Sürekli mıknatıslı senkron motorda demagnetize ve stator sarımlar arası kısa devre arızalarının tespiti için yöntem geliştirilmesi

Sürekli Mıknatıslı Senkron motorlar (SMSM'ler) yüksek verimlilik, kompakt tasarım ve yüksek güç yoğunluğu gibi özellikleri sayesinde otomotiv, havacılık ve ulaşım endüstrilerinde yaygın olarak kullanılmaktadır. Kritik tahrik sistemlerinde kullanılan SMSM'lerde meydana gelebilecek potansiyel arızaların erken aşamada tespit edilmesi sistemin güvenirliği ve sürdürebilirliği açısından önemlidir. Bu tezde SMSM'deki demagnetize ve stator sarımlar arası kısa devre arızaların erken aşamada tespit edilmesi için yöntemler geliştirilmiştir. SMSM'deki sarım kısa devre arıza (KDA) tespitinde ve KDA şiddetinin sınıflandırılmasında kullanılabilecek sarım KDA göstergelerinin elde edilmesi için deneysel çalışmadan elde edilen moment sinyaline Hızlı Fouirer Dönüşümü (FFT) uygulanmıştır. Moment sinyali sağlıklı, %2 KDA, %12,5 KDA ve %25 KDA durumlarında harmonikleri açısından frekans düzleminde analiz edilmiştir. Sarım KDA durumlarındaki momentin 2.ve 4.harmonik bileşenlerinin genlikleri sağlıklı duruma göre artmıştır. Motorun farklı yükleme ve çalışma hızlarının tümünde momentin 2.ve 4.harmonik genlikleri sarım KDA şiddetinin artmasıyla artmıştır. Bundan dolayı momentin 2.ve 4.harmonik bileşenleri SMSM'de sarım KDA tespitinde kullanılabilecek yeni sarım KDA göstergeleri olarak önerilmiştir. Önerilen moment tabanlı sarım KDA göstergeleri makine öğrenme yöntemlerinde kullanılarak sarım KDA tespiti ve KDA şiddetinin sınıflandırılması yapılmıştır. Makine öğrenme yöntemlerinde çok katmanlı yapay sinir ağları (MLP), destek vektör makinaları (SVM), k-en yakın komşuluk yöntemi (KNN) ve karar ağacı (DT) kullanılmıştır. MLP, SVM, KNN ve DT algoritmalarıyla SMSM'deki sarım KDA teşhisi sırasıyla %100, %99,30, %97,91 ve %95.48 doğrulukla tahmin edilmiştir. Önerilen moment tabanlı sarım KDA teşhis yöntemi literatürdeki akım ve gerilim tabanlı KDA teşhis yöntemleriyle karşılaştırılmıştır. Önerilen moment tabanlı sarım KDA teşhis yöntemin akım ve gerilim tabanlı KDA teşhis yöntemlerine göre daha başarılı sonuçlara ulaşmıştır. SMSM'deki demagnetize arızasının (DMA) tespiti için deneysel çalışmadan elde edilen sağlıklı, %5 DMA ve %10 DMA durumlardaki akım ve moment sinyallerine FFT uygulanmıştır. Motor sinyalleri farklı yükleme ve farklı çalışma hızlarında kaydedilmiştir. Demagnetize arızası durumlarındaki akımın 11.harmonik genliği ve momentin 6.ve 12.harmonik bileşen genlikleri sağlıklı duruma göre artmıştır. Bu artış motorun farklı yükleme ve çalışma hızlarında da gerçekleşmiştir. Bundan dolayı akımın 11.harmonik bileşeni ve momentin 6.ve 12.harmonik bileşenleri SMSM'deki demagnetize arıza tespitinde kullanılabilecek yeni göstergeler olarak önerilmiştir. SMSM'deki demagnetize ve sarım kısa devre arızaların tespiti, arıza türünün ve şiddetinin sınıflandırılması için derin öğrenme yöntemlerinden geliştirilmiş tek boyutlu evrişimsel sinir ağı (1B-CNN) kullanılmıştır. Önerilen 1B-CNN derin ağ modelinde stator ham üç faz akım sinyalleri kullanılmıştır. Önerilen 1B-CNN yöntemiyle SMSM'deki DMA ve sarım KDA tespiti, arızaların birbirinden ayırt edilmesi ve arıza şiddetinin sınıflandırılması yaklaşık %98 doğrulukla tahmin edilmiştir. Anahtar Kelimeler: Sürekli mıknatıslı senkron motor, Sarımlar arası kısa devre arızası, demagnetize arızası, Evrişimsel sinir ağı (CNN), Çok katmanlı yapay sinir ağları (MLP), Destek vektör makinaları (SVM)