حمید رفیعی در گفت‌وگو با ایسنا، با اشاره به کاربرد گسترده موتورهای القایی قفس‌سنجابی در صنایع، اظهار کرد: این رساله با هدف مطالعه پایش وضعیت و شناسایی انواع عیوب این موتورها انجام شد و تلاش کردیم روش‌هایی دقیق و هوشمند برای پایش وضعیت و عیب‌یابی موتورهای القایی ارائه کنیم.
وی افزود: ماهیت این پژوهش بر مبنای یک موتور واقعی تعریف شد و در همین راستا، یک مجموعه کامل آزمایشگاهی شامل موتور القایی، ژنراتور سنکرون، بانک بار مقاومتی، انواع کوپلینگ، روتورهای مشابه، یاتاقان‌های مختلف و سیستم نمونه‌برداری مبتنی بر نرم‌افزار LabVIEW تهیه شد که امکان پیاده‌سازی انواع عیوب روی آن وجود دارد.
این پژوهشگر دانشگاه زنجان ادامه داد: علاوه بر آزمایش‌های آزمایشگاهی، دو روش شبیه‌سازی شامل روش MWFA با استفاده از نرم‌افزار MATLAB و روش اجزای محدود(FE) با استفاده از نرم‌افزار Ansys Electronic Desktop برای مطالعه سه عیب شامل اتصال کوتاه سیم‌پیچ استاتور، شکستگی میله روتور و ناهم‌محوری مرکب مورد استفاده قرار گرفت.
رفیعی گفت: در این پژوهش، نحوه اعمال انواع خطاها در آزمایش‌های آزمایشگاهی و شبیه‌سازی‌ها بررسی و خروجی‌های حاصل از این دو روش با یکدیگر مقایسه شد.
او با اشاره به بخش تحلیلی پژوهش، اظهار کرد: بر اساس روش MWFA، هارمونیک‌های اندوکتانس متقابل استاتور و روتور به‌صورت جامع محاسبه و بر مبنای آن، رویکردی تحلیلی برای استخراج شاخص‌های موتور سالم و معیوب ارائه شد.
وی ادامه داد: با استفاده از روش پیشنهادی، هارمونیک‌های کامل جریان استاتور در موتور سالم معرفی شد که می‌تواند برای تخمین سرعت موتورهای القایی بدون استفاده از حسگر مورد استفاده قرار گیرد.
رفیعی افزود: همچنین با استفاده از روش تحلیلی ارائه‌شده، شاخص‌های جدیدی برای شناسایی خطای روتور میله شکسته ارائه شد. در ادامه، بسط دقیق تابع فاصله هوایی شامل تمامی هارمونیک‌های این تابع نیز انجام شد که مبنای معرفی شاخص جدیدی برای تشخیص خطای ناهم‌محوری مرکب قرار گرفت.
این پژوهشگر دانشگاه زنجان، با اشاره به تفاوت این پژوهش با بسیاری از مطالعات پیشین، گفت: در بخش قابل توجهی از مطالعات، شاخص‌های مربوط به خطاهای مکانیکی به‌صورت جداگانه تعریف شده‌اند، اما در این رساله یک شاخص اختصاصی برای شناسایی خطاهای مکانیکی ترکیبی ارائه شد.
رفیعی با اشاره به استفاده از هوش مصنوعی در این پژوهش، اظهار کرد: برای شناسایی هوشمند خطاها از روش ماشین بردار پشتیبان(SVM) استفاده شد. این روش از نظر محاسباتی برای این مسئله مناسب است و امکان استفاده از آن برای تحلیل مجموعه داده‌های مورد نیاز فراهم شد.
وی ادامه داد: برای انتخاب ویژگی مناسب جهت شناسایی خطاها توسط مدل SVM، شاخص‌های متنوعی مورد بررسی قرار گرفت و ویژگی نسبت قطرهای الگوی جریان کنکوردیا و دامنه توالی منفی ولتاژ تغذیه استاتور برای تشخیص خطای اتصال کوتاه سیم‌پیچ استاتور پیشنهاد شد.
او افزود: از ویژگی دامنه‌های سایدبندی هارمونیکی نیز برای شناسایی خطای روتور میله شکسته و خطای ناهم‌محوری مرکب استفاده شد.
این پژوهشگر دانشگاه زنجان درباره نحوه آموزش و ارزیابی مدل‌های SVM، توضیح داد: ۷۰ درصد از مجموعه داده سالم و دارای کمترین میزان خطا برای آموزش مدل SVM و باقی مجموعه داده برای ارزیابی مدل مورد استفاده قرار گرفت.
