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

Yıl 2008, Cilt: 23 Sayı: 2, 0 - , 18.02.2013

İlhan Aydın Mehmet Karaköse Erhan Akın

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

• 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