Motor hata tespit ve analizi için yapay sinir ağlarının tasarımı

Abstract

ÖZET Yapay sinir ağlan (YSA) günümüz teknolojisinde hata tespiti, kontrol, işaret işleme gibi farklı birçok alanlarda basan ile kullanılmaktadır. Mühendislik alam olarak ele alırsak, başta bilgisayar ve elektrik-elektronik mühendisliği olmak üzere, biyolojiksel ve fiziksel kapsam dahilinde çok çeşitli yerlerde pratik uygulama alam bulmuştur. Herşeyden önce matematiksel formüllerden bağımsızlığı ve sonuca etkili derecede kısa bir zaman dilimi içinde yaklaşması. YSA'yı diğer çözüm metodlarına göre tercih sebebi yapmıştır. Bu çalışmada da. motorlarda hata tespitini gerçekleştirmek için ileri-besleme ağı ve hatanın geriye-yayılımı öğretme algoritması kullanılmaktadır. Yine. konuya bağlı kalınarak diğer yaklaşım metodları (parametre tahmin yaklaşımı v.b.) ile arasında hangi açıdan fark bulunduğu incelenmektedir. Son olarak ise. alınan deneysel ölçümlere göre öğretilen sinir ağına. farklı bir model için verilen sayısal değerlerin iterasyonel sonuçlan yer almaktadır. Burada YSA'ya uygulanan değerler farklı tipte splitftek) fazlı sincap kafesli indüksiyon motorlarından alınmıştır. Motor hata tespiti için. YSA'ya I ve w değerlerini girerek 30000 iterasyon sonucunda %95'in üzerinde bir basan ile izolasyon hatası Ne ve yatak aşınma hatcsı Bc için elde edilmiştir. Özellikle Ne için elde edilen %99.2 `lik hata tanıma oldukça binlik bir basandır.

SUMMARY Artificial Neural Networks (ANN) is succesfully used in a lot of areas such as fault detection, control and signal processing in our daily technology. If we pay attention for engineering areas to this subject like firstly computer engineering and electricai-elektronik engineering. ANN have found plenty of practical application areas, under biolojical and physical subjects. Before all of this things, ANN' s matematical indepedence and its effectivness in a very short time to approaching to the results, it was a very preference reason according to the other approaching metods. In this thesis, feedforward network and error backpropagation training algorithm is used to perform the motor fault detection. In addition, there is a comparispn between the fault detection and the other approach methods (i.e.. parameter estimation approach) in therms of the way which is better. Finally, accrding to the values which were taken from the experimental measurements, there are iterasyonel results of the numerical values which is given for a different paradigm to the trained neural network. In that place, the values which were used for ANN were taken from split-phase squirral-cage induction motors in different models. In this study, motor fault detection with ANN. as the inputs I and w. as the outputs Nc (insulation condition) and B. (hearing wear condition) are made and discriminated with success rate above 95% for 30000 iterations. It is considerably important success to access this fault detection being 99.2% for Nc. VI