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

İlhan AYDIN, Mehmet KARAKÖSE, Erhan AKIN
2.064 625

Öz


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.

Anahtar kelimeler


Zaman serisi veri madenciliği, destek vektör makinalar, asenkron motor, kırık rotor çubuğu arızaları, arıza teşhisi

Tam metin:

PDF


Referanslar


Benbouzid M.E., Kliman G.B., “What Stator

Current Processing based technique to use for

induction motors rotor faults?”, IEEE Trans. on

Energy Conversion, Cilt 18, No 2, 238-244,

Chow M. Y., Methodologies of Using Neural

Network and Fuzzy Logic Technologies for

Motor Incipient Fault Detection, World

Scientific, 1997.

Czeslaw, T. K., T. O. Kowalska, “Neural

Network Application for Induction Motor Fault

Diagnosis”, Mathematics and Computers in

Simulation, Cilt 63, 435-448, 2003

Kim K., Parlos A.G., Bharadwaj R. M.,

“Sensorless Fault Diagnosis of Induction

Motors”, IEEE Trans. on Industrial

Electronics, Cilt 50, No 5, 1038-1051, 2003.

Aderiano M. da Silva, Induction Motor Fault

Diagnostic and Monitoring Methods, Master

Thesis, Marquette University, Milwaukee, WI,

Filipetti F., Franceschini G., Tassoni C., Vas P.,

“Recent Developments of Induction Motor

Drives Fault Diagnosis Using AI Techniques”,

IEEE Trans. on Industrial Electronics, Cilt 47,

No 5, 994–1004, 2000.

Kolla S., Varatharasa L., “Identifying Threephase

Induction Motor Faults using Artificial

Neural Networks”, ISA Transactions, Cilt 39,

No 4, 433-439, 2000.

Benbouzid M.E.H., Nejjari H., “A Simple Fuzzy

Logic Approach for Induction Motors Stator

Condition Monitoring”, IEEE Electrical

Machines and Drives Conference (IEMDC),

Cambridge, MA, June 17-20, 2001.

Ayhan B., Chow M.Y., Song M.H., “Multiple

Discriminant Analysis and Neural-Network-

Based Monolith and Partition Fault-Detection

Schemes for Broken Rotor Bar in Induction

Motors”, IEEE Trans. on Industrial

Electronics, Cilt 53 , No 4, 1298-1308, August

Ondel O., Boutleux E., Clerc G., “A method to

Detect Broken Rotor Bars in Induction Machine

Using Pattern Recognition Techniques”, IEEE

Trans. on Industry Applications, Cilt 2, No 4,

-923, 2006.

Pöyhönen, S., Support Vector Machine Based

Classification in Condition Monitoring of

Induction Motors, Doktora Tezi, Helsinki

University of Technology Control Engineering

Laboratory, 2004.

Shin H. J., Eom D. H., Kim S. S., “One-class

Support Vector Machines—An Application in

Machine Fault Detection and Classification”,

Computer & Industrial Engineering, Cilt 48,

No 2, 396-408, 2005.

Bangura J. F., Povinelli R. J., Demerdash,

N.A.O., Brown R. H., “Diagnostics of

Eccentricities and Bar/End-Ring Connector

Breakages in Polyphase Induction Motors

Through a Combination of Time-Series Data

Mining and Time-Stepping Coupled FE–State

Space Techniques”, IEEE Trans. On Industry

Applications, Cilt 39, No 4, 1005-1013, 2003.

Aydın İ., KARAKÖSE M., AKIN E., “A Simple

and Efficient Method for Fault Diagnosis Using

Time Series Data Mining”, IEEE Electrical

Machines and Drives Conference (IEMDC07),

-600, 2007.

Benbouzza N., Benyettou A., Bendiabdellah A.,

“An Advanced Park’s Vectors Approach for

Rotor Cage Diagnosis”, IEEE First

International Symposium On Control,

Communications and Signal Processing, 461-

, 2004.

Aydın İ., Arıza Teşhisinde Veri Madenciliği ve

Yumuşak Hesaplama Tekniklerinin

Kullanımı, Yüksek Lisans Tezi, Fırat

Üniversitesi Fen Bilimleri Enstitüsü, 2006.

Aydın İ., Karaköse M., Akın E., “Yapay

Bağışıklık Sistemi Tabanlı Arıza Teşhis

Algoritması”, IEEE 14. Sinyal İşleme Ve

İletişim Uygulamalari Kurultayi (SIU’2006),

-19 Nisan, Antalya, 2006.

Haji M., Toliyat H.A., “Pattern Recognition-A

Technique for Induction Machines Rotor Fault

Detection-Eccentricity and Broken Bar Fault”,

IEEE Industry Applications Conference (IAS),

-1578, 2001.

Feng X., Huang H., “A Fuzzy Set Based

Reconstructed Phase Method for Identification of

Temporal Patterns in Complex Time Series”,

IEEE Trans. On Knowledge and Data

Engineering, Cilt 17, No 5, 601-613, 2005.

Bezdek J. C., Pattern Recognition with Fuzzy

Objective Function Algorithms, Plenum Press,

New York, 1981

Cristianini N., Shawe Taylor J., An Introduction

to Support Vector Machines and Other

Kernel-based Learning Methods, Cambridge

University Press, 2001.

Kecman V., Learning and Soft Computing:

Support Vector Machines, neural Networks

and Fuzzy Logic, The MIT Press., 2001.

Burges, C., “A Tutorial on Support Vector

Machines for Pattern Recognition”, Journal of

Data Mining and Knowledge Discovery, Cilt 2,

No 2, 121-167, 1998




Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.