www.teknolojikarastirmalar.com ISSN:1304-4141 Makine Teknolojileri Elektronik Dergisi 2007 (2) 49-57 TEKNOLOJĐK ARAŞTIRMALAR Teknik Not Hakan ÇALIŞ a, Kıyas KAYAALP b a Süleyman Demirel Üniversitesi Teknik Eğitim Fakültesi Elektrik Eğitimi Bölümü, b Süleyman Demirel Üniversitesi Uluborlu S. Karasoy MYO, Bil. Tek. ve Prog. Bölümü Özet Asenkron motor arızalarının önceden tespiti, sanayi de büyük önem taşır. Arıza teşhisine yönelik çok sayıda ileri işaret işleme tabanlı çalışma yapılmaktadır. Yumuşak hesaplama teknikleri olarak da bilinen bulanık mantık, yapay sinir ağları, genetik algoritmalar, zaman serileri veri madenciliği gibi birçok yeni yaklaşım asenkron motor arızalarının önceden tespitinde beklenmedik duruşları önlemek için kullanılmaktadır. Bu çalışmada, güncel motor hata teşhis sistemlerinin getirdiği avantajlar ve dezavantajlar değerlendirilmiş, uygulama örnekleri incelenmiştir. Daha sağlıklı ve çevik bir hata teşhis sisteminin bunların birlikte kullanımı ile ve hiçbir zaman bütünüyle klasik metotların yerini alamayacağı vurgulanmıştır. Anahtar Kelimeler: Asenkron motor, Hata teşhisi, Yumuşak hesaplama teknikleri 1.Giriş Asenkron motorlar çeşitli endüstriyel uygulamalarda yaygın olarak kullanılmaktadır. Endüstride arıza tesbit ve tahmini ürün kalitesini yükseltmek, bakım masraflarını azaltmak ve herhangi ani arızayı önlemek (özellikle büyük ve kritik motorlar ) için önemli role sahiptir.çalışma şartlarının ve motor yükünün değişmesi, motorun yıpranmasına ve stator arızası, rulman arızası ve kırık rotor çubuk gibi arızaların oluşmasına sebep olur. Bu arızalar doğru teşhis edilip ele alınmazlarsa, ciddi performans düşüşüne ve sonuçta tüm sistemin durmasına yol açabilir. Daha arıza oluşmadan ileri hata teşhis yöntemlerine dayalı durum izleme teknolojileri ile bakım ücretleri ve plansız duruşlar engellenebilir. Bir arıza tesbit işlemi üç kısımdan oluşur. Bunlar; arızanın tesbiti, arızanın türü ve yerinin belirlenmesi ve son olarak da motorun arızalı olarak daha ne kadar süre daha çalışabileceğinin tahminidir. Đlk iki aşama gerekli olup fakat yeterli değildir. Durum izlemede önemli olan esas beklenti arızanın zamanını tahmin edebilme olup bu işlem de oldukça kapsamlıdır. Ayrıca motorun cinsi, arızanın karakteristiği ve kullanılan malzemenin cinsi de buna etki eden başlıca faktörlerdir.bu yüzden erken hata tesbit sistemi sağlamak için değişik metotlar uygulanabilir. Hata ile ilgili bilgi ya doğrudan ölçmeler ile veya spektral analiz veyahut da ARMA modeli için parametre tahminine dayalı sinyal modelleme esaslı metotlar ile elde edilebilir. Bu çalışmada, asenkron motor arızalarının geleneksel yaklaşımlarla teşhisinin yanı sıra, bulanık mantık, genetik algoritma, yapay sinir ağları, ileri işaret işleme (yapay sinir ağları ile genetik algoritmaların beraber kullanılması) ve zaman serileri veri madenciliği ile yapılmış olan durum izleme çalışmaları incelenmiştir. Bu çalışmaların nasıl yapıldığı şekillerle açıklanmış ve her çalışmanın avantajları ve dezavantajları birlikte değerlendirilmiştir. Motor hata tespit ve teşhisi üzerine bir çok geleneksel yaklaşım bulunmaktadır. En bilinen metot ise doğrudan gözlemdir. Bu metot, her bir motorun durumu üzerinde dikkatli bir kontrol gerektirir. Benzer bir yaklaşım da, rulman veya dişli kutu yağının laboratuvar da numune analizidir. Bu işlem zaman ve maliyet gerektiren bir süreç olmasına rağman geleneksel olarak tercih edilir.
