KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 23 Sayı: 2

ZAMAN SERİSİ VERİ MADENCİLİĞİ VE DESTEK VEKTÖR MAKİNALAR KULLANAN YENİ BİR AKILLI ARIZA SINIFLANDIRMA YÖNTEMİ

İlhan Aydın
Mehmet Karaköse
Erhan Akın
Sayfa
—
Yayın Tarihi
2013-02-18
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Geliştirilen yöntem ile bir, iki, üç kırık rotor çubuğu arızaları ve sağlam durum, dört farklı çalışma hızında başarılı bir şekilde sınıflandırılmaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Asenkron motorlar endüstriyel uygulamalarda en çok kullanılan makinelerdir.
📊
Temel Bulgular & Veri:Bu motorlar genellikle güvenilir olmalarına rağmen ortam ve eskimeye bağlı sebeplerden dolayı birçok arızaya maruz kalabilirler.
💡
Sonuç & Katkı:Geliştirilen yöntem ile bir, iki, üç kırık rotor çubuğu arızaları ve sağlam durum, dört farklı çalışma hızında başarılı bir şekilde sınıflandırılmaktadır.
🔬Tür:Makale
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Zaman serisi veri madenciliği · destek vektör makinalar · asenkron motor

Özet

Asenkron motorlar endüstriyel uygulamalarda en çok kullanılan makinelerdir. Bu motorlar genellikle güvenilir olmalarına rağmen ortam ve eskimeye bağlı sebeplerden dolayı birçok arızaya maruz kalabilirler. Bu çalışmada, bir asenkron motorda oluşan kırık rotor çubuğu arızaları, destek vektör makinalar ve zaman serisi veri madenciliği ile sınıflandırılmıştır. Arıza sınıflandırma için kullanılacak zaman serisi park vektör yaklaşımının iki bileşeni kullanılarak elde edilmektedir. Her bir arıza durumu için elde edilen yeni zaman serisi bir faz alanına dönüştürülmektedir. Sağlam ve arızalı faz alanlarını ayırt etmek için destek vektör makinalar kullanılmaktadır. Destek vektör makinaların eğitim hızını arttırmak için bulanık küme merkezleri eğitim verisi olarak alınmaktadır. Geliştirilen yöntem ile bir, iki, üç kırık rotor çubuğu arızaları ve sağlam durum, dört farklı çalışma hızında başarılı bir şekilde sınıflandırılmaktadır.

🔖

Bu Makaleye Atıf Yap

Aydın, İ., Karaköse, M., Akın, E. (2013). ZAMAN SERİSİ VERİ MADENCİLİĞİ VE DESTEK VEKTÖR MAKİNALAR KULLANAN YENİ BİR AKILLI ARIZA SINIFLANDIRMA YÖNTEMİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 23 Sayı: 2. https://ajindex.com/articles/1078839

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (105)

