Öz
Modern endüstriyel
sistemlerde üretimi sağlayan bileşenlerin durumunun izlenmesi ve erken arıza
teşhisi önemli konulardan biridir. Bu sistemlerde iş gücünün büyük bir kısmını
asenkron motorlar karşılamaktadır. Kırık rotor çubuğu arızaları asenkron motorlarda
oluşan önemli arızalardan biridir. Bu arıza türü için gerçekleştirilen
yöntemlerin çoğu çevrimdışı olarak uygulanmakta olup uzman bilgisine ihtiyaç
duymaktadır. Bu çalışmada kırık rotor çubuğu arızalarının teşhisi için gerçek
zamanlı bir bulanık otomata yöntemi sunulmuştur. Önerilen yöntem arıza teşhisi
için tek faz motor akımını kullanmaktadır. Elde edilen akım sinyalleri on
periyotluk pencerelere bölünmekte ve bu pencerelerden Hilbert dönüşümü
kullanılarak yeni özellik sinyali çıkarılmaktadır. Bu özellik sinyalinin sembol
dizisi üretilip ardışık pencereler arasındaki entropi değeri entropi ağacı
oluşturularak hesaplanmaktadır. Bu değer, sağlam ve arızalı motor durumlarını
birbirinden ayırt etmek için kullanılmaktadır. Entropi değerinin izlenerek
arızaların belirlenmesi için bulanık otomatadan faydalanılmaktadır. Bulanık
otomata her bir sağlam ve arızalı durum için bir son duruma sahiptir. Bulanık
otomata herhangi bir son duruma ulaşırsa motor durumu gösterilmektedir.
Önerilen yöntem yüksüz durumda kırık rotor çubuğu arızalarını teşhis
etmektedir. Yöntemin doğruluğu 0.37 kW’lık üç fazlı bir asenkron motordan
deneysel olarak alınan veriler kullanılarak ispatlanmıştır.
Anahtar Kelimeler
Bulanık Otomata Arıza Teşhisi Hilbert Dönüşümü Asenkron Motor
Kaynakça
- 1. Aydın, I., Karakose, M., and Akin, E. (2015). Combined intelligent methods based on wireless sensor networks for condition monitoring and fault diagnosis, Journal of Intelligent Manufacturing 26.4:717-729. DOI: 10.1007/s10845-013-0829-8 2. Batista, F. B., Lamim Filho, P. C. M., Pederiva, R., and Silva, V. A. D. (2016). An empirical demodulation for electrical fault detection in induction motors, IEEE Transactions on Inst. and Measurement, 65(3): 559- 569. 3. Akin, E., Aydin, I. and Karakose, M. (2011). FPGA based intelligent condition monitoring of induction motors: Detection, diagnosis and prognosis, IEEE International Conference on Industrial Technology. 4. Burriel-Valencia, J., Puche-Panadero, R., Martinez-Roman, J., Sapena-Bano, A. and Pineda-Sanchez, M. (2017). Short-Frequency Fourier Transform for Fault Diagnosis of Induction Machines Working in Transient Regime, IEEE Transactions on Instrumentation and Measurement. DOI: 10.1109/TIM.2016.2647458 5. Jung, J. H., Lee, J. J. and Kwon, B. H. (2006). Online diagnosis of induction motors using MCSA, IEEE Trans. Ind. Electron., 33:1842-1852. 6. Briz, F., Degner, M. W., Garcia, P. and Bragado, D. (2008). Broken rotor bar detection in line-fed induction machines using complex wavelet analysis of startup transients, IEEE Trans. Ind. App., 44 : 760-768. 7. Supangat, R., Ertugrul, N., Soong, W.L., Gray, D.A. Hansen, C. and Grieger, J. (2006). Detection of broken rotor bars in induction motor using starting-current analysis and effects of loading, IET Proc. Electr. Power Appl., 153, pp. 848-855. 8. Gupta, D. and Choubey, S. (2015). Discrete wavelet transform for image processing. International Journal of Emerging Technology and Advanced Engineering, 4(3): pp. 598-602. 9. Bessam, B., Menacer, A., Boumehraz, M. and Cherif, H. (2016). Detection of broken rotor bar 10. faults in induction motor at low load using neural network. ISA transactions, 64: 241-246. 11. Aydin, I., Karakose, M., and Akin, E. (2015). Anomaly detection using a modified kernel-based tracking in the pantograph–catenary system. Expert Systems with Applications, 42(2):938-948. 12. Brockwell, P. J. and Davis, R. A. (2013). Time series: theory and methods. Springer Science & Business Media. 13. Panadero, R. P., Sanchez, M. P., Guasp, M. R., Folch, J. R., Perez, E. H. and Cruz, J. P. (2009). Improved resolution of the MCSA method via Hilbert transform, enabling the diagnosis of rotor asymmetries at very low slip, IEEE Trans. Energy Conv., 24:52-59. 14. Rigatos, G. G. (2009). Fault detection and isolation based on fuzzy automata, Information Sciences, 178:1893-1902. 15. Cui, C., Dang, Z., Fischer, T. R. and Ibarra, O. H. (2016). Execution information rate for some classes of automata. Information and Computation, 246: 20-29. 16. Salomaa, A. (2014). Theory of automata, Cilt. 100. Elsevier. 17. Yaman, O., Karakose, M., Aydin, I. and Akin, E. (2014). Detection of pantograph geometric model based on fuzzy logic and image processing. In Signal Processing and Communications Applications Conference (SIU), pp. 686-689. 18. Yaman, O., Karaköse, E., Aydın, İ., Karaköse, M., and Akın, E. (2017). Pantograf-katener sistemler için bulanık mantık tabanlı belirlenen pantograf modeli kullanılarak ark tespiti yaklaşımı. Sakarya University Journal of Science, 21(4):724-739. 19. Santur, Y., Karaköse, M. and Akın, E. (2016). Chouqet fuzzy integral based condition monitoring and analysis approach using simulation framework for rail faults. International Conference on In Industrial Informatics (INDIN), pp. 345-350. 20. Li, L. and Daowen Q. (2015). On the state minimization of fuzzy automata, IEEE Transactions on Fuzzy Systems 23: 434-443. 21. Karakose, M., Yaman, O., Aydin, I., and Karakose, E. (2016). Real-time condition monitoring approach of pantograph-catenary system using FPGA. IEEE 14th International Conference on In Industrial Informatics (INDIN), pp. 481-486.