Teknolojik Araştırmalar: MTED 2007 (2) 49-57 Klasik parametre tahmin yaklaşımı da motor hata tespit ve teşhis problemlerinde kullanılır. Burada amaç, motorun çalışma durumuyla ilgili bilgi edinmek için, motordan alınan ölçümlere dayanarak parametre tanımlama tekniklerini kullanmaktır. Şekil 1 bu tip hata tespit sürecini göstermektedir. 2. Đleri Hata Teşhis Metotları 2.1. Bulanık Mantık Şekil 1.1. Parametre tahminine dayalı motor hata teşhisi Bulanık mantığın uygulama alanları çok geniştir. Sağladığı en büyük fayda ise insana özgü tecrübe ile öğrenme olayının kolayca modellenebilmesi ve belirsiz kavramların bile matematiksel olarak ifade edilebilmesine olanak tanımasıdır. Bu nedenle lineer olmayan sistemlere yaklaşım yapabilmek için özellikle uygundur. Bulanık mantık, mantık kurallarının esnek ve bulanık bir şekilde uygulanmasıdır. Klasik mantıkta doğru ve yanlış yada 1 ve 0 lar vardır, oysa bulanık mantıkta, ikisinin arasında bir yerde olan önermeler ve ifadelere izin verilebilir ki, gerçek hayata baktığımızda hemen hemen hiçbir şey kesinlikle doğru veya kesinlikle yanlış değildir. Gerçek hayatta önermeler genelde kısmen doğru veya belli bir olasılıkla doğru şeklinde değerlendirilir. Bulanık mantığa da zaten klasik mantığın gerçek dünya problemleri için yeterli olmadığı durumlar nedeniyle ihtiyaç duyulmuştur. 2.1.1. Bulanık Mantık Temelli Motor Hata Teşhisi Nejjari ve Benbouzid asenkron motor stator sargı hatasının teşhisi için bulanık mantığı kullanmışlardır [1]. Şekil 2. de yapısı bulanıklaştırma ara yüzü, sonuç çıkarma birimi, bulanık kural tabanı ve ayrıca belirginleştirme öğesini içeren temsili bir bulanık hata teşhis sistemi verilmiştir. Burada şebeke gerilim dengesizliği ve stator sargılarında ki kopukluk arızaları analiz edilmiştir. Arıza teşhisi stator akımının genlik değerinin değimine bağlıdır. I a, I b, I c şeklinde üç faz sargı akımının genlik değerleri giriş olarak alınmıştır. Üçgen ve trapez şeklinde dört adet üyelik fonksiyonu girişlere atanmıştır. Stator sargısı ve fazların durumunu ifade etmek için NORMAL, ARIZALI, ÇOK ARIZALI olmak üzere üç adet dikdörtgen üyelik fonksiyonu kullanılmıştır. Hata teşhisini ifade etmek için toplam, 12 tane neden-sonuç kuralı tanımlanmıştır. Şekil 2.1. Bulanık Mantık temelli motor hata teşhisi. 50
Çalış H., Kayaalp K. Teknolojik Araştırmalar: MTED 2007 (2) 49-57 Hata teşhisindeki bulanık kurallar uzman görüşüne veya amprik verilere dayanır. Ayrıca kendi kendini uyarlayabilen sistemler kullanılarak, sağlam ve arızalı durumda ki motorlardan alınan ölçümlerle hata teşhisi yapılabilir [2]. Filipetti vd., 5.5 kw lık 2 kutuplu bir asenkron motor faz akımının temel frekansının sağında ve solunda oluşan 2sf bileşenlerinin genliklerini kullanarak, kırık rotor çubuk arızasını teşhis etmişlerdir. Arızasız, yarım kırık çubuk, bir kırık çubuk, bir veya iki kırık çubuk ve iki kırık çubuk olmak üzere beş farklı hata durumları incelenmiş ve sadece hatanın oluşumu değil aynı zamanda kırık çubuk sayısını da tespit edebilmişlerdir [3]. Goddu vd. ise bulanık mantık tabanlı rulman arıza teşhis sistemi önermişlerdir. Zaman ve frekans domenindeki titreşim sinyalinin genlik değişimlerini kullanarak, sekiz kurallı bulanık mantık tespit sistemi gerçekleştirmişlerdir [4]. Bulanık mantık tabanlı hata teşhis sistemleri, hata miktarlarını derecelendirme kabiliyetine sahiptir. Ancak bunların oluşturulmasında uzman görüşüne ihtiyaç vardır. Bununla birlikte bulanık mantık yaklaşımında gerçek zamanlı hata teşhis sistemlerinin gerektirdiği kendi kendini uyarlayabilme özelliğine sahip değildir. Bu eksiklik sisteme yapay sinir ağları veya bulanık mantıkla yapay sinir ağlarının bileşimi ile giderilebilir. 