on alternator body for 30 seconds and 1000, 1500, and 2000 motor RPM. For analyzing vibration signals wavelet packet decomposition in level one was used. The mother wavelet with maximum energy to Shannon entropy was selected as the best choice. First and second energy bands were computed and used as the feature vector to the designed ANFIS. Results shows the proposed ANFIS model was effective and it could predict different faults with perfect match.