Diagnostika mezi-závitového zkratu vektorově řízeného PMS motoru pomocí UI

Abstract

Tato práce se zabývá diagnostikou mezizávitových zkratů na vektorově řízeném synchronním motoru s permanentními magnety. Mezizávitové zkraty jsou detekovány pomocí předučené konvoluční neuronové sítě GoogLeNet na základě obrazů vzniklých předzpracováním signálů fázových proudů, výstupních napětí střídače a elektrické úhlové rychlosti. Předzpracování signálů mimo jiné zahrnuje digitální filtraci, převzorkování a Vlnkovou transformaci. Pro účely učení sítě je vytvořen model pohonu schopný simulovat mezizávitové zkraty. Síť je poté učena na datech ze simulace a validována na datech měřených na skutečném pohonu, který je schopný emulovat poruchy. Výsledky diagnostiky jsou poté společně s hlavními problémy prezentovány v závěru práce.

This thesis deals with the diagnostics of inter turn faults in a vector controlled synchronous motor with permanent magnets. Inter turn faults are detected by the pretrained convolution neural network GoogLeNet from adequately preprocessed signals of phase currents, inverter voltages and electrical angular velocity. Signal preprocesing includes, but is not limited to digital filtration, resampling and Wavelet transform. For the purpose of network training a drive system model is created, capable of simulating inter turn faults. The network is then trained on the simulated data and later validated with data measured on a real drive system, capable of emulating faults. The results of the diagnostics, together with the main problems are presented in the conclusion.