2.2. Yapay Sinir Ağları Yapay Sinir Ağları (YSA), basit biyolojik sinir sisteminin çalışma şeklinin benzetilmesi ile tasarlanan programlama yaklaşımıdır. Benzetimi yapılan sinir hücreleri, nöronları içerirler ve bu nöronlar çeşitli şekillerde birbirlerine bağlanarak YSA yı oluştururlar. Bu ağlar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler. Biyolojik sistemlerde öğrenme, nöronlar arasındaki sinaptik bağlantıların ayarlanması ile olur. Yani, yaşayarak öğrenme ve sürekli bir gelişme göstermektedir. Tecrübe ettikçe sinaptik bağlantılar ayarlanır ve hatta yeni bağlantılar oluşur. Bu sayede öğrenme gerçekleşir. Bu durum YSA için de geçerlidir. Öğrenme, eğitme yoluyla örnekler kullanarak olur. Yani eğitme, giriş-çıkış verilerini kullanarak bağlantı ağırlıklarının bir yakınsama sağlanana kadar, tekrar tekrar ayarlanmasıyla oluşur. 2.2.1. Geri Yayınım Algoritması Geri yayınım (GY) algoritması birçok uygulamalarda kullanılmış en yaygın öğrenme algoritmasıdır. Anlaşılması kolay ve tercih edilen öğretme algoritmasıdır. Bu algoritma; hataları geriye doğru çıkıştan girişe azaltmaya çalışmasından dolayı geri yayılım ismini almıştır. Geri yayılmalı öğrenme kuralı ağ çıkışındaki mevcut hata düzeyine göre her bir tabakadaki ağırlıkları yeniden hesaplamak için kullanılmaktadır. Şekil 3 de görülen bir geri yayınımlı ağ modelinde giriş, saklı ve çıkış olmak üzere 3 katman bulunmakla birlikte, problemin özelliklerine göre saklı katman sayısını artırabilmek mümkündür. Şekil 2.2. Geri yayılmalı yapay sinir ağının genel yapısı. Bir giriş verisinin ağın ilk katmanında yer alan düğümlere uygulandığında en üst katman olan çıkış katmanına erişinceye kadar, bu veri üzerinde çeşitli işlemler gerçekleştirilir. Bu işlemlerin sonucunda elde edilen fiili çıktı, olması gereken çıktı ile karşılaştırılır. Fiili ve olması gereken değerler arasındaki fark, her çıktı düğümü için bir hata sinyali olarak hesaplanır. Hesaplanan hata sinyalleri, her çıktı düğümüne karşı gelen ara katmandaki 51
Teknolojik Araştırmalar: MTED 2007 (2) 49-57 düğümlere aktarılır. Böylece ara katmandaki düğümlerin her biri toplam hatanın sadece hesaplanan bir kısmını içerir. Bu süreç her katmandaki düğümler toplam hatanın belirli bir kısmını içerecek şekilde giriş katmanına kadar tekrarlanır. Elde edilen hata sinyalleri temel alınarak, bağlantı ağırlıkları her düğümde yeniden düzenlenir. Bu düzenleme tüm verilerin kodlanabileceği bir duruma ağın yakınsamasını sağlar. 2.2.2. YSA Temelli Motor Hata Teşhisi Chow vd., yapay sinir ağı temelli hata tespiti yapmışlardır. Aşağıdaki şekilde görüldüğü üzere, başlangıçaşamasındaki motor hatalarının tespiti için tipik bir geri yayınım yapay sinir ağı yapısı görülmektedir. Bu çalışmada asekron motorda başlangıç aşamasındaki stator sargı turları arasındaki yalıtım bozukluğu ve rulman hatası incelenmiştir. Şekil 4. de I stator faz akımı, w rotor hızı, N c ve B c ise motorun sargı yalıtımı ve rulman durumlarını ifade eder. Asenkron bir motorun karakteristik