تشخیص عیب استاتور در موتور القایی به وسیله منطق فازی با قواعد بهینه

محورهای موضوعی : تشخیص و شناسایی خطا

حمید فکری ازگمی ¹ (کارشناس ارشد/دانشگاه علم و صنعت ایران)
جواد پشتان ² (دانشیار/دانشگاه علم و صنعت ایران)

تاریخ دریافت : 1391/10/22 تاریخ پذیرش : 1392/04/22 تاریخ انتشار : 1392/03/11

کلید واژه: منطق فازی, موتور القایی, تشخیص عیب, استاتور, قواعد بهینه,

چکیده مقاله :

موتورهای القایی به دلیل کنترل ساده و گستردگی کاربرد، جایگاه ویژه‌ای در صنایع امروزی دارند. به دلیل شرایط کاری، این موتورها به شدت تحت تأثیر خرابی‌ها هستند، از اینرو توجه به مسئله تشخیص عیب این دسته از موتورها همواره رو به افزایش است. علاوه براین، امروزه توجه به تشخیص عیب به هنگام، به دلیل تشخیص به موقع و جلوگیری از لطمات جدّی به موتور، بسیار مورد توجه محققین قرار گرفته است. اما چالش پیش رو در این راستا، وجود یک مدل تحلیلی دقیق از موتور معیوب است. به همین منظور منطق فازی می‌تواند بسیار راهگشا باشد. در این مقاله با استفاده از منطق فازی راهکاری ساده برای تشخیص عیب سیم پیچی استاتور در موتورهای القایی-که از عیوب بسیار رایج و مهم است- پیشنهاد شده است. وضعیت و شرایط کاری موتور به وسیله مفاهیم زبانی تعریف شده و در واقع منطق فازی رابطی است بین دانش خبرگی و دنیای واقعی که به صورت قواعد اگر - آنگاه در پایگاه قواعد فازی، به مسئله تشخیص عیب می‌پردازد. در نهایت نتایج شبیه سازی‌های انجام شده نیز برای آزمایش میزان دقت روش پیشنهادی ارائه گردیده است.

چکیده انگلیسی:

Induction motors are critical components in many industrial processes. Therefore, swift, precise and reliable monitoring and fault detection systems are required to prevent any further damages. The online monitoring of induction motors has been becoming increasingly important. The main difficulty in this task is the lack of an accurate analytical model to describe a faulty motor. A fuzzy logic approach may help to diagnose traction motor faults. This paper presents a simple method for the detection of stator winding faults (which make up 38% of induction motor failures) based on monitoring the line/terminal current amplitudes. In this method, fuzzy logic is used to make decisions about the stator motor condition. In fact, fuzzy logic is reminiscent of human thinking processes and natural language enabling decisions to be made based on vague information. The motor condition is described using linguistic variables. Fuzzy subsets and the corresponding membership functions describe stator current amplitudes. A knowledge base, comprising rule and data bases, is built to support the fuzzy inference. Simulation results are presented to verify the accuracy of motor’s fault detection and knowledge extraction feasibility. The preliminary results show that the proposed fuzzy approach can be used for accurate stator fault diagnosis.