Erhan AKIN, Mehmet KARAKÖSE, İlhan AYDIN

Negatif seçim tabanlı bulanık arıza teşhis modeli

Arıza teşhisinin sistemlerde sürekliliği sağlamak açısından önemli olduğu, bu alandaki çalışmaların gün geçtikçe artmasından da görülmektedir. Akıllı hesaplama teknikleriyle arıza teşhis yöntemlerinin etkinliği artırılmaya çalışılmaktadır. Bu çalışmada bulanık mantık ve negatif seçim tabanlı bir arıza teşhis yöntemi önerilmiştir. Önerilen algoritmada yapay bağışıklık sisteminin bir bileşeni olan negatif seçim algoritması kullanılarak kırık rotor ile ilgili özellik çıkarılmaktadır. Ayrıca motor akım imza analizi kullanılarak elde edilen spektrum değişim yönü, bulanık mantık sistemine verilerek arıza teşhisi yapılmaktadır. Negatif seçim algoritması için yeni bir ağırlıklandırılmış afinite ölçümü kullanılmıştır. Önerilen yöntem ile asenkron motorlarda oluşan stator arızası, mil yatağı sürtünme arızası ve kırık rotor arızaları teşhis edilebilmektedir. Yöntemin çıkışı arıza türü ile birlikte çoklu arızaları belirlemek için arızanın şiddetini de vermektedir. Önerilen yöntemin doğruluğu ve performansı simülasyon ve deneysel veriler kullanılarak gösterilmiştir.

Negative selection based fuzzy fault diagnosis model

Fault diagnosis is important to ensure the continuity in the systems that the studies in this area have increased. The effectiveness of fault diagnosis methods has been enhanced by using intelligent computing techniques. In this study, a fault diagnosis method based on fuzzy logic and negative selection is proposed. In the proposed algorithm, the broken rotor bar related features are extracted using negative selection algorithm that is a component of the artificial immune system. In addition, the direction of spectrum changing obtained using the motor current signature analysis is given to fuzzy logic system and the faults are diagnosed. A new weighted affinity measurement is presented for negative selection. The broken rotor bar faults, stator and bearing friction faults occurred in induction motors can be diagnosed by using proposed method. The output of the method gives both the fault type and the severity of fault to determine the multiple faults. The performance of proposed method is verified using healthy and faulty motor data that are obtained as simulation and experimentally.

PDF

___

1. Benbouzid, M. E. H., Kliman, G. B., “What Stator Current Processing-Based Technique to Use for Induction Motor Rotor Faults Diagnosis?”, IEEE Trans. on Energy Conv., Cilt 18, No 2, 238-244, 2003.
2. Ayhan, B., Trussel, H. J. Chow M.Y., Song, M. H., “On the Use of a Lower Sampling Rate for Broken Rotor Bar Detection With DTFT and ARBased Spectrum Methods”, IEEE Trans. on Industrial Elect., Cilt 55, No 3, 1421-1434, 2008.
3. Chow, M. Y., Introduction to Motor Incipient Fault Detection Methodologies of Using Neural Network and Fuzzy Logic Technologies for Motor Incipient Fault Detection, World Scientific, Singapore, 1997.
4. Benbouzid, M. E. H., “A Review of Induction Motors Signature Analysis as a Medium for Faults Detection”, IEEE Trans. on Industrial Elect., Cilt 47, No 5, 984-993, 2000.
5. Czeslaw, T. K., Kowalska, T. O., “Neural Network Application for Induction Motor Fault Diagnosis”, Mathematics and Computers in Simulation, Cilt 63, 435-448, 2003.
6. Bellini, A., Filippetti, F., Tassoni, C., Capolino, G.A., “Advances in Diagnostic Techniques for Induction Machines”, IEEE Trans. On Industrial Elect., Cilt 15, No 2, 4109-4126, 2008.
7. Rodriguez, P. V. J., Antero, A., “Detection of Stator Winding Fault in Induction Motor Using Fuzzy Logic”, Applied Soft Computing, Cilt 8, 1112-1120, 2008.
8. Branco, P.J. C., Dente, J. A., Mendes, R. V., “Using Immunology Principles for fault Detection”, IEEE Trans. on Industrial Elect., Cilt 50, No 2, 362-373, 2003.
9. Aydın, İ, Karaköse, M., Akın, E. “Bağışık Sistem Tabanlı Bulanık Arıza Teşhis Şeması”, Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu(ASYU 2006), YTÜ, İstanbul, 47- 51, 31 Mayıs-2 Haziran 2006.
10. Gao, X. Z., Ovaska, S. J., Wang, X., Chow, M.Y., “A Neural Networks-based Negative Selection Algorithm in Fault Diagnosis”, Neural Computing & Applications, Cilt 17, No 1, 91- 98, 2008.
11. Aydın, İ., Karaköse, M., Akın,E., “Zaman Serisi Veri Madenciliği ve Destek Vektör Makinalar Kullanan Yeni Bir Akıllı Arıza Sınıflandırma Yöntemi”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt 23, No 2, 431- 440, 2008.
12. Martins, J. F., Pires, V. F., Pires, A. J., “Unsupervised Neural-Network-Based Algorithm for an On-Line Diagnosis of Three-Phase Induction Motor Stator Fault”, IEEE Trans. On Industrial Elect., Cilt 54, No 1, 2007.
13. Igava, K., Ohashi, H., “A Negative Selection Algorithm for Classification and Reduction of the Noise Effect”, Applied Soft Computing, Cilt 9, 431–438, 2009.
14. Dasgupta, D., “Advances in Artificial Immune Systems”, IEEE Computational Intelligence Magazine, Cilt 1, No 4, 40-49, 2006.
15. de Castro, L. N., Timmis, J. I., “Artificial Immune Systems as Novel Soft Computing Paradigm”, Soft Computing Journal, Cilt 7, No 7, 1-31, 2003.
16. Leung, K., Cheong, F., Cheong, C., “Generating Compact Classifier Systems Using a Simple Artificial Immune System”, IEEE Trans. On Systems, Man and Cybernetics- Part B: Cybernetics, Cilt 37, No 4, 1344-1356, 2007.
17. Kecman, V., Learning and Soft Computing, Massachusetts Institute of Technology, The MIT Press, Cambridge, 2001.
18. Aydin, I., Karakose, M., Akin, E., “Fault Diagnosis Algorithm Based On Artificial Immunity System”, 14th IEEE Signal Processing and Communications Applications Conference, Antalya, 1-4, 17-19 April 2006.