  1. Benbouzid M.E., Kliman G.B., “What Stator
  2. Current Processing based technique to use for
  3. induction motors rotor faults?”, IEEE Trans. on
  4. Energy Conversion, Cilt 18, No 2, 238-244,
  5. Chow M. Y., Methodologies of Using Neural
  6. Network and Fuzzy Logic Technologies for
  7. Motor Incipient Fault Detection, World
  8. Scientific, 1997.
  9. Czeslaw, T. K., T. O. Kowalska, “Neural
  10. Network Application for Induction Motor Fault
  11. Diagnosis”, Mathematics and Computers in
  12. Simulation, Cilt 63, 435-448, 2003
  13. Kim K., Parlos A.G., Bharadwaj R. M.,
  14. “Sensorless Fault Diagnosis of Induction
  15. Motors”, IEEE Trans. on Industrial
  16. Electronics, Cilt 50, No 5, 1038-1051, 2003.
  17. Aderiano M. da Silva, Induction Motor Fault
  18. Diagnostic and Monitoring Methods, Master
  19. Thesis, Marquette University, Milwaukee, WI,
  20. Filipetti F., Franceschini G., Tassoni C., Vas P.,
  21. “Recent Developments of Induction Motor
  22. Drives Fault Diagnosis Using AI Techniques”,
  23. IEEE Trans. on Industrial Electronics, Cilt 47,
  24. , 994–1004, 2000.
  25. Kolla S., Varatharasa L., “Identifying Threephase
  26. Induction Motor Faults using Artificial
  27. Neural Networks”, ISA Transactions, Cilt 39,
  28. , 433-439, 2000.
  29. Benbouzid M.E.H., Nejjari H., “A Simple Fuzzy
  30. Logic Approach for Induction Motors Stator
  31. Condition Monitoring”, IEEE Electrical
  32. Machines and Drives Conference (IEMDC),
  33. Cambridge, MA, June 17-20, 2001.
  34. Ayhan B., Chow M.Y., Song M.H., “Multiple
  35. Discriminant Analysis and Neural-Network-
  36. Based Monolith and Partition Fault-Detection
  37. Schemes for Broken Rotor Bar in Induction
  38. Electronics, Cilt 53, No 4, 1298-1308, August
  39. Ondel O., Boutleux E., Clerc G., “A method to
  40. Detect Broken Rotor Bars in Induction Machine
  41. Using Pattern Recognition Techniques”, IEEE
  42. Trans. on Industry Applications, Cilt 2, No 4,
  43. 923, 2006.
  44. Pöyhönen, S., Support Vector Machine Based
  45. Classification in Condition Monitoring of
  46. Induction Motors, Doktora Tezi, Helsinki
  47. University of Technology Control Engineering
  48. Laboratory, 2004.
  49. Shin H. J., Eom D. H., Kim S. S., “One-class
  50. Support Vector Machines—An Application in
  51. Machine Fault Detection and Classification”,
  52. Computer & Industrial Engineering, Cilt 48,
  53. , 396-408, 2005.
  54. Bangura J. F., Povinelli R. J., Demerdash,
  55. N.A.O., Brown R. H., “Diagnostics of
  56. Eccentricities and Bar/End-Ring Connector
  57. Breakages in Polyphase Induction Motors
  58. Through a Combination of Time-Series Data
  59. Mining and Time-Stepping Coupled FE–State
  60. Space Techniques”, IEEE Trans. On Industry
  61. Applications, Cilt 39, No 4, 1005-1013, 2003.
  62. Aydın İ., KARAKÖSE M., AKIN E., “A Simple
  63. and Efficient Method for Fault Diagnosis Using
  64. Time Series Data Mining”, IEEE Electrical
  65. Machines and Drives Conference (IEMDC07),
  66. 600, 2007.
  67. Benbouzza N., Benyettou A., Bendiabdellah A.,
  68. “An Advanced Park’s Vectors Approach for
  69. Rotor Cage Diagnosis”, IEEE First
  70. International Symposium On Control,
  71. Communications and Signal Processing, 461-, 2004.
  72. Aydın İ., Arıza Teşhisinde Veri Madenciliği ve
  73. Yumuşak Hesaplama Tekniklerinin
  74. Kullanımı, Yüksek Lisans Tezi, Fırat
  75. Üniversitesi Fen Bilimleri Enstitüsü, 2006.
  76. Aydın İ., Karaköse M., Akın E., “Yapay
  77. Bağışıklık Sistemi Tabanlı Arıza Teşhis
  78. Algoritması”, IEEE 14. Sinyal İşleme Ve
  79. İletişim Uygulamalari Kurultayi (SIU’2006),
  80. 19 Nisan, Antalya, 2006.
  81. Haji M., Toliyat H.A., “Pattern Recognition-A
  82. Technique for Induction Machines Rotor Fault
  83. Detection-Eccentricity and Broken Bar Fault”,
  84. IEEE Industry Applications Conference (IAS),
  85. 1578, 2001.
  86. Feng X., Huang H., “A Fuzzy Set Based
  87. Reconstructed Phase Method for Identification of
  88. Temporal Patterns in Complex Time Series”,
  89. IEEE Trans. On Knowledge and Data
  90. Engineering, Cilt 17, No 5, 601-613, 2005.
  91. Bezdek J. C., Pattern Recognition with Fuzzy
  92. Objective Function Algorithms, Plenum Press,
  93. New York, 1981
  94. Cristianini N., Shawe Taylor J., An Introduction
  95. to Support Vector Machines and Other
  96. Kernel-based Learning Methods, Cambridge
  97. University Press, 2001.
  98. Kecman V., Learning and Soft Computing:
  99. Support Vector Machines, neural Networks
  100. and Fuzzy Logic, The MIT Press., 2001.
  101. Burges, C., “A Tutorial on Support Vector
  102. Machines for Pattern Recognition”, Journal of
  103. Data Mining and Knowledge Discovery, Cilt 2,
  104. , 121-167, 1998
  105. Electronics, Cilt 53, No 4, 1298-1308, August