تشخیص عیب اتصال کوتاه سیم‌پیچ استاتور موتور جریان مستقیم بدون جاروبک با استفاده از شبکه‌های عصبی

موتورهای جریان مستقیم بدون جاروبک (bldcm) به علت نداشتن جاروبک در ساختار خود، یکی از پر کاربرد ترین موتورهای مورداستفاده در صنعت و هوافضا می‌باشند. به دلیل سرعت بالای این نوع از موتورها و محدودیت های الکتریکی و مکانیکی، بروز عیب در آن‌ها امری انکار ناپذیر و غیر قابل پیش بینی می‌باشد. مسئله تشخیص به هنگام و سریع عیب، یکی از چالش های مطرح درزمینه bldcm می‌باشد که امروزه با توجه به گسترش روز افزون استفاده از این گونه موتورها، محققان زیادی در پی یافتن راه حلی جهت برطرف کردن این مشکل می‌باشند. در این مقاله، عیب اتصال کوتاه شدن سیم‌پیچ استاتور که یکی از عیوب الکترومکانیکی رایج موتور می‌باشد که عدم تشخیص به موقع آن منجر به کاهش مقاومت استاتور می‌شود، مورد بررسی قرار می‌گیرد. در روش معرفی‌شده در این مقاله، ابتدا از تبدیل موجک گسسته جهت استخراج ویژگی‌های سیگنال جریان استاتور موتور استفاده‌شده است. سپس ویژگی‌های استخراج‌شده که شامل: انرژی، انحراف معیار و مجذور میانگین مربعات است به‌عنوان ورودی به شبکه‌های عصبی: توابع پایه شعاعی(rbf)، پرسپترون چندلایه (mlp) و خود سازمانده(som) داده می‌شود و نتایج الگوریتم تشخیص عیب بر مبنای این سه نوع شبکه عصبی با یکدیگر مقایسه می‌شوند.

stator fault diagnosis of bldc motor using neural networks

brushless dc motors (bldc) due to their structure are one of the mostly-used motors in the industry and aerospace. due to their high speed rotation and electrical and mechanical limitations, the happening of faults is undeniable and un predictable. on-time fault detection of bldcs is still one of the research issues for which researchers look for solution. in this paper the stator short circuit fault which is a common electromechanical fault of the bldc motors has been studied. this fault causes to reduction of the stator strength. in the proposed method discrete wavelet has been applied to the stator current signal to extract the features. then the features including energy, deviation, kurtosis criterion and root mean squared are given to the following neural networks as inputs: self-organized maps (som), multi-layer perceptron (mlp), radial basis function (rbf). the results of these neural networks that are used to diagnosis the faults have been compared.