Öz
Kaynakça
- 1. Aydın, I., Karakose, M., and Akin, E. (2015). Combined intelligent methods based on wireless sensor networks for condition monitoring and fault diagnosis, Journal of Intelligent Manufacturing 26.4:717-729. DOI: 10.1007/s10845-013-0829-8 2. Batista, F. B., Lamim Filho, P. C. M., Pederiva, R., and Silva, V. A. D. (2016). An empirical demodulation for electrical fault detection in induction motors, IEEE Transactions on Inst. and Measurement, 65(3): 559- 569. 3. Akin, E., Aydin, I. and Karakose, M. (2011). FPGA based intelligent condition monitoring of induction motors: Detection, diagnosis and prognosis, IEEE International Conference on Industrial Technology. 4. Burriel-Valencia, J., Puche-Panadero, R., Martinez-Roman, J., Sapena-Bano, A. and Pineda-Sanchez, M. (2017). Short-Frequency Fourier Transform for Fault Diagnosis of Induction Machines Working in Transient Regime, IEEE Transactions on Instrumentation and Measurement. DOI: 10.1109/TIM.2016.2647458 5. Jung, J. H., Lee, J. J. and Kwon, B. H. (2006). Online diagnosis of induction motors using MCSA, IEEE Trans. Ind. Electron., 33:1842-1852. 6. Briz, F., Degner, M. W., Garcia, P. and Bragado, D. (2008). Broken rotor bar detection in line-fed induction machines using complex wavelet analysis of startup transients, IEEE Trans. Ind. App., 44 : 760-768. 7. Supangat, R., Ertugrul, N., Soong, W.L., Gray, D.A. Hansen, C. and Grieger, J. (2006). Detection of broken rotor bars in induction motor using starting-current analysis and effects of loading, IET Proc. Electr. Power Appl., 153, pp. 848-855. 8. Gupta, D. and Choubey, S. (2015). Discrete wavelet transform for image processing. International Journal of Emerging Technology and Advanced Engineering, 4(3): pp. 598-602. 9. Bessam, B., Menacer, A., Boumehraz, M. and Cherif, H. (2016). Detection of broken rotor bar 10. faults in induction motor at low load using neural network. ISA transactions, 64: 241-246. 11. Aydin, I., Karakose, M., and Akin, E. (2015). Anomaly detection using a modified kernel-based tracking in the pantograph–catenary system. Expert Systems with Applications, 42(2):938-948. 12. Brockwell, P. J. and Davis, R. A. (2013). Time series: theory and methods. Springer Science & Business Media. 13. Panadero, R. P., Sanchez, M. P., Guasp, M. R., Folch, J. R., Perez, E. H. and Cruz, J. P. (2009). Improved resolution of the MCSA method via Hilbert transform, enabling the diagnosis of rotor asymmetries at very low slip, IEEE Trans. Energy Conv., 24:52-59. 14. Rigatos, G. G. (2009). Fault detection and isolation based on fuzzy automata, Information Sciences, 178:1893-1902. 15. Cui, C., Dang, Z., Fischer, T. R. and Ibarra, O. H. (2016). Execution information rate for some classes of automata. Information and Computation, 246: 20-29. 16. Salomaa, A. (2014). Theory of automata, Cilt. 100. Elsevier. 17. Yaman, O., Karakose, M., Aydin, I. and Akin, E. (2014). Detection of pantograph geometric model based on fuzzy logic and image processing. In Signal Processing and Communications Applications Conference (SIU), pp. 686-689. 18. Yaman, O., Karaköse, E., Aydın, İ., Karaköse, M., and Akın, E. (2017). Pantograf-katener sistemler için bulanık mantık tabanlı belirlenen pantograf modeli kullanılarak ark tespiti yaklaşımı. Sakarya University Journal of Science, 21(4):724-739. 19. Santur, Y., Karaköse, M. and Akın, E. (2016). Chouqet fuzzy integral based condition monitoring and analysis approach using simulation framework for rail faults. International Conference on In Industrial Informatics (INDIN), pp. 345-350. 20. Li, L. and Daowen Q. (2015). On the state minimization of fuzzy automata, IEEE Transactions on Fuzzy Systems 23: 434-443. 21. Karakose, M., Yaman, O., Aydin, I., and Karakose, E. (2016). Real-time condition monitoring approach of pantograph-catenary system using FPGA. IEEE 14th International Conference on In Industrial Informatics (INDIN), pp. 481-486.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Bölüm | MBD |
| Yazarlar | |
| Yayımlanma Tarihi | 19 Eylül 2018 |
| Gönderilme Tarihi | 20 Kasım 2017 |
| Yayımlandığı Sayı | Yıl 2018 Cilt: 30 Sayı: 2 |