THE FAULT DIAGNOSIS MODEL BASED ON ARTIFICIAL IMMUNE SYSTEM USING GENETIC ALGORITHM

Öz

GENETİK ALGORİTMA KULLANAN YAPAY BAĞIŞIK SİSTEM TABANLI ARIZA TEŞHİS MODELİ

Öz

Bu çalışmada asenkron motor arızalarını tespit etmek için yapay bağışık sistem tabanlı arıza teşhis metodu önerilmiştir. Önerilen metot kırık rotor çubuğu arızlarını tespit etmek için negatif seçim algoritmasını kullanır. Arıza ile ilgili özellikler motor akımın bir fazının ilk fark filtrelemesi ve hilbert dönüşümü kullanılarak elde edilir. Bu özellik sinyallerinin faz uzayı nonlineer zaman serileri analizi yöntemi ile elde edilerek negatif seçimin giriş verisi oluşturulur. Hilbert tabanlı dönüşüm olarak adlandırılan yeni özellik sinyali faz uzayında kırık rotor çubuğu arızalarını ayırt etmek için kullanışlıdır. Orjinal negatif seçim algoritmasında detektörler rastgele üretilir. Fakat rasgele üretilen detektörler iki probleme sahiptir. Birincisi öz olmayan uzay kapsanmayabilir. İkincisi benzer detektörlerin üretimini engellemek için herhangi bir sınırlama yoktur. Genetik algoritma negatif seçimin detektörlerini optimize etmek ve üretmek için kullanılmıştır. Minimum detektör sayısı ile öz olmayan uzayın maksimum kapsanması sağlanmıştır. Önerilen yöntemin doğruluğu zaman adımlı birleştirilmiş sonlu elaman durum uzayı ile elde edilen simülasyon verileri kullanılarak doğrulanmıştır

Anahtar Kelimeler

• ANAHTAR KELİMELER/KEYWORDS

Kaynakça

1. Aydın, İ., Karaköse, M., Akın, E. (2008): “Zaman Serisi Veri Madenciliği ve Destek Vektör
2. Makinalar Kullanan Yeni Bir Akıllı Arıza Sınıflandırma Yöntemi”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, C. 23, Sayı 2, s. 431-440
3. Aydin, I., Karakose, M., Akin, E. (2008): “Artificial Immune Inspired Fault Detection
4. Algorithm based on Fuzzy Clustering and Genetic Algorithm Methods”, İstanbul, IEEE Computational Intelligence for Measurement System and Applications (CIMSA2008), C.1, s. 93-98
5. Ayhan, B., Chow, M. Y., Song, M. H. (2005): “Multiple Signature Processing Based Fault
6. Detection Schemes for Broken Rotor Bar in Induction Motors”, IEEE Trans. on Energy Conv., C. 20, No. 2, s. 336-343
7. Bangura, J. F., Povinelli, R. J., Demerdash, N. A. O., Brown, R. H. (2003): “Diagnostics of
8. 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, C. 39, No. 4, s. 1005

9. Benbouzid, M. E. H., Beguanane, R. Viera, M. (1999): “Induction Motor Asymmetrical
10. Faults Detection Using Advanced Signal Processing Techniques”, IEEE Trans. on Energy Conv., C. 14, No.2, s. 146-152
11. Benbouzid, M. E. H., Kliman, G. B. (2003): “What Stator Current Processing-based
12. Technique to Use for Induction Motor Rotor Faults Diagnosis?”, IEEE Trans. on Energy Conv., C. 18, No. 2, s. 238-244
13. Branco, P. J. C., Dente, J. A., Mendes, R. V. (2003): “Using Immunology Principles for Fault
14. Detection”, IEEE Trans. on Industrial Electronics, C. 50, No.2, s. 362-373 da Silva, A. M. (2006): “Induction Motor Fault Diagnostic and Monitoring Methods”, Master
15. Thesis, Marquette University, Milwaukee, WI, 159 s Dasgupta D., Attoh-Okine, N. (1997): “Immunity-based systems: A survey”, Orlando, IEEE
16. International Conference on Systems, Man, and Cybernetics, s. 369-374
17. Dasgupta, D. (2006): “Advances in Artificial Immune Systems”, IEEE Coputational
18. Intelligence Magazine, C. 1, No 4, s. 40-49 de Castro, L. N., Timmis, J. I., 2002, “Artificial Immune Systems: A New Computational
19. Intelligence Approach”, Springer-Verlag: London, 364s. de Castro, L. N., Zuben, F. J. V. (2002): “Learning and Optimization Using the Clonal
20. Selection Principle”, IEEE Transactions on Evolutionary Computation, C. 6, No. 3, s. 251 Forrest S., Perelson, A. S., Allen, L., Cherukuri, R. (1994): “Self-nonself Discrimination in a
21. Computer”, Oakland, IEEE Symposium on Research in Security and Privacy, C.1, s. 202- Gao, X. Z., Ovaska, S. J. Wang, X., Chow, M. Y. (2008): “A Neural Network-based Negative
22. Selection Algorithm in Fault Diagnosis”, Neural Computing & Applications, C. 17, No. 1, s. 91-98
23. Igava, K., Ohashi, H. (2009): “A Negative Selection Algorithm for Classification and Reduction of the Noise Effect”, Applied Soft Computing, C. 9, s. 431–438
24. Nabiyev, V. V. (2003): “Yapay zeka-problemler, yöntemler, algoritmalar”, Seçkin Yayıncılık, s.
25. Povinelli, R. J., Bangura, J. F., Demerdash, N. A. O., Brown, R. H. (2001): “Diagnostics of
26. Faults in Induction Motor ASDs Using Time Stepping Coupled Finite Element State- Space and Time Series Data Mining Techniques”, Philadelphia, Third Naval Symposium on Electric Machines, C. 1, s. 809,813. Povinelli, R. J., Bangura, J. F., Demerdash, N. A. O., Brown, R. H. (2002): “Diagnostics of
27. Bar and End-Ring Connector Breakage Faults in Polyphase Induction Motors Through a Novel Dual Track of Time-Series Data Mining and Time-Stepping Coupled FE-State Space Modeling”, IEEE Trans. on Energy Conversion, C. 17, No. 1, s. 39-46
28. Schoen, R. R., Habetler, T. G., Kamran, F., Bartheld, R. G. (1995): “Motor Bearing Damage
29. Detection Using Stator Current Monitoring”, IEEE Trans. on Industry App., C. 31, No. 6, s. 1274-1279
30. Yeh, C., Povinelli, R. J., Mirafzal, B., Demerdash, N. A. O. (2004): “Diagnosing of Stator
31. Winding Inter-Turn Shorts in Induction Motors Fed by PWM-Inverter Drive Systems Using a Time Series Data Mining”, Singapore, IEEE International Conference on Power Systems, s. 891-896
32. Zarei, J. Poshtan, J. (2007): “Bearing Fault Detection Using Wavelet Packet Transform of Induction Motor Currents”, Tribology, C. 40, s. 763-769