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

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

Kaynakça

1. Benbouzid M.E., Kliman G.B., “What Stator
2. Current Processing based technique to use for
3. induction motors rotor faults?”, IEEE Trans. on
4. Energy Conversion, Cilt 18, No 2, 238-244,
5. -
6. Chow M. Y., Methodologies of Using Neural
7. Network and Fuzzy Logic Technologies for
8. Motor Incipient Fault Detection, World

9. Scientific, 1997.
10. Czeslaw, T. K., T. O. Kowalska, “Neural
11. Network Application for Induction Motor Fault
12. Diagnosis”, Mathematics and Computers in
13. Simulation, Cilt 63, 435-448, 2003
14. Kim K., Parlos A.G., Bharadwaj R. M.,
15. “Sensorless Fault Diagnosis of Induction
16. Motors”, IEEE Trans. on Industrial
17. Electronics, Cilt 50, No 5, 1038-1051, 2003.
18. Aderiano M. da Silva, Induction Motor Fault
19. Diagnostic and Monitoring Methods, Master
20. Thesis, Marquette University, Milwaukee, WI,
21. -
22. Filipetti F., Franceschini G., Tassoni C., Vas P.,
23. “Recent Developments of Induction Motor
24. Drives Fault Diagnosis Using AI Techniques”,
25. IEEE Trans. on Industrial Electronics, Cilt 47,
26. No 5, 994–1004, 2000.
27. Kolla S., Varatharasa L., “Identifying Threephase
28. Induction Motor Faults using Artificial
29. Neural Networks”, ISA Transactions, Cilt 39,
30. No 4, 433-439, 2000.
31. Benbouzid M.E.H., Nejjari H., “A Simple Fuzzy
32. Logic Approach for Induction Motors Stator
33. Condition Monitoring”, IEEE Electrical
34. Machines and Drives Conference (IEMDC),
35. Cambridge, MA, June 17-20, 2001.
36. Ayhan B., Chow M.Y., Song M.H., “Multiple
37. Discriminant Analysis and Neural-Network-
38. Based Monolith and Partition Fault-Detection
39. Schemes for Broken Rotor Bar in Induction
40. Motors”, IEEE Trans. on Industrial
41. Electronics, Cilt 53 , No 4, 1298-1308, August
42. -
43. Ondel O., Boutleux E., Clerc G., “A method to
44. Detect Broken Rotor Bars in Induction Machine
45. Using Pattern Recognition Techniques”, IEEE
46. Trans. on Industry Applications, Cilt 2, No 4,
47. -923, 2006.
48. Pöyhönen, S., Support Vector Machine Based
49. Classification in Condition Monitoring of
50. Induction Motors, Doktora Tezi, Helsinki
51. University of Technology Control Engineering
52. Laboratory, 2004.
53. Shin H. J., Eom D. H., Kim S. S., “One-class
54. Support Vector Machines—An Application in
55. Machine Fault Detection and Classification”,
56. Computer & Industrial Engineering, Cilt 48,
57. No 2, 396-408, 2005.
58. Bangura J. F., Povinelli R. J., Demerdash,
59. N.A.O., Brown R. H., “Diagnostics of
60. Eccentricities and Bar/End-Ring Connector
61. Breakages in Polyphase Induction Motors
62. Through a Combination of Time-Series Data
63. Mining and Time-Stepping Coupled FE–State
64. Space Techniques”, IEEE Trans. On Industry
65. Applications, Cilt 39, No 4, 1005-1013, 2003.
66. Aydın İ., KARAKÖSE M., AKIN E., “A Simple
67. and Efficient Method for Fault Diagnosis Using
68. Time Series Data Mining”, IEEE Electrical
69. Machines and Drives Conference (IEMDC07),
70. -600, 2007.
71. Benbouzza N., Benyettou A., Bendiabdellah A.,
72. “An Advanced Park’s Vectors Approach for
73. Rotor Cage Diagnosis”, IEEE First
74. International Symposium On Control,
75. Communications and Signal Processing, 461-
76. , 2004.
77. Aydın İ., Arıza Teşhisinde Veri Madenciliği ve
78. Yumuşak Hesaplama Tekniklerinin
79. Kullanımı, Yüksek Lisans Tezi, Fırat
80. Üniversitesi Fen Bilimleri Enstitüsü, 2006.
81. Aydın İ., Karaköse M., Akın E., “Yapay
82. Bağışıklık Sistemi Tabanlı Arıza Teşhis
83. Algoritması”, IEEE 14. Sinyal İşleme Ve
84. İletişim Uygulamalari Kurultayi (SIU’2006),
85. -19 Nisan, Antalya, 2006.
86. Haji M., Toliyat H.A., “Pattern Recognition-A
87. Technique for Induction Machines Rotor Fault
88. Detection-Eccentricity and Broken Bar Fault”,
89. IEEE Industry Applications Conference (IAS),
90. -1578, 2001.
91. Feng X., Huang H., “A Fuzzy Set Based
92. Reconstructed Phase Method for Identification of
93. Temporal Patterns in Complex Time Series”,
94. IEEE Trans. On Knowledge and Data
95. Engineering, Cilt 17, No 5, 601-613, 2005.
96. Bezdek J. C., Pattern Recognition with Fuzzy
97. Objective Function Algorithms, Plenum Press,
98. New York, 1981
99. Cristianini N., Shawe Taylor J., An Introduction
100. to Support Vector Machines and Other
101. Kernel-based Learning Methods, Cambridge
102. University Press, 2001.
103. Kecman V., Learning and Soft Computing:
104. Support Vector Machines, neural Networks
105. and Fuzzy Logic, The MIT Press., 2001.
106. Burges, C., “A Tutorial on Support Vector
107. Machines for Pattern Recognition”, Journal of
108. Data Mining and Knowledge Discovery, Cilt 2,
109. No 2, 121-167, 1998