denkleminden de anlaşılacağı üzere I ile w, N c ve B c değişkenleri arasında doğrusal olmayan bir ilişki vardır. Bu nedenle, bir GY yapay sinir ağı bu ilişkiyi yaklaşık olarak tahmin etmek üzere kullanılmıştır. Şekil 2.3. Başlangıç aşamasındaki hataların tespiti için GY Yapay sinir ağı Şekil 2.4. Yapay Sinir Ağı temelli motor hata teşhis sistemi Yapay Sinir ağı temelli motor hata teşhis sistemi Şekil 5 de gösterilmektedir. I nın ve w nun değerleri Şekil 5 deki gerçek zamanlı ölçüm verilerinden elde edilebilir. Diğer bir yandan, Şekil 5 de görüldüğü üzere, N c ve B c bir uzman tarafından değerlendirilmelidir. Çalışma şartlarının izlenmesi ve sayısal hata teşhis bilgisi ile Nc ve Bc motorun durumunu 3 farklı seviye ile ifade ederler. Yapay Sinir ağı, uzmandan teşhisi öğrenmek üzere çalıştırıldıktan sonra, Şekil 6 da gösterildiği gibi gerçek zamanlı olarak çalışmaya devam eder. 52
Çalış H., Kayaalp K. Teknolojik Araştırmalar: MTED 2007 (2) 49-57 Şekil 2.5. Yapay Sinir ağı temelli motor hata teşhisi Filipetti vd., rotordaki kırık çubuk sayısını tespit etmek için, benzer bir GY yapısı ile YSA tabanlı hata teşhis sistemi önermişlerdir [5]. YSA nın öğrenme verileri deneysel olabileceği gibi arızalı motorun modellendiği simülasyondan da elde edilebilir. Bununla birlikte hata teşhisi için öğrenmesiz YSA tabanlı sistemde şebeke dengesizliği, stator sargı arızası ve motor mil eksenel kaçıklığı gibi hataların tespit edildiği gösterilmiştir [6]. GY lı YSA dan farklı olarak Kohonen Algoritmasını kullanan çalışmada öğrenmesiz hata miktarının sınıflandırılması gösterilmiştir [6]. Bu yüzden bu algoritma otomatik hata teşhis sistemlerinde daha avantajlıdır. Birçok durumda öğrenme verilerini toplamak kolay değildir. Çünkü motor hata oluşmadan periyodik olarak bakımdan geçirilmektedir. Tanaka vd., gerçek hata durumunu bir uzmana tespit ettirdikten sonra, Kohonen algoritmasının yeniden eğitilmesi için YSA yı uygulamaktadır. Böylece hata teşhisinin hem az miktardaki giriş verisi ile hem de gerçek hata verisinin mevcut olmadığı durumda bile başarılı olduğunu göstermişlerdir [7]. Ayaz vd., asenkron motorlarda öngörülü bakım teknolojisine dayalı, rulman arıza gelişimi üzerine bir inceleme gerçekleştirmişlerdir. Rulman arızası, hızlandırılmış eskitme süreçleri ile yapay olarak oluşturulmuştur. Motordan alınan titreşim ve akım işaretlerinin istatistiksel ve dalgacık analizi sonucu rulman arızasına ilişkin özellik çıkarımını yapmışlardır. Bu işaretlerin bir arada değerlendirilmesi ile koherens fonksiyonu tanımlayarak rotor eksenel bozukluğunu gösteren en baskın frekans değerini belirlemişlerdir. Bu anlamda işaretler arasındaki ilişkiyi, bir YSA ya öğreterek, arıza frekanslarının YSA ile belirlenebildiğini göstermişlerdir. YSA çıkışlarındaki maksimum hatayı bulmak için melez bir yapay zeka izleme sistemi oluşturmuşlardır [8]. Yapay sinir ağı temelli hata teşhisi genel bir amaç çözümüdür. Bu yaklaşım motor hakkında hiçbir ön bilgi gerektirmez. Yalnızca önceden çalışma verisi elde bulunmalıdır. YSA da kullanılacak algoritmanın probleme bağımlı olarak seçilmesi yetersiz veya aşırı öğrenme sağlanması, yavaş ilerleme hızı hata teşhisinin performansını etkileyen faktörlerdir. YSA sayısal tabanlı bir çözüm algoritması olduğundan, motor operatörünün verdiği niceliksel ve dilsel bilgiler doğrudan doğruya kullanılamamaktadır. 