SONUÇLAR - Gömülü durum izleme ve arıza teşhisi algoritmaları kullanan akıllı sürücü sistemleri

Bu tez çalışmasında endüstride önemli bir yeri olan asenkron motorlarda oluşan temel arızalardan bahsederek arıza teşhis yöntemleri incelenmiştir. Asenkron motorlarda oluşabilecek arıza türleri ve oluşum nedenleri açıklanmıştır. Arıza teşhisi için erken teşhisin ne kadar önemli olduğu vurgulanarak, durum izleme ve arıza teşhisi için ne tür yöntemlerin kullanıldığı verilmiştir.

Motorlarda oluşan arızaların tespit edilebilmesi için literatürde var olan çalışmalar incelenmiştir. Bu çalışmalardaki eksiklikler dikkate alınarak geliştirilen yöntemlerde uygulanmıştır. Literatürde verilen çalışmalar incelendiğinde, hattan beslenen asenkron motorlar için birçok arıza teşhis yöntemi önerildiği görülmektedir. Ancak gerilim dengesizliği ile beslenen motorda çok az sayıda çalışma yapılmıştır. Bu tez kapsamında gerilim dengesizliği ile beslenen asenkron motorlarda oluşan stator arızaları zaman serileri analizi ve sınıflandırma algoritmaları kullanılarak tespit edilmiştir. Bu işlemi gerçekleştirmek için kullanılan veri seti gerçek deney düzeneğinden elde edilmiştir. Üç fazlı akım sinyalleri, bir USB veri toplama kartı ile alınıp bilgisayara aktarılmıştır. Önerilen yöntemde üç fazlı akım sinyallerini kullanarak bir özellik sinyali elde edilmiştir. Bu özellik sinyalinin faz uzayı doğrusal olmayan zaman serisi analizi kullanılarak elde edilmiştir. Faz alanını modellemek için Gauss karışım modeli kullanılmıştır. Motor durumunun sınıflandırma işlemi için Bayes sınıflandırma uygulanmıştır. Önerilen yöntemin doğruluğu farklı beslenen frekanslar altında gerçekleştirilmiştir.

Bu tez çalışında daha önce bilgisayar ortamında geliştirilen durum izleme ve arıza teşhis algoritmalarının mikroişlemci gerçekleştirimleri sağlanmıştır. Daha önce bilgisayar ortamında geliştirilen arıza teşhis algoritması MATLAB ortamında gerçekleştirilmiştir. Bu amaçla bir grafiksel kullanıcı arayüzü tasarlanarak algoritmaların sonuçları gösterilmiştir. Bu tez çalışmasında ayrıca daha önce MATLAB’ ta geliştirilen algoritmaların donanımsal bir kart üzerinde çalışacak şekilde tasarımı yapılmıştır. MATLAB’ ta geliştirilen algoritmalar ARM tabanlı C programlama dili ile programlanan STM32F746 kitinde çalışacak şekilde uyarlanmıştır. Dolayısıyla; MATLAB taki hazır fonksiyonlar yerine her bir özellik çıkarım ve durum izleme algoritması C tabanlı olarak kodlanmıştır.

Eksantriklik arızalarının teşhis ve tespiti için gömülü bir durum izleme sistemi önerilmiştir. İlk olarak akım sinyaline Hilbert dönüşümü uygulanarak özellik sinyali elde

edilmiştir. Daha sonra arıza ile ilgili frekansların genlikleri frekans spektrumundan elde edilmiştir. Elde edilen özellikler ile motor durumu ve eksantriklik arızalarının şiddeti belirlenmiştir.

