Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 24 Sayı: 4

NEGATİF SEÇİM TABANLI BULANIK ARIZA TEŞHİS MODELİ

Pages
—
Publication Date
2013-02-14
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Önerilen yöntemin doğruluğu ve performansı simülasyon ve deneysel veriler kullanılarak gösterilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Arıza teşhisinin sistemlerde sürekliliği sağlamak açısından önemli olduğu, bu alandaki çalışmaların gün geçtikçe artmasından da görülmektedir.
📊
Key Findings & Data:Akıllı hesaplama teknikleriyle arıza teşhis yöntemlerinin etkinliği artırılmaya çalışılmaktadır.
💡
Conclusion & Impact:Önerilen yöntemin doğruluğu ve performansı simülasyon ve deneysel veriler kullanılarak gösterilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yapay bağışık sistemler · negatif seçim algoritması · bulanık mantık

Özet

Arıza teşhisinin sistemlerde sürekliliği sağlamak açısından önemli olduğu, bu alandaki çalışmaların gün geçtikçe artmasından da görülmektedir. Akıllı hesaplama teknikleriyle arıza teşhis yöntemlerinin etkinliği artırılmaya çalışılmaktadır. Bu çalışmada bulanık mantık ve negatif seçim tabanlı bir arıza teşhis yöntemi önerilmiştir. Önerilen algoritmada yapay bağışıklık sisteminin bir bileşeni olan negatif seçim algoritması kullanılarak kırık rotor ile ilgili özellik çıkarılmaktadır. Ayrıca motor akım imza analizi kullanılarak elde edilen spektrum değişim yönü, bulanık mantık sistemine verilerek arıza teşhisi yapılmaktadır. Negatif seçim algoritması için yeni bir ağırlıklandırılmış afinite ölçümü kullanılmıştır. Önerilen yöntem ile asenkron motorlarda oluşan stator arızası, mil yatağı sürtünme arızası ve kırık rotor arızaları teşhis edilebilmektedir. Yöntemin çıkışı arıza türü ile birlikte çoklu arızaları belirlemek için arızanın şiddetini de vermektedir. Önerilen yöntemin doğruluğu ve performansı simülasyon ve deneysel veriler kullanılarak gösterilmiştir.

🔖

Cite This Article

Aydın, İ., Karaköse, M., Akın, E. (2013). NEGATİF SEÇİM TABANLI BULANIK ARIZA TEŞHİS MODELİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 24 Sayı: 4. https://ajindex.com/articles/1078703

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (75)

  1. Benbouzid, M. E. H., Kliman, G. B., “What
  2. Stator Current Processing-Based Technique to
  3. Use for Induction Motor Rotor Faults
  4. Diagnosis?”, IEEE Trans. on Energy Conv.,
  5. Cilt 18, No 2, 238-244, 2003.
  6. Ayhan, B., Trussel, H. J. Chow M.Y., Song, M.
  7. H., “On the Use of a Lower Sampling Rate for
  8. Broken Rotor Bar Detection With DTFT and ARBased
  9. Spectrum Methods”, IEEE Trans. on
  10. Industrial Elect., Cilt 55, No 3, 1421-1434,
  11. Chow, M. Y., Introduction to Motor Incipient
  12. Fault Detection Methodologies of Using Neural
  13. Network and Fuzzy Logic Technologies for
  14. Motor Incipient Fault Detection, World
  15. Scientific, Singapore, 1997.
  16. Benbouzid, M. E. H., “A Review of Induction
  17. Motors Signature Analysis as a Medium for
  18. Faults Detection”, IEEE Trans. on Industrial
  19. Elect., Cilt 47, No 5, 984-993, 2000.
  20. Czeslaw, T. K., Kowalska, T. O., “Neural
  21. Network Application for Induction Motor Fault
  22. Diagnosis”, Mathematics and Computers in
  23. Simulation, Cilt 63, 435-448, 2003.
  24. Bellini, A., Filippetti, F., Tassoni, C., Capolino,
  25. G.A., “Advances in Diagnostic Techniques for
  26. Induction Machines”, IEEE Trans. On
  27. Industrial Elect., Cilt 15, No 2, 4109-4126,
  28. Rodriguez, P. V. J., Antero, A., “Detection of
  29. Stator Winding Fault in Induction Motor Using
  30. Fuzzy Logic”, Applied Soft Computing, Cilt 8,
  31. 1120, 2008.
  32. Branco, P.J. C., Dente, J. A., Mendes, R. V.,
  33. “Using Immunology Principles for fault Detection”, IEEE Trans. on Industrial Elect.,
  34. Cilt 50, No 2, 362-373, 2003.
  35. Aydın, İ, Karaköse, M., Akın, E. “Bağışık Sistem
  36. Tabanlı Bulanık Arıza Teşhis Şeması”, Akıllı
  37. Sistemlerde Yenilikler ve Uygulamaları
  38. Sempozyumu(ASYU 2006), YTÜ, İstanbul, 47-, 31 Mayıs-2 Haziran 2006.
  39. Gao, X. Z., Ovaska, S. J., Wang, X., Chow,
  40. M.Y., “A Neural Networks-based Negative
  41. Selection Algorithm in Fault Diagnosis”, Neural
  42. Computing & Applications, Cilt 17, No 1, 91-, 2008.
  43. Aydın, İ., Karaköse, M., Akın,E., “Zaman Serisi
  44. Veri Madenciliği ve Destek Vektör Makinalar
  45. Kullanan Yeni Bir Akıllı Arıza Sınıflandırma
  46. Yöntemi”, Gazi Üniversitesi Mühendislik
  47. Mimarlık Fakültesi Dergisi, Cilt 23, No 2, 431-
  48. Martins, J. F., Pires, V. F., Pires, A. J.,
  49. “Unsupervised Neural-Network-Based Algorithm
  50. for an On-Line Diagnosis of Three-Phase
  51. Induction Motor Stator Fault”, IEEE Trans. On
  52. Industrial Elect., Cilt 54, No 1, 2007.
  53. Igava, K., Ohashi, H., “A Negative Selection
  54. Algorithm for Classification and Reduction of the
  55. Noise Effect”, Applied Soft Computing, Cilt 9,
  56. 438, 2009.
  57. Dasgupta, D., “Advances in Artificial Immune
  58. Systems”, IEEE Computational Intelligence
  59. Magazine, Cilt 1, No 4, 40-49, 2006.
  60. de Castro, L. N., Timmis, J. I., “Artificial Immune
  61. Systems as Novel Soft Computing Paradigm”, Soft
  62. Computing Journal, Cilt 7, No 7, 1-31, 2003.
  63. Leung, K., Cheong, F., Cheong, C., “Generating
  64. Compact Classifier Systems Using a Simple
  65. Artificial Immune System”, IEEE Trans. On
  66. Systems, Man and Cybernetics- Part B:
  67. Cybernetics, Cilt 37, No 4, 1344-1356, 2007.
  68. Kecman, V., Learning and Soft Computing,
  69. Massachusetts Institute of Technology, The MIT
  70. Press, Cambridge, 2001.
  71. Aydin, I., Karakose, M., Akin, E., “Fault
  72. Diagnosis Algorithm Based On Artificial
  73. Immunity System”, 14th IEEE Signal Processing
  74. and Communications Applications
  75. Conference, Antalya, 1-4, 17-19 April 2006.