2.3. Genetik Algoritmalar Genetik algoritmalar (GA), doğadaki evrimsel sürece benzer bir şekilde çalışan arama ve en iyileme yöntemidir. Karmaşık çok boyutlu arama uzayında en iyinin hayatta kalması ilkesine göre bütünsel en iyi çözümü arar. Genetik algoritmalar problemlerin çözümü için evrimsel süreci bilgisayar ortamında taklit ederler. Diğer eniyileme yöntemlerinde olduğu gibi çözüm için tek bir yapının geliştirilmesi yerine, böyle yapılardan meydana gelen bir küme oluştururlar. Genetik algoritmalar, diğer eniyileme yöntemleri kullanılırken büyük zorluklarla karşılaşılan problemlerin çözümünde başarı göstermektedir. Bir problemin bütünsel en iyi çözümünü bulmak için garanti vermezler. Ancak problemlere makul bir süre içinde, kabul edilebilir, iyi çözümler bulurlar. Genetik algoritmalar problemlerin çözümünü parametrelerin değerleriyle değil, kodlarıyla arar. Parametreler kodlanabildiği sürece çözüm üretilebilir. Bu sebeple genetik algoritmalar ne yaptığı konusunda bilgi içermez, nasıl yaptığını bilir. Genetik algoritmalar aramaya tek bir noktadan değil, noktalar kümesinden başlar. Bu nedenle çoğunlukla yerel en iyi çözümde sıkışıp kalmazlar. 53
Teknolojik Araştırmalar: MTED 2007 (2) 49-57 GA geleneksel en iyileme yöntemlerine göre çözülecek problem hakkında daha az ön bilgi gerektirir. GY lı öğrenme algoritmasının tek başına kullanılması yerine bulanık mantık ve YSA algoritmalarının en iyilenmesinde GA nın kullanılması avantajlıdır. 2.3.1. Genetik Algoritma Tabanlı Motor Hata Teşhisi Betta vd., Şekil 7. de gösterilen YSA tabanlı hata teşhis sistemini optimize etmek için GA yı kullanmışlardır. Tasarım ve eğitim için iki tane GA kullanmışlardır. Bunlardan biri, YSA nın gizli katmanlarının sayısını ve boyutunu ayrıca transfer fonksiyonunun karakteristiğini eniyilemek için kullanılmıştır. YSA'daki ağırlık katsayıları ikinci GA ile eniyilenir. Bu iki GA nın uygulanması hata teşhis parametrelerinin ve YSA algoritmasının eniyilenmesini sağlar. GA hesaplamalarının hızlandırılması için bu algoritma tepki zamanını 300 µsn in altına düşüren bir sayısal işaret işlemcide gerçekleştirilmiştir [9]. Şekil 2.6. Yapay sinir ağ temelli motor hata teşhisinde GA uygulaması Gao vd., genetik algoritma yardımlı yapay sinir ağını kullanarak bir motor hata teşhis şeması önermişlerdir. GY yapay sinir ağından farklı olarak, Elman YSA daha güçlü tahmin kabiliyetine sahiptir. Böylece hata sinyallerinin özelliklerini daha çabuk tahmin etmesi sağlanmıştır [10]. Genetik algoritma yalnızca yardımcı bir iyileştirme metodu olduğundan, pratikte tek başına kullanılamaz. Diğer motor hata teşhis şemalarıyla GA nın birleşimi eniyileme performansında artış sağladığı gösterilmiştir. Bununla birlikte GA ile eniyileştirme aşırı hesap yükü gerektiren zaman alıcı bir algoritmadır. Gerçek zamanlı hata tespit sistemlerinde hızlı GA algoritması paralel işleme ile sağlanabilir. Donanım olarak elektronik devrelerle ya da bilgisayarlarda yazılım olarak gerçeklenebilir. Ayaz vd., bilgi işleme ve yapay zeka tekniklerine dayalı akıllı durum izleme sistemi kurmak için koherens analizinden sonra hem YSA hem de GA yı birleştirmişlerdir. Burada YSA, frekans tanım bölgesinde hatalı durumu işaret eden büyük genlikte hata üretir. GA da, hatalı rulman (veya motor) nedeniyle YSA nın ürettiği bu hata işaretindeki tepe değerini seçer ve bu özel frekans bir arıza modu olarak tanımlanabilir. 54
