SABİT MIKNATISLI SENKRON RELÜKTANS MOTORLARDA MAKİNE ÖĞRENMESİ TABANLI ARIZA TEŞHİSİ

Abstract

Sabit Mıknatıslı Senkron Relüktans Motorlar, yüksek verimlilik ve moment yoğunluğu, düşük bakım gereksinimi nedeniyle endüstriyel makineler, elektrikli araçlar, fan ve pompa uygulamaları olmak üzere çeşitli kullanım alanlarına sahiptir. SMSRM'lerde meydana gelebilecek arızalar motorun düzgün çalışmasını engeller ve verimliliğin düşmesine sebep olur. Bu durum sistemde kullanılan enerji kaynaklarının daha fazla yüklenmesi ve maliyetlerin artması anlamına gelir. Bu nedenle sistemde oluşabilecek arızaların önceden tespit edilmesi oldukça önemlidir. Bu tez çalışmasında, SMSRM'de farklı çalışma ve arıza tipleri için gerçek ölçüm sonuçları paylaşımlı veri tabanlarından kullanılarak makine öğrenmesi tabanlı yapay zekâ algoritmaları ile sınıflandırma yapılmıştır. Bunun için stator iki sargı arası kısa devre arızası oluşturulmuştur. Motora ait normal çalışma ve iki farklı büyüklükte kısa devre arızası sonucu meydana gelen akım ve titreşim verileri kullanılmıştır. Elde edilen bu veriler makine öğrenmesi algoritmaları olan ICA ve XGBoost, derin öğrenme algoritmaları olan LSTM, TDL ve CNN modelleri üzerinde eğitilmiştir. Bu tez çalışmasında kullanılan titreşim ve akım verileri ile ICA analizi yapılmış ve üst üste binen sinyallerin bu yöntemle ayrılabildiği saptanmıştır. XGBoost, LSTM, TDL ve CNN algoritmalarının değerlendirilmesi için doğruluk ve F skorları kullanılmıştır. Titreşim verilerinin sınıflandırılmasında LSTM modeli ile doğruluk oranı %92,02, XGBoost için 92,31, TDL için %98.54 ve CNN için de %99.34 olarak gerçekleşmiştir. F skoru değeri ise ortalama her algoritma için 0.90 üzerinde sonuç vermiştir. Akım verileri kullanılarak yapılan analiz sonuçlarında ise doğruluk oranları LSTM ve XGBoost modelleri için %89.88 iken, TDL için %98.24, CNN için %99.09 olarak gerçekleşmiştir. F skoru ise akım verileri kullanılarak eğitilen modeller için 0.90 üzerinde çıkmıştır.

Permanent Magnet Synchronous Reluctance Motors have various application areas such as industrial machines, electric vehicles, fan and pump applications due to their high efficiency and torque density, low maintenance requirements. Faults that may occur in SMSRMs prevent the motor from operating properly and cause a decrease in efficiency. This situation means that the energy resources used in the system are more loaded and costs increase. Therefore, it is very important to detect the faults that may occur in the system in advance. In this thesis, real measurement results for different operation and fault types in an SMSRM are used from shared databases for classification with machine learning based artificial intelligence algorithms. For this purpose, a short circuit fault between two stator windings was created. Current and vibration data of the motor in normal operation and as a result of two different magnitude short circuit faults were used. These data were trained on machine learning algorithms ICA and XGBoost, deep learning algorithms LSTM, TDL and CNN models. In this thesis, ICA analysis was performed with the vibration and current data used and it was found that overlapping signals can be separated by this method. Accuracy and F scores were used to evaluate XGBoost, LSTM, TDL and CNN algorithms. In the classification of vibration data, the accuracy rate was 92.02% for the LSTM model, 92.31% for XGBoost, 98.54% for TDL and 99.34% for CNN. The average F score value was above 0.90 for each algorithm. In the analysis results using current data, the accuracy rates were 89.88% for LSTM and XGBoost models, 98.24% for TDL and 99.09% for CNN. The F score was above 0.90 for the models trained using current data.