Buradasınız

Anasayfa » Content

PNÖMATİK SİSTEMDE GERÇEK ZAMANLI LVQ YAPAY SİNİR AĞI ALGORİTMASI İLE ARIZA TESPİTİ

EXPERIMENT BASED FAULT DIAGNOSIS ON BOTTLE FILLING PLANT WITH LVQ ARTIFICIAL NEURAL NETWORK ALGORITHM

Journal Name:

  • Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi

Publication Year:

  • 2008

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
In this study, an artificial neural network is developed to find an error rapidly on pneumatic system. Also the ANN prevents the system versus the failure. The error on the experimental bottle filling plant can be defined without any interference using analog values taken from pressure sensors and linear potentiometers. The sensors and potentiometers are placed on different places of the plant. Neural network diagnosis faults on plant, where no bottle, cap closing cylinder B is not working, bottle cap closing cylinder C is not working, air pressure is not sufficient, water is not filling and low air pressure faults. The fault is diagnosed by artificial neural network with LVQ. It is possible to find an failure by using normal programming or PLC. The reason offing Artificial Neural Network is to give a information where the fault is. However, ANN can be used for different systems. The aim is to find the fault by using ANN simultaneously. In this situation, the error taken place on the pneumatic system is collected by a data acquisition card. It is observed that the algorithm is very capable program for many industrial plants which have mechatronic systems.
Bookmark/Search this post with
Abstract (Original Language): 
Bu çalışmada, pnömatik sistemde arıza meydana geldiğinde bunun çok çabuk teşhis edilmesi ve gerekli önlemlerin alınması için yapay sinir ağı geliştirilmiştir. Deney amaçlı geliştirmiş olduğumuz şişe dolum tesisinde bir arıza olduğunda sistemin değişik yerlerine konulan basınç sensörleri ve doğrusal cetvellerden gelen analog değerlere göre hiçbir müdahale olmadan sistemin neresinde arıza olduğu tespit edilebilmektir. Yapay Sinir Ağı (YSA) ile deney seti üzerindeki şişe yok, B kapak kapama silindiri çalışmıyor, C kapak sıkıştırma silindirine hava gelmiyor, sistemin hava basıncı yetersiz, su yok, sistemin hava basıncı az arızaları bulunmaktadır. Arızalar LVQ yapay sinir ağı algoritması ile teşhis edilmektedir. Arıza tespitinde geleneksel programlama veya PLC yardımı ile arıza tespiti yapmak mümkündür. Yapay sinir ağı kullanılmasının sebebi kullanıcıya arızanın bulunduğu yeri bildirmesi ve farklı sistemler üzerinde bu geliştirilen programın kullanılabilir olmasıdır. Amaç, pnömatik sistemde bir arıza olduğunda sistem üzerinden veri toplama kartı ile alınan verileri kullanarak yapay sinir ağı vasıtasıyla gerçek zamanlı olarak arıza teşhisi yapmaktır. Geliştirilen programın mekatronik sistemlerin bulunduğu tesislerde arıza tespitine katkı sağlayacaktır.
FULL TEXT (PDF): 
PDF icon arastirmax-pnomatik-sistemde-gercek-zamanli-lvq-yapay-sinir-agi-algoritmasi-ile-ariza-tespiti.pdf
  • 1
83
90
  • Turkish

REFERENCES

References: 

