KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2009 / Cilt: 24 - Sayı: 4

NEGATİF SEÇİM TABANLI BULANIK ARIZA TEŞHİS MODELİ

İlhan AYDIN
Mehmet KARAKÖSE
Erhan AKIN
Sayfa
0
Yayın Tarihi
2013-02-14
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)

Önerilen yöntemin doğruluğu ve performansısimülasyon ve deneysel veriler kullanılarak gösterilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Arıza teşhisinin sistemlerde sürekliliği sağlamak açısından önemli olduğu, bu alandaki çalışmaların gün geçtikçeartmasından da görülmektedir.
📊
Temel Bulgular & Veri:Akıllı hesaplama teknikleriyle arıza teşhis yöntemlerinin etkinliği artırılmayaçalışılmaktadır.
💡
Sonuç & Katkı:Önerilen yöntemin doğruluğu ve performansısimülasyon ve deneysel veriler kullanılarak gösterilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay bağışık sistemler · negatif seçim algoritması · bulanık mantık

Özet

Arıza teşhisinin sistemlerde sürekliliği sağlamak açısından önemli olduğu, bu alandaki çalışmaların gün geçtikçeartmasından da görülmektedir. Akıllı hesaplama teknikleriyle arıza teşhis yöntemlerinin etkinliği artırılmayaçalışılmaktadır. 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 kırıkrotor ile ilgili özellik çıkarılmaktadır. Ayrıca motor akım imza analizi kullanılarak elde edilen spektrum değişimyönü, bulanık mantık sistemine verilerek arıza teşhisi yapılmaktadır. Negatif seçim algoritması için yeni birağırlıklandırılmış 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 birlikteçoklu arızaları belirlemek için arızanın şiddetini de vermektedir. Önerilen yöntemin doğruluğu ve performansısimülasyon ve deneysel veriler kullanılarak gösterilmiştir.

🔖

Bu Makaleye Atıf Yap

AYDIN, İ., KARAKÖSE, M., AKIN, E. (2013). NEGATİF SEÇİM TABANLI BULANIK ARIZA TEŞHİS MODELİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 24 - Sayı: 4, 0. https://ajindex.com/articles/20914

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Benbouzid, M. E. H., Kliman, G. B., “What Stator Current Processing-Based Technique to Use for Induction Motor Rotor Faults Diagnosis?”, IEEE Trans. on Energy Conv., Cilt 18, No 2, 238-244, 2003.
  2. Ayhan, B., Trussel, H. J. Chow M.Y., Song, M. H., “On the Use of a Lower Sampling Rate for Broken Rotor Bar Detection With DTFT and ARBased Spectrum Methods”, IEEE Trans. on Industrial Elect., Cilt 55, No 3, 1421-1434, - Chow, M. Y., Introduction to Motor Incipient Fault Detection Methodologies of Using Neural Network and Fuzzy Logic Technologies for Motor Incipient Fault Detection, World Scientific, Singapore, 1997.
  3. Benbouzid, M. E. H., “A Review of Induction Motors Signature Analysis as a Medium for Faults Detection”, IEEE Trans. on Industrial Elect., Cilt 47, No 5, 984-993, 2000.
  4. Czeslaw, T. K., Kowalska, T. O., “Neural Network Application for Induction Motor Fault Diagnosis”, Mathematics and Computers in Simulation, Cilt 63, 435-448, 2003.
  5. Bellini, A., Filippetti, F., Tassoni, C., Capolino, G.A., “Advances in Diagnostic Techniques for Induction Machines”, IEEE Trans. On Industrial Elect., Cilt 15, No 2, 4109-4126, - Rodriguez, P. V. J., Antero, A., “Detection of Stator Winding Fault in Induction Motor Using Fuzzy Logic”, Applied Soft Computing, Cilt 8, -1120, 2008.
  6. Branco, P.J. C., Dente, J. A., Mendes, R. V., “Using Immunology Principles for fault Detection”, IEEE Trans. on Industrial Elect., Cilt 50, No 2, 362-373, 2003. Aydın, İ, Karaköse, M., Akın, E. “Bağışık Sistem Tabanlı Bulanık Arıza Teşhis Şeması”, Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu(ASYU 2006),
  7. YTÜ, İstanbul, 47-, 31 Mayıs-2 Haziran 2006.
  8. Gao, X. Z., Ovaska, S. J., Wang, X., Chow, M.Y., “A Neural Networks-based Negative Selection Algorithm in Fault Diagnosis”, Neural Computing & Applications, Cilt 17, No 1, 91-, 2008.
  9. Aydın, İ., Karaköse, M., Akın,E., “Zaman Serisi Veri Madenciliği ve Destek Vektör Makinalar Kullanan Yeni Bir Akıllı Arıza Sınıflandırma Yöntemi”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt 23, No 2, 431-, 2008.
  10. Martins, J. F., Pires, V. F., Pires, A. J., “Unsupervised Neural-Network-Based Algorithm for an On-Line Diagnosis of Three-Phase Induction Motor Stator Fault”, IEEE Trans. On Industrial Elect., Cilt 54, No 1, 2007.
  11. Igava, K., Ohashi, H., “A Negative Selection Algorithm for Classification and Reduction of the Noise Effect”, Applied Soft Computing, Cilt 9, –438, 2009.
  12. Dasgupta, D., “Advances in Artificial Immune Systems”, IEEE Computati