Çalış H., Kayaalp K. Teknolojik Araştırmalar: MTED 2007 (2) 49-57 Şekil 2.7. YSA ve GA tabanlı bir akıllı motor durum izleme sistemi [8]. Şekil 8 de tüm süreç gösterilmiştir. Bu çalışmada Ayaz vd., 5 Hp lik asenkron motorun rulmanlarında yedi aşamada, y a p a y bir hata oluşturarak motor akım, titreşim ve hız verilerini toplamışlardır. Motor titreşim işaretlerine dalgacık dönüşümü uygulayarak frekans bandlarına ayırmışlar ve rulman arızasını karakterize eden özelliğin 2-4 khz lik frekans aralığında yer aldığını saptamışlardır. Ayrıca yapılan istatistiksel analizler sonucunda arıza için kritik bir standard sapma değeri belirleyerek rulman arızasının 4. aşamada belirgin hale geldiğini görmüşlerdir. Yapılan yeni bir tanım ile de rulman sağlamlığını yüzde cinsinden bir büyüklükle ifade etmişlerdir [8]. Yapay bozukluğun her aşamasında ayrı ayrı toplanan motor akım ve titreşim sinyalleri arasındaki ilişkiyi frekans tanım bölgesindeki Koherens değişimleri ile göstererek YSA tabanlı bir durum izleme sistemi gerçekleştirmişlerdir. Koherens analizi sonucunda bulunan 234 ve 469 Hz gibi frekansların, rulman arızası sonucunda oluşan ve rotor eksenel kaçıklığını işaret eden baskın frekanslar olduğunu göstermişlerdir [8]. Buna göre, YSA ve GA yaklaşımlarından oluşan bütünleşik g e r ç e k zamanlı bir u y g u l a m a kritik sistemlerde kullanılabilir. 2.4. Zaman Serileri Veri Madenciliği Veri madenciliği (VM), eldeki verilerden üstü kapalı, çok net olmayan, önceden bilinmeyen ancak potansiyel olarak kullanışlı bilginin çıkarılmasıdır. Başka bir deyişle, VM; verilerin içerisindeki desenlerin, ilişkilerin, değişimlerin, düzensizliklerin, kuralların ve istatistiksel olarak önemli olan yapıların yarı otomatik olarak keşfedilmesidir. VM de keşfedilecek kurallar verinin özelliklerine ve kuralların kullanılışına göre farklı tekniklerle bulunur. Bunlardan bazıları sınıflama, kümeleme, birliktelik kuralları, ardışık örüntüler, zaman serisi analizi, tahmin etme, tanımlama ve görselleştirme gibi tekniklerdir. Olayları ve aralarındaki ilişkileri tahmin etmeden geleceğe ilişkin planlar yapılamaz. Bir faktörün tahmini başka faktörlerinde tahminine yardımcı olabilir. Tahminlerin yapılabilmesinde gerekli olan verilerin elde edilmesinin en uygun ve kolay yolu zaman serisi analizidir. Zaman Serileri Veri Madenciliği (ZSVM) ise zaman serileri analizi ve veri madenciliğinin birleştirilmesidir. Zaman serilerine dayalı metotlar karmaşık, kaotik, düzensiz ve periyodik olmayan zaman serilerini başarılı bir şekilde karakterize edebilir. Zaman serileri veri madenciliği zaman serilerini analiz etmek için veri madenciliği tekniklerini kullanarak geleneksel zaman serileri analizindeki sınırlamaları ortadan kaldırır. 2.4.1. Zaman Serileri Veri Madenciliği ile Motor Hata Teşhisi Aydın vd., asenkron motorlarda stator sargı ve eksantriklik hatalarının teşhisi için zaman serileri veri madenciliğini kullanmışlardır. Bunun için motor stator akımını ve rotor hızını giriş olarak almışlardır. Stator sargı ve eksantrik dönme hataları akım veya rotor hızının etkin değerinde değişmelere sebep olduğundan kararlı durumdaki zamana ait iki grafiğin çarpımını faz alanı için, giriş olarak almışlardır. Farklı stator sargı ve eksantrik dönme hatalarını belirlemek için Şekil 9 daki yaklaşımı kullanmışlardır [11]. 55