Angeli, C. and Smirni, N.
1999
. An Online Expert System For Fault Diagnosis in Hydraulic Systems. Expert System. May, 1999. 115-120.
Bayır,
R
. and Bay, Ö. F. 2004. Serial Wound Starter Motor Faults Diagnosis Using Artificial Neural Network. IEEE ICM'04, 194-199, İstanbul.
Chen, D. and Wang, J. W. 2000. Classification of
Wavelet Map Patterns Using Multi-Layer Neural Networks for Gear Fault Detection. Mechanical Systems and Signal Processing. 695-704. August,
2000.
Chen, C., Mo, C. 2004. A Method For Intelligent
Fault Diagnosis of Rotating Machinery. Digital Signal Processing, 203-217.
Demetgül, M. ve Yenitepe, R. 2004. Pnömatik Sistem Arızalarının Giderilmesi Bir Uzman Sistem Uygulaması. Z.K.Ü. Teknoloji Dergisi. Sayı 2. 289¬295.
Efe, M.Ö. ve Kaynak, O. 2000. Yapay Sinir Ağları ve Uygulamaları. Boğaziçi Üniversitesi, İstanbul.
Feeman, J. A. and Skapura D. M. 1991. Neural Networks (Algorithms, Application and Programming Techniques). Addison-Wesley. Texas. ABD.
Haykin, S. 1994. Neural Networks. Prentice Hall. New Jersey, ABD.
Karpenko, M., Sepehri, N., Scuse, D. 2003. Diagnosis of Process Valve Actuator Faults Using a Multilayer Neural Network. Control Engineering Practice. 1289-1299.
Karkoub, M. A., Gad, O.E. and Rabie, M. G. 1999.
Predicting Axial Piston Pump Performance Using Neural Network. Mechanism and Machine Theory 34, 1211-1226.
McGhee, J., Henderson, I. A. and Baird, A. 1997. Neural Network Applied for the Identification and Fault Diagnosis of Process Valves and Actuators. Measurement 20, 267-275.
Nabiyev, V. V. 2003. Yapay Zeka (Problemler-Yöntemler-Algoritmalar). Seçkin Yayınları. Ankara.
Öztemel, E. 2003. Yapay Sinir Ağları. Papatya Yayınları. İstanbul.
Parlos, A.G., Kim, K. and Bharadwaj R. M. 2004. Sensorless Detection of Mechanical Faults in Electromechanical Systems. Mechatronics 14, 357¬380.
Samanta, B. 2004. Gear Fault Detection Using Artificial Neural Network and Support Vector Machines With Genetic Algorithms. Mechanical Systems and Signal Processing 18, 625-644.
Sandt, J., Rinkinen, J. and Laukka, J. 1997. Particle and Water Online Monitoring for Hydraulic System Diagnosis. The Fifth Scandination International Conference on Fluid Power, Linköping, Sweden,
257-268, Vol3.
Seong, S. H., Hur, S., Kim, J. S., Kim, J. T., Park W.
M., Lee, U. C. and Lee, S. K. 2005. Development of Diagnosis Algorithm For the Check Valve With Spectral Estimations and Neural Network Models Using Acoustic Signals. Annals of Nuclear Energy
32, 479-492.
Shi, L. and Sepehri, N. 2005. Fault Diagnosis of Pneumatic Actuator Using Adaptive Network-Based Fuzzy Inference System Models and a Learning Victor Quantization Neural Network. IEEE
Mühendislik Bilimleri Dergisi 2008 14 (1) 83-90
89
Journal
of Engineering Sciences 2008 14 (1) 83-90
Pnömatik Sistemde Gerçek Zamanlı LVQ Yapay Sinir Ağı Algoritması ile Arıza Tespiti, M. Demetgül
Proceceeding of the Fourth International Conference on Machine Learning and Cybernetics, Guangzhou. 18-31. August, 2005.
Yang, B. S., Han T. and An, J. L. 2004. ART-
KOHONEN Neural Network for Fault Diagnosis of Rotating Machinery. Mechanical Systems and Signal Processing 18, 645-657.
Wang, W.Q., Golnaraghi M. F. and Ismail, F. 2004.
Prognosis of Machine Health Condition Using
Neuro-Fuzzy Systems. Mechanical Systems and Signal Processing 18, 813-831.
Wang, T. K. 2000. On-Board Neural Network-Based
Sensor Fault Diagnosis System for Automotiv Engines. PhD Thesis. Case Western Reserve
University. USA, January, 2000.
Wuxing, L., Tse, P.W., Guicai Z. and Tielin, S. 2004. Classification of Gear Faults Using Cumulants and the Radial Basis Function Network. Mechanical Systems and Signal Processing 18, 381-389.

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