واکاوی فرکانس جریان استاتور موتورهای القایی برای شناسایی زودهنگام بروز خطا با بهره‌گیری از تبدیل موجک

موتورهای القایی سه‌فاز به‌دلیل سادگی ساختار، هزینه پایین و قابلیت اطمینان بالا، در صنایع مختلف کاربرد گسترده‌ای دارند. با این حال، بروز خطاهایی همچون اتصال کوتاه بین دورهای استاتور می‌تواند پیامدهایی جدی از جمله کاهش راندمان، توقف تولید و افزایش هزینه‌های نگهداری به همراه داشته باشد. تشخیص سریع و دقیق این خطاها برای پیشگیری از آسیب‌های بیشتر ضروری است. در این پژوهش، رویکردی مبتنی بر تبدیل موجک پیوسته جهت تحلیل سیگنال جریان استاتور و شناسایی نواحی غیرعادی ارائه شده است. برای این منظور، پس از اعمال تبدیل موجک مورلت بر روی سیگنال جریان، ضرایب موجک در مقیاس‌های مختلف استخراج شدند. سپس برای تفکیک شرایط سالم از خطادار، روش آستانه‌گذاری آماری در دو حالت ثابت و پویا به‌کار گرفته شد. نتایج آزمایش‌ها نشان داد که روش پیشنهادی قادر است مولفه‌های غیرعادی ناشی از خطای استاتور را با دقت بالایی شناسایی کند. همچنین مقایسه عملکرد دو روش آستانه‌گذاری بیانگر آن بود که رویکرد پویا در شرایط تغییر بار و فرکانس، نسبت به روش ثابت از پایداری و حساسیت بیشتری برخوردار است. در مجموع، یافته‌های این تحقیق اثبات می‌کند که ترکیب تحلیل موجک پیوسته و آستانه‌گذاری پویا می‌تواند به‌عنوان ابزاری کارآمد و غیرتهاجمی در پایش وضعیت موتورهای القایی و تشخیص زودهنگام خطاهای استاتور به‌کار گرفته شود.

analysis of stator current frequency in induction motors for early fault detection using wavelet transform

three-phase induction motors, due to their simple structure, low cost, and high reliability, are widely used in various industries. however, faults such as short circuits between stator windings can lead to serious consequences, including reduced efficiency, production stoppages, and increased maintenance costs. rapid and accurate detection of these faults is essential to prevent further damage. in this study, an approach based on the continuous wavelet transform is proposed for analyzing stator current signals and identifying abnormal regions. to achieve this, the morlet wavelet transform was applied to the current signal, and wavelet coefficients were extracted at different scales. then, to distinguish healthy conditions from faulty ones, a statistical thresholding method was employed in both static and dynamic modes. experimental results showed that the proposed method can accurately identify abnormal components caused by stator faults. furthermore, comparison of the two thresholding methods indicated that the dynamic approach offers greater stability and sensitivity under varying load and frequency conditions compared to the static method. overall, the findings of this research demonstrate that combining continuous wavelet analysis with dynamic thresholding can serve as an effective and non-invasive tool for monitoring the condition of induction motors and enabling early detection of stator faults.