Asenkron motor eşdeğer devre parametrelerine etki eden faktörlerin makine öğrenme yöntemleri ile belirlenmesi

Asenkron motor (ASM) üretim alanlarında yıllardır kullanılmaktadır. Ancak günümüzün gelişen teknolojisi ve üretim alanlarının artarak devam eden talepleri bu motorlar üzerinde yapılan çalışmaların önemini her geçen gün artırmaktadır. ASM'lerin arızalarının erken tespiti ve kontrolü konusunda pek çok çalışma bulunmaktadır. Ama önemli olan maliyetleri her geçen gün artan bu motorların üretim alanlarında kesintisiz kullanımının sağlanması konusunu ön planda tutmaktır. Taleplerin karşılanabilmesi için ASM'lerin uzun süre arızalanmadan verimli kullanılması ve bunun için de matematiksel modellemesinin tam ve doğru bir şekilde yapılması gerekmektedir. Matematiksel modellemenin doğruluğu ise öncelikle ASM'lerin eşdeğer devre parametrelerinin (Equivalent Circuit Parameter, ECP) tüm değişken koşullar altında hatasız belirlenmesine bağlıdır. Literatürde yapılan çalışmalar incelendiğinde çoğunlukla tek değişkenli çalışma koşuluna veya kısıtlı sayıda motor gücüne odaklandıkları görülmektedir. Ayrıca ASM'lerin çalışma süresi parametrelerindeki değişimin tek etken üzerinden incelendiğinde yetersiz olduğu da bir gerçektir. Fakat çalışma koşullarının (motor gücü, yük, rotor hızı vb.) değişkenliği ve çeşitliliği, ASM'lerde matematiksel modellemeyi çok karmaşık bir problem haline getirir. Bu yüzden çalışma koşulları arasında etkisinin en fazla olanların tespiti gereklilik göstermektedir. Böylece modellemenin karmaşıklığından kurtularak basit ve doğruluğunu yükselttiğimiz tam bir analiz gerçekleştirilebilir. Bu çalışmanın temel yönü, çeşitli değişken giriş parametrelerin ECP'ler üzerindeki etki oranlarını belirleyerek basit ve doğruluğu yükseltilmiş tam bir analiz gerçekleştirmektir. Böylece güç elektroniği araştırmalarının ana alanı olan model öngörülü kontrol (Model Predictive Control, MPC), arıza teşhisi ve arıza sonrası onarımda verilerin doğruluğu gibi ASM ile ilgili çeşitli alanlar arasında köprü kurmaktır. İlk olarak, çağdaş literatüre çok sayıda referansla birlikte ECP tahmini ve arıza tespiti yöntemlerinin kapsamlı bir analizi sunulmuştur. Hem teorik temelleri hem bilgisayar simülasyonlarını hem de deneysel uygulama yönlerini kapsayan bir ASM'nin ECP yöntemi tüm ayrıntılarıyla açıklanmaktadır. Farklı güçleri, farklı rotor hızları ve farklı yük oranlarını içeren etkili bir motor veri yığını elde edilen sistem oluşturularak zorlu ve zaman alan deneyler yapılmış ve Bölüm 3'te ayrıntılı olarak belgelenmiştir. Ayrıntılı parametre grafikleri ve deneylerdeki değişim oranlarının sunulmasından sonra, bir sonraki odak noktası, bu çalışmanın ikinci ana yönü olarak giriş değişken parametrelerinin, çıkış parametreleri üzerindeki etkinlikleri üzerinde durulmuştur. Burada gerçekleştirilen zorlu ve zaman alan deneylerin tüm verilerine ihtiyaç duymadan Taguchi analiz yönteminde kodlama ile deney kısıtlamasına gidilmiştir. Böylece maliyet, zaman ve laboratuvar ortamı gibi zorluklardan kurtularak daha az deneyle tüm deneylerde elde edilen sonuçlara yaklaşık sonuçlar elde edildiği gösterilmiştir. Daha sonra odak noktası, bir ASM'nin değişken giriş parametrelerinin tespiti ve çıkış parametreleri üzerindeki etkinliği üzerinde durularak çeşitlilik daraltılmış ve matematiksel modellemenin karmaşıklığı azaltılmıştır. Güç, devir ve yükün her motor parametreleri üzerinde farklı oranlarda etkinlikleri olduğu tespit edilmiştir. Regresyon Analiz yöntemiyle matematiksel bir modelleme ortaya konulmuştur. Giriş parametrelerine sargı sıcaklık ve kaymayı da dahil ederek oluşturulan matematiksel denklemlerin doğruluk oranı (R2) artırılarak matematiksel modelleme sunulmuştur. Böylece literatürde de değinilen giriş parametrelerindeki çeşitliliğin matematiksel modelleme de zorluk, doğruluktan uzaklaşma ve karmaşıklık oluşturma probleminin üstesinden gelinmiştir. Son odak noktası, deney düzeneği ile elde edilen parametre veri yığınlarının çokluğu tam analiz için çalışmayı üçüncü ana yönü olarak Yapay Sinir Ağı (Artificial Neural Network, ANN)'ye yönlendirmiştir. Veri analizlerinin tahmin modellemesi için algoritma seçim sürecinde kapsamlı bir değerlendirme gerçekleştirilmiştir. Bu bağlamda, çeşitli yapay öğrenme algoritmaları arasından, ağaç tabanlı modellerin tahmin başarısındaki potansiyelini test etmeye karar verilmiştir. Araştırma ve literatür incelemesinde, özellikle tahmin uygulamalarında ağaç modellerinin tutarlı ve güvenilir sonuçlar verdiği sonucuna ulaşılmıltır. K-en yakın komşu ve Random Forest algoritmaları gibi yapay sinir ağları uygulamalarında, veri setimizde öğrenme sürecindeki zorluklar ve modelin genelleme yeteneğindeki eksiklikler ön plana çıkmıştır. Ağaç tabanlı modellerin uygulaması, bu sorunları büyük ölçüde hafifletirken, özellikle veri seti büyüklüğü arttıkça hesaplama maliyeti ve zamanı konusunda yeni zorluklar ortaya koymuştur. Her ne kadar bu zorluklar mevcut olsa da elde edilen doğruluk oranlarındaki iyileşme, bu maliyet artışını meşru kılacak nitelikteydi. Veri setimizin çeşitliliği ve hacmi arttıkça, modelin doğruluk oranı da istikrarlı bir şekilde yükselmiştir. Uygulanan düzenlemeler ve iyileştirmelerle, modelin verimliliği anlamlı bir biçimde artmıştır. Eşit oranlarda veri dağılımı sağlanması, modelin tahmin doğruluğunda belirgin bir artışa yol açmış, aynı zamanda veri temsiliyetindeki dengesizlikleri minimize etmiştir. Ağaç tabanlı modeller içerisinde Geri Yayılımlı Sinir Ağı (Backpropagation Neural Network, BPNN) algoritması tüm veri setinde yüksek eğitim başarı yüzdesi gösterdiği görülmüştür. Diğer algoritmaların oranları ise gene yüksek ve birbirine yakın gerçekleşmiştir. Bu durum motor parametre analizinde BPNN algoritmasının en uygun algoritma olduğunu göstermiştir. Bu sonuçlar değerlendirildiğinde ASMECP'lerin tahmini için oluşturulacak matematiksel denklemin, etkinliği analizler sonucu belirlenen girişler üzerine kurgulanması gerektiği görülmüştür.