رفیعی تصریح کرد: تهیه مجموعه داده برای آموزش SVM می‌تواند بر اساس یکی از روش‌های شبیه‌سازی مانند MWFA یا FE انجام شود. در این رساله، مجموعه داده بر اساس روش FE تهیه شد و برای خطای دو دور اتصال کوتاه، یک میله شکسته و ناهم‌محوری پنج درصد، میزان صحت‌سنجی هر سه مدل SVM برابر با ۱۰۰ درصد به دست آمد.
وی یکی دیگر از پیشنهادهای این رساله را استفاده از روش‌های هوش مصنوعی برای کاهش زمان و هزینه تهیه مجموعه داده آزمایشگاهی عنوان کرد و گفت: این روش علاوه بر قابلیت پیاده‌سازی روی موتورهای مختلف، می‌تواند برای پایش هوشمند موتورهای منحصر به فرد، دائم‌کار، مورد استفاده در خطوط تولید و موتورهای گران‌قیمت به کار گرفته شود.
رفیعی افزود: روش پیشنهادی در این رساله تنها به مجموعه داده موتور واقعی سالم نیاز دارد و بنابراین نیازی به صرف هزینه برای تهیه چندین موتور و ایجاد عیب در آنها وجود ندارد.
او ادامه داد: برای بررسی این پیشنهاد، مجموعه داده دیگری از یک موتور آزمایشگاهی سالم و معیوب تهیه شد. شاخص خطای مورد نظر برای مجموعه سالم آزمایشگاهی استخراج و به مدل SVM تشخیص خطای مربوطه اعمال شد. سپس فاصله مرکز ثقل نمونه‌های مجموعه داده سالم شبیه‌سازی و آزمایشگاهی از مرز تصمیم SVM با یکدیگر مقایسه شد. این مقایسه با هدف بررسی میزان انطباق نتایج روش شبیه‌سازی و آزمایشگاهی انجام شد.
رفیعی درباره عوامل مؤثر بر اختلاف میان نتایج شبیه‌سازی و آزمایشگاهی، گفت: لحاظ نشدن جریان‌های گردابی و شارهای پراکندگی، دسترسی نداشتن دقیق به جنس مواد و منحنی‌های چگالی آنها و همچنین لحاظ نشدن ناهم‌محوری ذاتی موتور و بار چرخان، از جمله عواملی هستند که ایجاد اختلاف جزئی میان نتایج شبیه‌سازی و آزمایشگاهی را اجتناب‌ناپذیر می‌کنند.
وی افزود: به همین دلیل، ضریب تصحیح برای شاخص‌های مجموعه داده آزمایشگاهی اعمال شد. ضرایب تصحیح برای ورودی‌های مدل SVM جهت تشخیص خطای اتصال کوتاه سیم‌پیچ استاتور، روتور میله شکسته و ناهم‌محوری مرکب به ترتیب ۰.۰۳، ۰.۰۵ و ۰.۳ پیشنهاد شد.
رفیعی اظهار کرد: با اعمال این ضرایب تصحیح، میزان دقت سه مدل SVM در مجموعه داده آزمایشگاهی به ترتیب ۱۰۰، ۱۰۰ و ۹۸.۶ درصد به دست آمد و نتایج، صحت روش پیشنهادی را تأیید کرد.
او با اشاره به ارزیابی بیشتر مدل‌های ارائه‌شده، گفت: برای بررسی احتمال تشخیص نادرست عیوب، سه مدل SVM برای تشخیص دو عیب دیگر نیز مورد ارزیابی قرار گرفتند که در این مرحله نیز میزان صحت‌سنجی هر سه مدل ۱۰۰ درصد به دست آمد.
این پژوهشگر دانشگاه زنجان ادامه داد: عملکرد مدل‌های هوشمند ارائه‌شده برای شناسایی خطاهای ترکیبی شامل دو خطا و سه خطا نیز در شرایط آزمایشگاهی مورد بررسی قرار گرفت و نتایج، دقت مناسب این مدل‌ها در تشخیص خطاهای ترکیبی را نشان داد.
رفیعی در ادامه با اشاره به دستاوردهای علمی این رساله، گفت: تاکنون حدود ۱۰ مقاله علمی در سطح بین‌المللی و ملی از نتایج این رساله استخراج شده است.
انتهای پیام
