آشکارسازی خطای شکسته شدن میله های روتور در موتور القایی با استفاده از فیلترهای غیرخطی کالمن پیوستهUKF و EKF

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 483

فایل این مقاله در 20 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELEMECHCONF04_335

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

در این مقاله یک تکنیک مبتنی بر مدل برای آشکارسازی خطای شکسته شدن میله های روتور موتور القایی، با استفاده از فیلترهای غیرخطی ارایه شده است. ازآنجایی که موتور القایی یک سیستم غیرخطی پیوسته-زمان است، استفاده از روش های فیلتر کالمن خطی به عنوان تکنیک تشخیص عیب، پاسخگو نمی باشند و فیلتر-های غیرخطی گسسته نیز در مطالعات قبلی پیاده سازی شده اند؛ لذا در این مقاله تکنیک های فیلتر کالمن توسعه یافته(EKF) پیوسته و فیلتر کالمن نمونه بردار(UKF) پیوسته مورد مطالعه قرارگرفته اند. این روش خطای روتور را به صورت یک افزایش ناگهانی در مقاومت روتور مدل کرده است و با تخمین این پارامتر قبل و بعد از رخ دادن عیب به تعداد میله های شکسته شده در قفسه ی روتور پی می برد. در این مقاله فرض بر این گذاشته شده است، که میله های روتور به صورت نامتقارن در قفسه ی روتور شکسته و مقاومت های روتور در هر فاز جداگانه تخمین زده -شوند. تکنیک های پیشنهادی تنها به اندازه گیری جریان و ولتاژ استاتور نیاز دارند. به منظور مقایسه ی فیلترهای UKF و EKF پیوسته، هر دو فیلتر را تحت شرایط اولیه و ماتریس های کوواریانس یکسان، پیاده سازی کرده ایم. نتایج شبیه سازی حاکی از آن است که فیلتر UKF پیوسته مقاومت روتو را دقیق تر تخمین می-زند و روش ارایه شده در مقابل نامتعادلی های منبع تغذیه و تغییرات بار مقاوم می باشد.

کلیدواژه ها:

نویسندگان

فریبا عرفانی

دانشجوی کارشناسی ارشد دانشگاه شهید باهنر کرمان

سیدمحمدعلی محمدی

عضو هیات علمی دانشگاه شهید باهنر کرمان

ملیحه مغفوری فرسنگی

عضو هیات علمی دانشگاه شهید باهنر کرمان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • S. Ding, (2013), ، _ del- based fault diagnosis techniques: ...
  • Mehrjou, M. R., Mariun, N., Marhaban, M. H., & Misron, ...
  • H.F.Azgomi, J.Poshtan, and M.Poshtan, (2013), ، 'Experimental validation on stator ...
  • motor parameters estimation and faults diagnosis using Induction؛، , (2015) ...
  • J.-C. Trigeassou, (2013), 4Electrical Machines Diagnosis' _ John Wiley & ...
  • S. Grubic, J. M. Aller, B. Lu, and T. G. ...
  • P. V. J. Rodriguez and A. Arkkio, (2008), ،، Detection ...
  • A. Siddique, G. Yadava, and B. Singh, (2005), ، A ...
  • A. Bellini, F. Filippetti , C. Tassoni, and G.-A. Capolino, ...
  • F. Karami, J. Poshtan, and M. Poshtan, (20 10), ، ...
  • S. Grubic, J. M. Aller, B. Lu, and T. G. ...
  • K. R. Cho, J. H. Lang, and S. D. Umans, ...
  • S. J. Julier and J. K. Uhlmann, (2004), ،Unscented filtering ...
  • L. Giovanini and R. Dondo, (2003), ،0A fault detection and ...
  • G. G. Rigatos, (2009), ،Particle and Kalman filtering for state ...
  • R. E. Kalman and R. S. Bucy, (1961), ،New results ...
  • McGee, L. A., & Schmidt, S. F. (1985), 'Discovery of ...
  • S. Sarkka, (2007), "On unscented Kalman filtering for state estimation ...
  • R. Kandepu, B. Foss, and L. Imsland, (2008), "Applying the ...
  • S. Dan, (2006), "Optimal state estimation Kalman H and nonlinear ...
  • S. Kumar, J. Prakash, and P. Kanagasab apathy, (2011), ،0A ...
  • I. Y. Onel and M. E. H. Benbouzid, (2008), ،Induction ...
  • M. O. Mustafa, G. Nikolakopoulo S, T. Gustafsson, and D. ...
  • L. M. R. Baccarini, B. R. de Menezes, and W. ...
  • A. Casavola and G. Gagliardi, (2015), ،+Fault detection and isolation ...
  • S. Chen and R. Zivanovi, (2010), *Modelling and simulation of ...
  • J. Faiz, H. Ebrahimpour, and P. Pillay, (2006), ،، Influence ...
  • M. N. Said, M. E. H. Benbouzid, and A. Benchaib, ...
  • M. Sdid and M. E. H. Benbouzid, (2000), ،HG diagram ...
  • نمایش کامل مراجع