Yapay sinir ağı modelinin test edilmesi sonucunda % 98,8 oranında bir tahmin oranı elde edilmiş ve ANN modelinin çıkışı ile hedefin birbirleri ile örtüştüğü görülmüştür.
📌 3 Maddede Bu Makale
🎯
Amaç & Hipotez:Normal 0 21 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-ansi-language:EN-US; mso-fareast-language:ZH-CN;} A senkron motorun çalışması esnasında oluşabilecek arızaların anlık olarak tespit edilebilmesi, motorun görev yaptığı sistemin kusursuz çalışması açısından son derece önem arz etmektedir.
📊
Temel Bulgular & Veri:Oluşturulan veri setinin % 80 i ile model eğitilmiş, %10 u ile model test edilmiştir.
💡
Sonuç & Katkı:Yapay sinir ağı modelinin test edilmesi sonucunda % 98,8 oranında bir tahmin oranı elde edilmiş ve ANN modelinin çıkışı ile hedefin birbirleri ile örtüştüğü görülmüştür.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Sinir Ağları (YSA) · Arıza · Asenkron Motor
Özet
Normal 0 21 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-ansi-language:EN-US; mso-fareast-language:ZH-CN;} A senkron motorun çalışması esnasında oluşabilecek arızaların anlık olarak tespit edilebilmesi, motorun görev yaptığı sistemin kusursuz çalışması açısından son derece önem arz etmektedir. Bu çalışmada, üç fazlı kafesli bir asenkron motorda arızaların tespit edilebilmesi için yapay sinir ağları (YSA) modeli kullanılmıştır. Belirli bir zaman aralığı için asenkron motorun titreşim verileri alınarak veri seti oluşturulmuştur. Oluşturulan veri setinin % 80 i ile model eğitilmiş, %10 u ile model test edilmiştir. Yapay sinir ağı modelinin test edilmesi sonucunda % 98,8 oranında bir tahmin oranı elde edilmiş ve ANN modelinin çıkışı ile hedefin birbirleri ile örtüştüğü görülmüştür.
Aktas, M., H. Okumus, I. (2010). Stator resistance estimation using ANN in DTC IM drives. Turk J Elec Eng & Comp Sci, Vol.18, No.2.
Ashwani, K., Amar, P. (2016). Transistor level fault diagnosis in digital circuits using artificial neural network. Measurement, 82, 384–390.
Bimal, K. (2002). Modern power electronics and AC drives, Prentice –Hall, USA Hakan, Ç., Kıyas K.(2007). Asenkron motor hata teşhisinde modern metodlar, Makine Teknolojileri Elektronik Dergisi. (4) 2, 49-57.
Cemalettin, K. (2012). Matlab 7.11, Yapay zeka ve mühendislik uygulamaları, Sakarya Gelişim Ofset, Birinci Baskı, Sakarya.
Chine, W., Mellit, A., Lughi, V., Malek, A., Sulligoi G., Massi P. (2016). A novel fault diagnosis technique for photovoltaic systems based on artificial neural Networks” Renewable Energy, 90, 501-512,
Çetin, E. (2003). Yapay Sinir Ağları, Birinci Baskı, Seçkin, Ankara.
Demetgül, M. (2008). Pömatik sistemde gerçek zamanlı LVQ yapay sinir ağı algoritması ile arıza tespiti. Pamukkale Üniversity Engineering Faculty Journal of Engineering Sciences, 14, 1, 83-90.
Ercan, Ö. (2006). Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul.
Sina T. S., Bathaie, Khorasani, K. (2015). Fault detection and isolation of gas turbine engines using a bank of neural Networks” Journal of Process Control 36, 22–41.
Vasif, V. N. (2005). Yapay Zeka, İkinci Baskı, Seçkin, Ankara.
Demetgül, M. (2008). Pömatik sistemde gerçek zamanlı LVQ yapay sinir ağı algoritması ile arıza tespiti. Pamukkale Üniversity Engineering Faculty Journal of Engineering Sciences, 14, 1, 83-90.