A NOVEL METHOD FOR DETECTING ECCENTRICITY IN LINE START PERMANENT MAGNET SYNCHRONOUS MOTORS. Masters thesis, King Fahd University of Petroleum and Minerals.

Preview

PDF Thesis-_Ibrahem_Hussein.pdf Download (4MB) | Preview

Arabic Abstract

ان الاعطال في المحركات الكهربائية هي قضية مهمة وقد تم تناولها من قبل العديد من الباحثين. فالدور المهم التي تلعبه المحركات الكهربائية في القطاعات الصناعية والتجارية والسكنية تزيد من أهيمه دراستها تحت الظروف المختلفة للتشغيل. أحد المحركات حديثي التصنيع والتطوير هو المحرك التزامني دائم المغناطيسية الذي يعمل من مصدر الجهد مباشرة. يتمتع هذا المحرك بقدرته الذاتية على الحركة عند التشغيل، وعلى مقدرته للوصول للسرعة التزامنية، ويتمتع ايضا بكفاءة استثنائية. لقد تم دراسة هذه المحركات تحت الظروف الطبيعية للتشغيل. غير ان دراستها تحت ظروف مثل الاختلاف المركزي (Eccentricity), والقضبان التالفة, و فقدان المغناطيسية لا تزل غير مكتملة. ان اسباب حدوث الاختلاف المركزي متعددة، مثل الحمل او الضغط الزائد على المحرك، او حدوث خلل في حوامل المحرك والتي تؤدي الى انحناءات في الجزء الدوار. وهذا يؤدي الى اهتزاز المحرك، وصدور اصوات مثل الضجيج، وممكن ان يؤدي الى تلف المحرك تماما. لقد كرست هذه الاطروحة لتطوير نموذج رياضي لهذا المحرك تحت الظروف الطبيعية وفي حالة الاختلاف المركزي الثابت. أن استخدام طرق التشخيص والكشف عن هذا الخلل يخفف من حدته. هذا الاطروحة سوف تقترح طريقة للكشف عن هذا الخلل باستخدام بصمات التيار الذي يقوم المحرك باستخدامه والشبكة العصبية الاصطناعية (الذكاء الصناعي). ان النموذج الرياضي المطور للاختلاف المركزي الثابت يعتمد على مبدأ الدوائر المغناطيسية وعلى طريقة (MWFM). ستتم محاكات النموذج باستخدام برنامج (MATLABTM). لعملية التحقق من النموذج الرياضي المقترح، فقد تم استخدام طريقة العناصر المنتهية باستخدام برنامج (JMAGTM). تشير النتائج الى ان الانحراف المعياري الثابت يؤثر على قيمة تيار المحرك خلال الزمن ويعتمد هذا التأثير على درجة الانحراف المعياري الثابت، وقيمة الزاوية الخاصة به. لقد تم التحقق من نتائج النموذج الرياضي باستخدام طريقة العناصر المنتهية تحت الظروف الطبيعية للتشغيل واثناء حدوث العطل. بالإضافة الى ذلك، فان طريقة الشبكة العصبية قادرة على كشف حدوث الانحراف المعياري الثابت تحت الظروف المختلفة بدقة تراوحت ما بين 96.87 بالمئة الى 98.75 بالمئة بنسبة خطأ ما بين 10 بالمئة الى 20 بالمئة بين القيمة الحقيقية لانحراف المعياري الثابت والقيمة التقديرية باستخدام الشبكة العصبية.

English Abstract

Electric motor failure is an important issue addressed by many researchers. The major role of electrical motors in industrial, commercial, and residential sectors raises the importance of investigating their behavior under different operating conditions. A recently developed and manufactured motor, which is commonly used in industrial applications, is the line start permanent magnet synchronous (LSPMS) motor. This motor has a self-starting capability, the ability to reach a synchronous speed, and a premium efficiency. LSPMS motors have been widely studied under normal operating conditions. However, under different kinds of faults such as eccentricity, broken bars, demagnetization, etc., investigations are still premature. Eccentricity faults are attributed to many reasons such as overloading, overstress in thermal and pressure circumstances, rotor misalignments, and bearing faults, which will result in motor shaft vibration and acoustic noise, which could completely damage the motor. This work is devoted to developing a mathematical model of the LSPMS motor under healthy and static eccentricity fault conditions. Besides, this thesis will propose a detection technique for static eccentricity fault condition based on motor current signature analysis and the artificial neural network (ANN). The developed mathematical concept is based on the coupled magnetic circuit approach and the modified winding function method; the model will be simulated using MATLABTM under healthy and different static eccentricity fault conditions. Finite element analysis will be conducted to verify the developed mathematical model results using JMAGTM. Results show that the effects of static eccentricity on the stator current depend on the degree of static eccentricity and the angle of static eccentricity vector, which will affect the motor synchronization time and the time variation of stator current. Besides, the finite element method (FEM) results confirm the developed mathematical model results under the healthy and static eccentricity conditions. Furthermore, the neural network based detection method is able to detect a static eccentricity fault under different operating conditions with an accuracy between 96.87% and 98.75 %, with under 10% and 20% error between the actual and predicted degree of static eccentricity using ANN.

Item Type:	Thesis (Masters)
Subjects:	Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Zakariya, Al-hamouz
Committee Members:	Abido, Mohammed and Almuhaini, Mohammed
Depositing User:	IBRAHEM HUSSEIN (g201405220)
Date Deposited:	22 Feb 2017 12:11
Last Modified:	31 Dec 2020 08:51
URI:	http://eprints.kfupm.edu.sa/id/eprint/140247