Arıza teşhis ve durum izleme algoritmalarının sürücü sistem ile birlikte çalışmasını sağlamak amacıyla sistem tümleştirme çalışması yapılmıştır. Tümleştirme çalışmalarında arıza teşhis işlemlerinde kullanılacak sinyallerin sürücü ile beslenen motordan alınması, durum izleme ve arıza teşhis bilgisinin elde edecek donanımın oluşturulması sağlanmıştır. Elde edilen arıza teşhis ve durum izleme sonuçları mikroişlemci karta bağlı olan grafik LCD üzerinde gösterimi gerçekleştirilmiştir. Böylece başka bir donanıma ihtiyaç kalmadan motor durumu hakkında bilgi alınması sağlanmıştır. Geliştirilen durum izleme kartı üç adet akım sinyali, üç adet gerilim sinyali ve enkoder olmak üzere üç girişe sahiptir. Bu tezde gerçekleştirilen algoritmalar sadece akım sinyallerine dayalı olarak arıza teşhisi yapmaktadır. Ancak gerektiğinde diğer girişler de kullanılabilmektedir. Ayrıca arıza durumuna göre bir alarm sinyali üretmek için çıkışa bir röle bağlanmıştır.

KAYNAKLAR

[1] Dalvand, F., Kalantar, A., ve Safizadeh, M. S., 2016. A Novel Bearing Condition Monitoring Method in Induction Motors Based on Instantaneous Frequency of Motor Voltage, Industrial Electronics, IEEE Transactions on,63(1), s. 364-376.

[2] Tsoumas, I. P., Georgoulas, G., Mitronikas, E. D. ve Safacas, A. N., 2008. Asynchronous machine rotor fault diagnosis technique using complex wavelets, IEEE Trans. on Energy Conversion, Vol. 23, No. 2, s.444-459. [3] Briz, F., Degner, M. W., Garcia, P. ve Bragado, D., 2008. Broken rotor bar

detection in line-fed induction machines using complex wavelet analysis of startup transients, IEEE Trans. on Industry Applications, Vol. 44, No. 3, s. 760-768.

[4] Yeh, C., Povinelli, R. J., Mirafzal, B. ve 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, IEEE International Conference on Power Systems, Nov. 21-24, Singapore, s. 891- 896.

[5] Panadero, R. P., Sanchez, M. P., Guasp, M. R. , Folch, J. R., Perez, E. H. ve Cruz, J. P., 2009. Improved resolution of the MCSA method via Hilbert transform, enabling the diagnosis of rotor asymmetries at very low slip, IEEE Transactions on Energy Conversion, Vol. 24, s. 52-59,

[6] Aydin, I., Karakose, M. ve Akin, E., 2011. A new method for early fault detection and diagnosis of broken rotor bars, Energy Conversion and Management, s. 1790-1799.

[7] Sugumaran, V., Sabareesh, G. R. ve Ramachandran, K.I., 2008. Fault diagnostics of roller bearing using kernel based neighborhood score multi-class support vector machine, Expert Systems with Applications, Vol. 34, No. 4, s. 3090- 3098.

[8] Martins, J. F., Pires, V. F. ve Pires, A. J., 2007. Unsupervised neural-network based algorithm for an on-line diagnosis of three-phase induction motor stator fault, IEEE Trans. Industrial Electronics, Vol. 54, No. 1, s. 259–264.

[9] Rodriguez, P. V. J. ve Arkkio, A., 2008. Detection of stator winding fault in induction motor using fuzzy logic, Applied Soft Computing, Vol. 8, s. 1112– 1120.

[10] Rodriguez, P. V. J., Negrea, M. ve Arkkio, A., 2008. A simplified scheme for induction motor condition monitoring, Mechanical Systems and Signal Processing, Vol. 22, s. 1216–1236.

[11] Haji, M. ve Toliyat, H. A., 2001. Pattern recognition-a technique for induction machines rotor faults detection ‘eccentricity and broken bar fault, IEEE International 36th Industry Applications Conference, 30 Sept.- 4 Oct., Chicago, Illusions, USA, s. 1572 – 1578.

[12] Karaköse, M., Aydın, I. ve Akın, E. 2010. The intelligent fault diagnosis frameworks based on fuzzy integral, International Symposium on. Power Electronics Electrical Drives Automation and Motion (SPEEDAM), s. 1634-1639. 2010. [13] Aydın, I., Karakose, M. ve Akin, E., 2008. Artificial immune inspired fault detection algorithm based on fuzzy clustering and genetic algorithm methods, Computational Intelligence for Measurement Systems and Applications, s. 93-98.

[14] Kechida, R., Menacer, A., Talhaoui, H. ve Cherif, H., 2015. Discrete wavelet transform for stator fault detection in induction motors, InDiagnostics for Electrical Machines, Power Electronics and Drives (SDEMPED), 2015 IEEE 10th International Symposium on, s. 104-109.

