Diagnostyka maszyny synchronicznej z zastosowaniem metod sztucznej inteligencji

mgr inż. Jarosław Kozik

Promotor: Dr hab. inż. Zygfryd Głowacz, prof. AGH
Dyscyplina: Elektrotechnika

W rozprawie przedstawione zostały wyniki badań diagnostycznych maszyny synchronicznej dla czterech różnych przypadków uszkodzeń: zwarcia grupy zezwojów w uzwojeniu twornika, przerwy w gałęzi równoległej jednej fazy twornika, a także zwarcia oraz przerwy w uzwojeniu bieguna obwodu wzbudzenia. W celu umożliwienia wykonania badań zbudowane zostało stanowisko pomiarowe. Przeprowadzenie pomiarów poprzedzone zostało wytworzeniem aparatury pomiarowej służącej do rejestracji sygnałów prądowych i napięciowych. W celu podniesienia konkurencyjności prowadzonych analiz duży nacisk położony był na diagnostykę we wczesnych stadiach uszkodzeń, dlatego w stanach awaryjnych obejmujących zwarcia zastosowano stopniowanie intensywności tych uszkodzeń. Na podstawie zarejestrowanych przebiegów dokonano analizy spektralnej i wyboru składowych widm sygnałów prądowych mogących potencjalnie świadczyć o obecności stanu awaryjnego. Dokonano również transformacji sygnału do wektora przestrzennego prądu twornika i zbadano wpływ poszczególnych uszkodzeń na wartość składowej lOOHz tego sygnału. Następnie dokonano wyboru symptomów uszkodzeń w sposób w pełni automatyczny z zastosowaniem techniki zwanej selekcją cech. Problem diagnostyki został przedstawiony jako poszukiwanie w wielowymiarowej przestrzeni cech takiej jej podprzestrzeni (reprezentowanej przez zestaw składowych widma sygnału), która powodowałby powstawanie największych różnic pomiędzy stanem bezawaryjnym a stanem uszkodzonym. Jako kryterium spełnienia tego warunku zastosowana została odległość Mahalanobisa. Z uwagi na dość duży rozmiar przestrzeni poszukiwań konieczne było zastosowanie wydajnego i dobrego jakościowo algorytmu przeszukiwania. W tym celu zaadaptowano klasyczny algorytm genetyczny, dodając do niego kilka ulepszeń. Wyznaczone symptomy zostały użyte jako dane wejściowe dla dwóch różnych typów klasyfikatorów: neuronowych i rozmytych, których parametry strojone były z wykorzystaniem algorytmu genetycznego.