You are here

Home » Content

GENETİK ALGORİTMA KULLANAN YAPAY BAĞIŞIK SİSTEM TABANLI ARIZA TEŞHİS MODELİ

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

Journal Name:

  • Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi

Publication Year:

  • 2009

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
In this study, artificial immune system based fault diagnosis method has been proposed to detect the induction motor faults. The proposed method uses negative selection algorithm to detect broken rotor bar faults. Fault related features are obtained using Hilbert transform and first difference filtering of one phase motor current.The phase space of these feature signals is obtained using a nonlinear time series analysis and they constitute the input data of the negative selection. The new feature signal called Hilbert based transform is quite useful to separate broken rotor bar faults in the phase space. In the original negative selection algorithm detectors are randomly generated. But randomly generated detectors have two problems. The first is that the non-self space may not be covered, completely. The second problem is that there is not any restriction to deny generation of similar detectors. The genetic algorithm is used to generate and optimize the detectors of the negative selection. The maximum coverage of non-self space with minimum detector numbers is ensured. The accuracy of method has been verified using simulation data that obtained by time-stepping coupled finite element state space method.
Bookmark/Search this post with
Abstract (Original Language): 
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.
FULL TEXT (PDF): 
PDF icon arastrmx_31877_11_pp_.pdf
  • 1
  • Turkish

REFERENCES

References: 

Aydın, İ., Karaköse, M., Akın, E. (2008): “Zaman Serisi Veri Madenciliği ve Destek Vektör
Makinalar Kullanan Yeni Bir Akıllı Arıza Sınıflandırma Yöntemi”, Gazi Üniversitesi
Mühendislik Mimarlık Fakültesi Dergisi, C. 23, Sayı 2, s. 431-440
Aydin, I., Karakose, M., Akin, E. (2008): “Artificial Immune Inspired Fault Detection
Algorithm based on Fuzzy Clustering and Genetic Algorithm Methods”, İstanbul, IEEE
Computational Intelligence for Measurement System and Applications (CIMSA2008), C.1,
s. 93-98
Ayhan, B., Chow, M. Y., Song, M. H. (2005): “Multiple Signature Processing Based Fault
Detection Schemes for Broken Rotor Bar in Induction Motors”, IEEE Trans. on Energy
Conv., C. 20, No. 2, s. 336-343
Bangura, J. F., Povinelli, R. J., Demerdash, N. A. O., Brown, R. H. (2003): “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, C. 39, No. 4, s. 1005-
1013
Benbouzid, M. E. H., Beguanane, R. Viera, M. (1999): “Induction Motor Asymmetrical
Faults Detection Using Advanced Signal Processing Techniques”, IEEE Trans. on Energy
Conv., C. 14, No.2, s. 146-152
Benbouzid, M. E. H., Kliman, G. B. (2003): “What Stator Current Processing-based
Technique to Use for Induction Motor Rotor Faults Diagnosis?”, IEEE Trans. on Energy
Conv., C. 18, No. 2, s. 238-244
Branco, P. J. C., Dente, J. A., Mendes, R. V. (2003): “Using Immunology Principles for Fault
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
Thesis, Marquette University, Milwaukee, WI, 159 s
Dasgupta D., Attoh-Okine, N. (1997): “Immunity-based systems: A survey”, Orlando, IEEE
International Conference on Systems, Man, and Cybernetics, s. 369-374
Dasgupta, D. (2006): “Advances in Artificial Immune Systems”, IEEE Coputational
Intelligence Magazine, C. 1, No 4, s. 40-49
de Castro, L. N., Timmis, J. I., 2002, “Artificial Immune Systems: A New Computational
Intelligence Approach”, Springer-Verlag: London, 364s.
de Castro, L. N., Zuben, F. J. V. (2002): “Learning and Optimization Using the Clonal
Selection Principle”, IEEE Transactions on Evolutionary Computation, C. 6, No. 3, s.
239-251
Forrest S., Perelson, A. S., Allen, L., Cherukuri, R. (1994): “Self-nonself Discrimination in a
Computer”, Oakland, IEEE Symposium on Research in Security and Privacy, C.1, s. 202-
212.
Gao, X. Z., Ovaska, S. J. Wang, X., Chow, M. Y. (2008): “A Neural Network-based Negative
Selection Algorithm in Fault Diagnosis”, Neural Computing & Applications, C. 17, No. 1,
s. 91-98
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
Nabiyev, V. V. (2003): “Yapay zeka-problemler, yöntemler, algoritmalar”, Seçkin Yayıncılık,
764 s.
Povinelli, R. J., Bangura, J. F., Demerdash, N. A. O., Brown, R. H. (2001): “Diagnostics of
Faults in Induction Motor ASDs Using Time Stepping Coupled Finite Element StateSpace 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
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
Schoen, R. R., Habetler, T. G., Kamran, F., Bartheld, R. G. (1995): “Motor Bearing Damage
Detection Using Stator Current Monitoring”, IEEE Trans. on Industry App., C. 31, No. 6,
s. 1274-1279
Yeh, C., Povinelli, R. J., Mirafzal, B., Demerdash, N. A. O. (2004): “Diagnosing of Stator
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
Zarei, J. Poshtan, J. (2007): “Bearing Fault Detection Using Wavelet Packet Transform of
Induction Motor Currents”, Tribology, C. 40, s. 763-769

Thank you for copying data from http://www.arastirmax.com