[15] Sridhar, S., Rao, K. U. ve Jade, S., 2015, March. Detection of broken rotor bar fault in induction motor at various load conditions using wavelet transforms, In Recent Developments in Control, Automation and Power Engineering (RDCAPE), 2015 International Conference on, s. 77-82.

[16] Panigrahy, P. S., Konar, P. ve Chattopadhyay, P., 2016. Application of data mining in fault diagnosis of induction motor, In 2016 IEEE First International Conference on Control, Measurement and Instrumentation (CMI), s. 274- 278). IEEE.

[17] Yang, T., Pen, H., Wang, Z. ve Chang, C. S., 2016. Feature Knowledge Based Fault Detection of Induction Motors Through the Analysis of Stator Current Data, IEEE Transactions on Instrumentation and Measurement, s. 549 – 558. [18] Aydin, I., Karakose, M. ve Akin, E., 2011. A Multi-objective Artificial Immune

Algorithm for Parameter Optimization in Support Vector Machine, Applied Soft Computing, s. 120-129.

[19] Aydın, İ., 2006. Arıza Teşhisinde Veri Madenciliği ve Yumuşak Hesaplama Tekniklerinin Kullanımı. Yüksek Lisans Tezi, Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ.

[20] Trutt, F. C., Sottile, J. ve Kohler, J. L., 2002. Online condition monitoring of induction motors. Industry Applications, IEEE Transactions on, 38(6), s. 1627-1632.

[21] Ilonen, J., Kamarainen, J. K., Lindh, T., Ahola, J., Kälviäinen, H. ve Partanen, J., 2005. Diagnosis tool for motor condition monitoring. Industry Applications, IEEE Transactions on, 41(4), s. 963-971.

[22] Chetwani, S. H., Shah, M. K., ve Ramamoorty, M., 2005. Online condition monitoring of induction motors through signal processing. In Electrical Machines and Systems, 2005. ICEMS 2005. Proceedings of the Eighth International Conference on ,Vol. 3, s. 2175-2179.

[23] Xue, X., Sundararajan, V. ve Brithinee, W. P., 2007. The application of wireless sensor networks for condition monitoring in three-phase induction motors. In Electrical Insulation Conference and Electrical Manufacturing Expo, 2007, s. 445-448.

[24] Vicente, P., Rodríguez, J., Negrea, M. ve Arkkio, A., 2005. A general scheme for induction motor condition monitoring. In Diagnostics for Electric Machines, Power Electronics and Drives, 2005. SDEMPED 2005. 5th IEEE International Symposium on, s. 1-6.

[25] Aydın, İ., Karaköse, M. ve Akın, E., 2012. Eş Zamanlı Arıza Teşhisi İçin FPGA Tabanlı Akıllı Durum İzleme Yönetmelerinin Geliştirilmesi, EMO Bilimsel Dergi, Cilt 2, Sayı 3, s. 13-21.

[26] Akin, E., Aydin, I. ve Karakose, M., 2011. FPGA based intelligent condition monitoring of induction motors: Detection, diagnosis, and prognosis. In Industrial Technology (ICIT), s. 373-378.

[27] Perzyk, M., Kochanski, A., Kozlowski, J., Soroczynski, A. ve Biernacki, R., 2014. Comparison of data mining tools for significance analysis of process parameters in applications to process fault diagnosis, Information Sciences, s. 380-392.

[28] Huang, Y. C., Sun, H. C. ve Lin, Y. H., 2008. Intelligent Data Mining Approach for Fault Diagnosis, Eighth International Conference on Intelligent Systems Design and Applications, s. 303 – 306.

[29] Yueshun, H. ve Hongling, W., 2009. Based on Data Mining Electrical Equipment Condition Monitoring and Fault Diagnosis Technology Research, ISECS International Colloquium on Computing, Communication, Control, and Management (CCCM), s. 127 – 129.

[30] Purarjomandlangrudi, A., Ghapanchi, A.H. ve Esmalifalak, M., 2014. A data mining approach for fault diagnosis: An application of anomaly detection algorithm, Measurement, s. 343–352.

