BULANIK ÇIKARIM SİSTEMİ VE YAPAY SİNİR AĞLARI KULLANIMIYLA MEKANİK BUHAR SIKIŞTIRMALI SOĞUTMA ÇEVRİMİNİN SİSTEM ARIZALARININ VE ALGILAYICI HATALARININ BULUNMA METOTLARI

Yıl 2015, Cilt: 5 Sayı: 5 - ULUSLARARASI MESLEK YÜKSEKOKULLARI SEMPOZYUMU UMYOS 2015 ÖZEL SAYISI, 78 - 86, 31.12.2015

Necati Koçyiğit Hüseyin Bulgurcu Ayhan Onat

Öz

Bu çalışmanın amacı, bulanık çıkarım sistemi (FIS) ve yapay sinir ağları (ANN) kullanarak bir buhar sıkıştırmalı soğutma sistemindeki arızaların teşhisinin nasıl yapıldığını göstermektir. Algılayıcı arızalarının tespiti için ayrı bir FIS geliştirilmiştir. Soğutma sistemindeki arızaları teşhis etmek için sekiz farklı arıza durumu oluşturabilen laboratuvar eğitim ünitesi kullanılmıştır. Bu çalışmada, basınç-entalpi (p-h) diyagramında soğutma çevrimini gözlemlenmesiyle sekiz arızalı durum başarıyla tahmin edilmiştir. Ek olarak, deneysel olarak elde edilen algılayıcı verilerini kullanarak bir normal durum ve sekiz arızalı durum FIS’ne uygulanmış ve Levenberg Marquart (LM), Scaled Conjugate Gradient (SCG) ve Resilient Backpropagation (RB) tipi FIS’ne sekiz arızalı durumu eğitmek ve test etmek için kullanılmıştır. LM tipi ANN minimum tahmin hatasını vermiştir. Test edilen sistemlerin performansı arıza teşhisi için önerilen FIS ve ANN temel soğutma sisteminde sekiz arızayı teşhis etme yeteneğini kanıtlamıştır. Ayrıca, hata tahmini için önerilen FIS bir algılayıcı hatasını tespit etme yeteneğine sahiptir. Teşhis amaçlı kullanılan önerilen FIS ve ANN problemleri etkili bir şekilde tespit etmiştir.

Anahtar Kelimeler

Arıza teşhisi, p-h diyagramı, bulanık çıkarım sistemi, yapay sinir ağları.

Kaynakça

• Abraham, A., 2005. Rule-based expert systems. In: Sydenham, P.H., Thorn, R. (Eds.), Handbook of Measuring System Design. John Wiley & Sons, Ltd. Article 130.
• Bulgurcu, H., 2009. Maintenance, Troubleshooting and Service Process in HVAC&R Systems. In: ISKAV Technical Book Series No: 5. Istanbul (printed in Turkish).
• CoolPack, 2010. A Collection of Simulation Tools for Refrigeration.Available at: Url: www.et.dtu.dk/CoolPack (accessed 16.06.13.).
• Ertunc, H.M., Hosoz, M., 2008. Comparative analysis of an evaporative condenser using artificial neural network and adaptive neuro-fuzzy inference system. Int. J. Refrigeration 31, 1426-1436.
• Han, H., Gu, B., Wang, T., Li, Z.R., 2011. Important sensors for chiller fault detection and diagnosis (FDD) from the perspective of feature selection and machine learning. Int. J. Refrigeration 34, 586-599.
• Kim, M., Yoon, S.H., Payne, W.V., Domanski, P.A., 2010. Development of the reference model for a residential heat pump system for cooling mode fault detection and diagnosis. J. Mech. Sci. Technol. 24 (7), 1481-1489.
• Kizilkan, O., 2011. Thermodynamic analysis of variable speed refrigeration system using artificial neural networks. Expert Syst. Appl. 38, 11686-11692.
• Kocyigit, N., Bulgurcu, H., Lin, C., 2014. Fault diagnosis of a vapor compression refrigeration system with hermetic reciprocating compressor based on p-h diagram. Int. J. Refrigeration 4 (5), 44-54.
• Mavromatidis, G., Acha, S., Nilay, S., 2013. Diagnostic tools of energy performance for supermarkets using artificial neural network algorithms. Energy Build. 62, 304-314.
• Piacentino, A., Talamo, M., 2013. Innovative thermoeconomic diagnosis of multiple faults in air conditioning units: methodological improvements and increased reliability of results. Int. J. Refrigeration 36, 2343-2365.
• Yoon, S.H., Payne, E.V., Domanski, P.A., 2011. Residential heat pump heating performance with single faults imposed. Appl.Therm. Eng. 31, 765-771.
• Yu, D., Deng, L., 2012. Efficient and effective algorithms for training single-hidden-layer neural networks. Pattern Recognit. Lett. 33, 554-558.
• Zhao, X., Yang, M., Li, H., 2012. A virtual condenser fouling sensor for chillers. Energy Build. 52, 68-76.
• Zhao, X., Yang, M., Li, H., 2014. Field implementation and evaluation of a decoupling-based fault detection and diagnostic method for chillers. Energy Build. 72, 419-430.
• Zhu, Y., Jin, X., Du, Z., 2012. Fault diagnosis for sensors in air handling unit based on neural network pre-processed by wavelet and fractal. Energy Build. 44, 7-16