ABSTRACT

The conventional method for finding the location of turn-to-turn stator fault on the stator winding of the induction motor is spectral analysis. Using the harmonics method, the current spectrum can show the location of the fault. In this paper, it is shown that the chaos phenomenon could occur when fault arises on the motor. The spectrum of chaotic system has a wide range of harmonics. Consequently, spectral analysis is confused in this state. For this reason, first inductances of an induction machine with a turn-to-turn fault in stator winding are determined by the winding function theory. Using the nonlinear control theory, a first-order Poincare's map of the induction machine is computed and a new extended Poincare's map is drawn for the induction machines. In addition, the characteristic multipliers and the largest Poincare's exponents are calculated with this map. The new map is capable of modeling electrical machines in nonlinear and unbalanced cases for stability, bifurcation, and chaos analysis. The characteristic multiplier and Poincare's exponents of the extended map show the condition of a system. Chaos phenomena are observable in the condition of machines with a fault. In such cases, spectral analysis shows that the machine's current spectrum is varied in each period by a continuous spectrum of chaotic systems; consequently, identification of the location of an internal fault is not easily possible with conventional methods such as the Fourier spectrum or harmonics identification on a machine's terminal current. The experimental results supported the chaotic manner of the faulty induction motor.

摘要

寻找感应电动机定子绕组匝间定子故障位置的常规方法是频谱分析。使用谐波法，电流频谱可以显示故障的位置。本文表明，当电机出现故障时，可能会出现混沌现象。混沌系统的频谱具有广泛的谐波。因此，光谱分析在这种状态下是混乱的。因此，定子绕组匝间故障的感应电机的第一电感由绕组函数理论确定。利用非线性控制理论，计算了感应电机的一阶庞加莱图，并为感应电机绘制了新的扩展庞加莱图。此外，特征乘数和最大的庞加莱' s 指数是用这张图计算的。新地图能够在非线性和不平衡情况下对电机进行建模，以进行稳定性、分岔和混沌分析。扩展映射的特征乘数和庞加莱指数显示了系统的状况。在机器出现故障的情况下可以观察到混沌现象。在这种情况下，频谱分析表明，机器的当前频谱在每个周期中都随着混沌系统的连续频谱而变化；因此，使用传统方法（例如傅里叶频谱或机器终端电流的谐波识别）很难识别内部故障的位置。实验结果支持故障感应电机的混沌方式。新地图能够在非线性和不平衡情况下对电机进行建模，以进行稳定性、分岔和混沌分析。扩展映射的特征乘数和庞加莱指数显示了系统的状况。在机器出现故障的情况下可以观察到混沌现象。在这种情况下，频谱分析表明，机器的当前频谱在每个周期中都随着混沌系统的连续频谱而变化；因此，使用传统方法（例如傅里叶频谱或机器终端电流的谐波识别）很难识别内部故障的位置。实验结果支持故障感应电机的混沌方式。新地图能够在非线性和不平衡情况下对电机进行建模，以进行稳定性、分岔和混沌分析。扩展映射的特征乘数和庞加莱指数显示了系统的状况。在机器出现故障的情况下可以观察到混沌现象。在这种情况下，频谱分析表明，机器的当前频谱在每个周期中都随着混沌系统的连续频谱而变化；因此，使用传统方法（例如傅里叶频谱或机器终端电流的谐波识别）很难识别内部故障的位置。实验结果支持故障感应电机的混沌方式。分岔和混沌分析。扩展映射的特征乘数和庞加莱指数显示了系统的状况。在机器出现故障的情况下可以观察到混沌现象。在这种情况下，频谱分析表明，机器的当前频谱在每个周期中都随着混沌系统的连续频谱而变化；因此，使用传统方法（例如傅里叶频谱或机器终端电流的谐波识别）很难识别内部故障的位置。实验结果支持故障感应电机的混沌方式。分岔和混沌分析。扩展映射的特征乘数和庞加莱指数显示了系统的状况。在机器出现故障的情况下可以观察到混沌现象。在这种情况下，频谱分析表明，机器的当前频谱在每个周期中都随着混沌系统的连续频谱而变化；因此，使用传统方法（例如傅里叶频谱或机器终端电流的谐波识别）很难识别内部故障的位置。实验结果支持故障感应电机的混沌方式。在机器出现故障的情况下可以观察到混沌现象。在这种情况下，频谱分析表明，机器的当前频谱在每个周期中都随着混沌系统的连续频谱而变化；因此，使用传统方法（例如傅里叶频谱或机器终端电流的谐波识别）很难识别内部故障的位置。实验结果支持故障感应电机的混沌方式。在机器出现故障的情况下可以观察到混沌现象。在这种情况下，频谱分析表明，机器的当前频谱在每个周期中都随着混沌系统的连续频谱而变化；因此，使用传统方法（例如傅里叶频谱或机器终端电流的谐波识别）很难识别内部故障的位置。实验结果支持故障感应电机的混沌方式。使用传统方法（例如傅里叶频谱或机器终端电流的谐波识别）很难识别内部故障的位置。实验结果支持故障感应电机的混沌方式。使用传统方法（例如傅里叶频谱或机器终端电流的谐波识别）很难识别内部故障的位置。实验结果支持故障感应电机的混沌方式。