[31] Pourebrahimi, A., Mokhtar, S., Sahami, S. ve Mahmoodi, M., 2010. Status Detection and Fault Diagnosing of Rotatory Machinery by Vibration Analysis Using Data Mining, 2nd International Conference on Computer Technology and Development (ICCTD), s. 131 – 135.

[32] Demetgul, M., Yildiz, K., Taskin S., Tansel, I.N., Yazicioglu O., 2014. Fault diagnosis on material handling system using feature selection and data mining techniques, Measurement, s. 15–24.

[33] Han, Y. ve Ming, S., 2010. Application Of Data Mining In Fault Diagnoses For Machinery, Sixth International Conference on Natural Computation (ICNC), s. 1552 – 1555.

[34] Aydin, I., Karakose, M.ve Akin, E., 2007. A simple and efficient method for fault diagnosis using time series data mining. In Electric Machines & Drives Conference, s. 596-600.

[35] Fazel, A., Saraee, M. ve Shamsinejad, P., 2010. Mining time series data: case of predicting consumption patterns in steel industry. In Software Engineering and Data Mining (SEDM), 2010 2nd International Conference on, s. 501- 505.

[36] Zhu, P., Zhao, M. S., & He, T. C., 2010. A DWT based time series outlier data mining algorithm. In Electronics and Information Engineering (ICEIE), 2010 International Conference On ,Vol. 2, a. V2-239.

[37] He, W., Xiang, H. ve Tang, J., 2009. Analog-Circuit Fault Diagnosis Using Three- Stage Preprocessing and Time Series Data Mining, In 2009 IEEE Circuits and Systems International Conference on Testing and Diagnosis.

[38] Zhu, C., Zhang, X., Sun, J. ve Huang, B., 2009. Algorithm for mining sequential pattern in time series data. In Communications and Mobile Computing, 2009. CMC'09. WRI International Conference on, s. 258-262.

[39] Morreale, P., Holtz, S. ve Goncalves, A., 2013. Data Mining and Analysis of Large Scale Time Series Network Data, In Advanced Information Networking and Applications Workshops (WAINA), 2013 27th Internation al Conference on, s. 39-43.

[40] Zhu, S., Wang, Y. ve Kong, L., 2011. Data Mining of Coal Mining Gas Time Series and Knowledge Discovery, In Computational Intelligence and Design (ISCID), 2011 Fourth International Symposium on, s. 306-309.

[41] Zhu, S., Kong, L. ve Chen, L., 2011. Data mining of sensor monitoring time series and knowledge discovery, In Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC), 2011 2nd International Conference on, s. 2914-2917.

[42] Wyk, B. J., Wyk, M. A. ve Qi , G., 2009. Difference Histograms: A new tool for time series analysis applied to bearing fault diagnosis, Pattern Recognition Letters, s. 595-599.

[43] Wang, C.C., Kang, Y.,Shen, P. C., Chang, Y. P. ve Chung, Y. L., 2010. Applications of fault diagnosis in rotating machinery by using time series analysis with neural network, Expert Systems with Applications, s. 1696– 1702.

[44] Zhou, Z. ve Chen, Y., 2008. Nonlinear Time Series Fault Prediction Online Based on Incremental Learning LS-SVM, Proceedings of the IEEE International Conference on Automation and Logistics, s. 786 – 789.

[45] Chalermarrewong, T., Achalakul, T. ve See, S.C.W., 2012. Failure Prediction of Data Centers Using Time Series and Fault Tree Analysis, IEEE 18th International Conference on Parallel and Distributed Systems, s. 794 – 799. [46] Lei, Z., 2012. Fault Prognostic Algorithm Based on Multivariate Relevance Vector Machine and Time Series Iterative Prediction, Procedia Engineering, s.678- 686.

[47] Hu,W., Wen, L. ve Gao, L., 2011. Application of Motor Fault Detection Based on Symbolic Time Series Analysis, Chinese Control and Decision Conference (CCDC), pp. 710 – 715.

[48] Sarkar, S., Mukherjee, K., Sarkar, S. ve Ray, A., 2012. Symbolic Transient Time- series Analysis for Fault Detection in Aircraft Gas Turbine Engines, American Control Conference (ACC), s. 5132 – 5137.

