تشخیص خطای اتصال کوتاه داخلی سیم‌پیچی استاتور در موتورهای القایی سه فاز با استفاده از ترکیب منطق فازی نوع-2 و طبقه‌بند بردار پشتیبان بهینه‌شده با الگوریتم ذرات مرتبه کسری آشوبی

در این مقاله، یک مدل ترکیبی برای افزایش دقت طبقه‌بند ماشین بردار پشتیبانی (svm) برای تشخیص خطای اتصال کوتاه داخلی سیم‌پیچ‌های استاتور موتور القایی پیشنهاد می‌شود. روش پیشنهادی متشکل از سه مرحله است؛ ابتدا ویژگی‌های آماری از مجموعه داده‌های سالم و معیوب استخراج می‌شوند. دیتای به‌دست‌آمده با روش تحلیل مولفۀ اصلی (pca) کاهش بعد داده می‌شود و سپسsvm های مختلف براساس مجموعه داده‌های آموزشی ساخته می‌شوند. برای تنظیم پارامترهای مدل svm به‌منظور دستیابی به دقت تفکیک بالاتر، یک طرح بهینه‌سازی بر مبنای الگوریتم بهینه‌سازی ذرات (pso) استفاده شده که با نظریۀ آشوب و مشتقات کسری بهبود داده شده است. درنهایت، یک مدل ترکیبی برای ترکیب svmها به کمک سیستم منطق فازی نوع2 پیاده‌سازی شده است. روش پیشنهادی به‌منظور تشخیص خطای سیم‌پیچی استاتور یک موتور القایی سه فاز kw 2/2، 2 قطبی و 50 هرتزی روی داده‌های اندازه‌گیری‌شدۀ جریان استاتور اعمال شده است. میانگین دقت 4/98 درصدی تشخیص خطای سیم‌پیچی استاتور روی داده‌های آزمایشگاهی در شرایط مختلف بار، نشان از قابلیت و اعتبار الگوریتم پیشنهادی است.

Stator winding short circuit fault detection in three-phase Induction Motors using combination type-2 Fuzzy logic and Support Vector Machine classifier optimized by Fractional-order Chaotic Particle Swarm optimization algorithm

In this paper, a hybrid model for increasing the precision of the support vector machine classifier is proposed to detect stator windings short circuit fault detection in induction motors. The proposed method consists of three different phases, wherein the first phase the statistical features of a healthy and defective data set are extracted.  The principal component analysis is used to reduce the dimensions of the obtained features. Then, different SVMs are constructed based on training data sets. To achieve a better result, the parameters of the SVM are determined by the fractionalorder chaotic particle swarm optimization algorithm. Finally, a hybrid model for combining SVMs with type2 Fuzzy logic is implemented. The proposed approach is then applied on measured stator current data for stator winding short circuit fault detection in a threephase induction motor with 2.2kW, 50Hz, 6 Pole. The average accuracy of 98.4% of the detection of stator winding error on laboratory data under different load conditions indicates the performance and validity of the proposed algorithm.