[49] Xylogiannopoulos, K. F., Karampelas, P., ve Alhajj, R., 2012. Periodicity data mining in time series using suffix arrays, In Intelligent Systems (IS), 2012 6th IEEE International Conference, s. 172-181.

[50] Yang, J., Wang, W., ve Yu, P. S., 2003. Mining asynchronous periodic patterns in time series data, Knowledge and Data Engineering, IEEE Transactions on,15(3), s. 613-628.

[51] Sarkar, S., Mukherjee, K. ve Ray, A., 2012. Symbolic transient time-series analysis for fault detection in aircraft gas turbine engines. In American Control Conference (ACC), s. 5132-5137.

[52] Hu, W., Wen, L., ve Gao, L., 2011. Application of motor fault detection based on symbolic time series analysis. In Control and Decision Conference (CCDC), 2011 Chinese , s. 710-715.

[53] Hu, W., Wen, L., Gao, L. ve Ye, J., 2010. Application of signal processing technology based on symbolic time series analysis to rotor broken fault detection, In Intelligent Signal Processing and Communication Systems (ISPACS), 2010 International Symposium on, s. 1-4.

[54] Gang, C. H. E. N., Yang, L. I. U., ZHOU, W. A. ve SONG, J. D., 2008. Research on intelligent fault diagnosis based on time series analysis algorithm, The Journal of China Universities of Posts and Telecommunications, s. 68-74. [55] Wang, C. C., Kang, Y., Shen, P. C., Chang, Y. P. ve Chung, Y. L., 2010.

Applications of fault diagnosis in rotating machinery by using time series analysis with neural network, Expert Systems with Applications, s. 1696- 1702.

[56] Masrur, A. M., Chen, Z. ve Murphey, Y., 2010. Intelligent diagnosis of open and short circuit faults in electric drive inverters for real-time applications, IET Power Electronics, Vol. 3, No. 2, s. 279-291.

[57] Wagner, F. G., Ivan N. da S., Alessandro G. Ve Rodrigo, H. C. P., 2015. Evaluation of stator winding faults severity in inverter-fed induction motors, Applied Soft Computing, Vol.32, s. 420–431.

[58] Vahid G., ve Jawad F., 2015. A survey on time and frequency characteristics of induction motors with broken rotor bars in line-start and inverter-fed modes, Review, Mechanical Systems and Signal Processing, Vol. 54-55, s. 427–456. [59] M. Akar, 2013. Detection of a static eccentricity fault in a closed loop driven induction motor by using the angular domain order tracking analysis method, Mechanical Systems and Signal Processing, Vol. 34 s. 173–182.

[60] Fu, T. C., 2011. A review on time series data mining. Engineering Applications of Artificial Intelligence, 24(1), s. 164-181.

[61] Esling, P. ve Agon, C., 2012. Time-series data mining. Institut de Recherche et Coordination Acoustique/Musique (IRCAM), Paris.

[62] Özbey, N., Karaköse, M. ve Uçar, A., 2016. The Determination and Analysis of Factors Affecting to Student Learning by Artificial Intelligence in Higher Education, 15th International Conference on Information Technology Based Higher Education and Training (ITHET 2016), s. 1-6.

[63] Özbey, N. ve Karaköse, M., 2015. PV Panellerde Görüntü İşleme Tabanlı Durum Değişikliği Tespiti, IEEE 23. Sinyal İşleme ve İletişim Uygulamaları Kurultayı s. 1150-1153.

[64] Zhu, Y., 2004. High performance data mining in time series: techniques and case studies, Doctoral dissertation, New York University.

[65] Han, J., Kamber, M. ve Pei, J., 2011. Data mining: concepts and techniques. [66] Kleist, C., 2015. Time series data mining methods.

[67] Chen H. C., 2014. Visualisation of financial time series by linear principal component analysis and nonlinear principal component analysis, the MSc degree, University of Leicester.

[68] Fawumi, K., 2015. Design of an interactive and web-based software for the management, analysis and transformation of tıme serıes, Technische Universität München.

[69] Zhang, P., Du, Y., Habetler, T. G. ve Lu, B., 2011. A survey of condition monitoring and protection methods for medium-voltage induction motors, IEEE Trans., Ind. Appl., s. 34–46.

[70] Tavner, P., Ran, L., Penman, J. ve Sedding, H., 2008. Condition Monitoring of Rotating Electrical Machines, The Institution of Engineering and Technology. [71] Yang, J., Lee, S.B., Yoo, J., Lee, S. ve Choi, C., 2007. A Stator Winding Insulation

Condition Monitoring Technique for Inverter-Fed Machines, IEEE Transactions on Power Electronics, s. 2026-2033.

[72] Aydin, I., Karakose, M.ve Akin, E., 2016. A new real-time fuzzy logic based diagnosis of stator faults for inverter-fed induction motor under low speeds. In Industrial Informatics (INDIN), s. 446-451.

[73] Das, S., Purkait, P., Koley, C. ve Chakravorti, S., 2014. Performance of a load- immune classifier for robust identification of minor faults in induction motor stator winding, IEEE Trans. On Dielectrics and Electrical Insulation, s. 33 – 44.

[74] Devi, N. R., Sarma, D.V. S. S. S., Rao ve P. V. R., 2015. Detection of stator incipient faults and identification of faulty phase in three-phase induction motor – simulation and experimental verification, IET Electr. Power Appl., s. 540– 548.

[75] Aydin, I., Karakose, M. ve Akın, E., 2014. An Approach for automated fault diagnosis based on fuzzy decision tree and boundary analysis of a reconstructed phase space, ISA Transaction, s.220-229.

[76] Zidani, F., Diallo, D., Benbouzid, M. E. H. ve Said, R. N., 2008. A fuzzy-based approach for the diagnosis of fault modes in a voltage-fed pwm inverter induction motor drive, IEEE Trans. On Industrial Electronics, s. 586-593. [77] Ghate, V. N. ve Dudul, S. V., 2010. Cascade neural-network-based fault classifier for

three-phase induction motor, IEEE Tran. On Industrial Electronics, s. 1555- 1563.

[78] Aydin, I., Karakose, M. ve Akin, E., 2012. An adaptive artificial immune system for fault classification, Journal of Intelligent Manufacturing, s. 1489–1499. [79] Aydin, I., Karakose, M. ve Akin, E., 2010. Artificial immune classifier with swarm

ÖZGEÇMİŞ

Adı Soyadı : Nigar ÖZBEY Doğum Yeri : ELAZIĞ

Eğitim Durumu :

2005 - 2009 Hıdır Sever Lisesi Lise

2009 - 2013 Fırat Üniversitesi Bilgisayar Mühendisliği Lisans

2013 - …. Fırat Üniversitesi Bilgisayar Mühendisliği Yüksek Lisans (Devam Ediyor)

Staj :

2010 Dijipark Yazılım Ltd. Şti. (ANKARA) 2011 Yonca CBS Bilişim Ltd. Şti. (ELAZIĞ)

Projeler :

2013 – 2014 Fırat Üniversitesi Bilgisayar Mühendisliği TÜBİTAK 1001 Programı Bursiyer Öğrenci

2015 – 2016 Fırat Üniversitesi Bilgisayar Mühendisliği SANTEZ Bursiyer Öğrenci

Yayınlar :

N. Özbey, M. Karaköse, A. Uçar, The Determination and Analysis of Factors Affecting to Student Learning by Artificial Intelligence in Higher Education, 15th International Conference on Information Technology Based Higher Education and Training (ITHET 2016), İstanbul, Türkiye, Eylül, 2016.

N. Özbey, M. Karaköse, PV Panellerde Görüntü İşleme Tabanlı Durum Değişikliği Tespiti, IEEE 23. Sinyal İşleme ve İletişim Uygulamaları Kurultayı (IEEE SİU 2015), s. 1150-1153, İnönü Üniversitesi, Malatya, Mayıs 2015.

Belgede Gömülü durum izleme ve arıza teşhisi algoritmaları kullanan akıllı sürücü sistemleri geliştirilmesi / Development of intelligent drive systems using embedded condition monitoring and fault diagnosis algorithms (sayfa 68-77)