Teknolojik Araştırmalar: MTED 2007 (2) 49-57 Şekil 2.8. Önerilen ZSVM hata teşhis yönteminin blok diyagramı [11]. Deneylerinde tek fazlı sincap kafesli bir asenkron motor kullanmışlar. Deneyden elde edilen verilerin yarısını eğitim için, diğer yarısını da test için kullanmışlar. Kullandıkları deney düzeneği Şekil10 da verilmiştir. Şekil 2.9. ZSVM Tabanlı hata teşhis sistemi Eğitim ve test verilerinden elde ettikleri sonuçların faz alanı grafiğinde yarıçap değerlerinde ki değişim ile hata durumunu sınıflandırmışlardır. Ancak hata kaynağının stator sargısındaki hatadan mı veya eksantriklik hatasından mı kaynaklandığını belirtmemişlerdir. Zaman serileri veri madenciliği yaklaşımı, motor sargılarında veya şebeke geriliminde hali hazırda mevcut olan dengesizliklerden etkilenmemektedir. 3. Sonuç Bu çalışmada güncel motor hata teşhis sistemleri incelenmiştir. Yapay sinir ağları, bulanık mantık, genetik algoritmalar, bunların bütünleşik olarak birlikte kullanımı ve ayrıca zaman serileri veri madenciliğinin getirdiği avantajlar ve dezavantajlar kısaca özetlenmiştir. Hata teşhisinde yumuşak hesaplama olarak adlandırılan bu yeni yaklaşımlar, geliştirilmiş çözümler sunmasına rağmen tamamen klasik metotların yerini alamazlar. Daha sağlıklı ve çevik bir hata teşhis sistemi bu yaklaşımların birleşimi ile sağlanabilir. Kaynaklar 1. H. Nejjari, M.E.H. Benbouzid, Application of Fuzzy Logic to Induction Motors Condition Monitoring, IEEE Power Eng. Rev. 19, 1999. 2. C.C. Lee, Fuzzy Logic in Control Systems: Fuzzy Logic Controller, Parts I and II, IEEE Transactions on Systems, Man, and Cybernetics 20 (2), 1990. 56
Çalış H., Kayaalp K. Teknolojik Araştırmalar: MTED 2007 (2) 49-57 3. F. Filipetti, G. Franceschini, C. Tassoni, P. Vas, A Fuzzy Logic Approach to On-Line Đnduction Motor Diagnosis Based On Stator Current Monitoring, in: Proceedings of Stockholm Powertek, Stockholm, Sweden, 1995. 4. G.Goddu, B. Li, M.Y. Chow, Motor Bearing Fault Diagnosis by A Fundamental Frequency Amplitude Based Fuzzy Decision System, in: Proceedings of the 24th Annual Conference of the IEEE Industrial Electronics Society, Aachen, Germany, 1998. 5. F. Filipetti, G. Franceschini, C. Tassoni, Neural Networks Aided On-Line Diagnostics of Đnduction Motor Rotor Faults, IEEE Trans. Ind. Appl. 31, 1995. 6. J. Penman, C.M. Yin, Feasibility of Using Unsupervised Learning Artificial Neural Networks for The Condition Monitoring of Electrical Machines, IEE Proc. B 141, 1994. 7. M. Tanaka, M. Sakawa, I. Shiromaru, T. Matsumoto, Application of Kohonen s Self-Organizing Network to The Diagnosis System for Rotating Machinery, in: Proceedings of IEEE International Conference on Systems, Man, and Cybernetics, Vancouver, Canada, 1995. 8. Ayaz E., Şeker S., Đleri Đşaret Đşleme Yöntemleri ile Elektrik Motorlarında Rulman Arıza Tanısı, ĐTÜ Dergisi, Cilt: 1 Sayı:1, Ağustos 2002. 9. G. Betta, C. Liguori, A. Pietrosanto, The Use of Genetic Algorithms for Advanced Đnstrument Fault Detection and Isolation Schemes, in: Proceedings of IEEE Instrumentation and Measurement Technology Conference, Brussels, Belgium, 1996. 10. X.Z. Gao, S.J. Ovaska, Y. Dote, Motor Fault Detection Using Elman Neural Network with Genetic Algorithm-Aided Training, in: Proceedings of IEEE International Conference on Systems, Man, and Cybernetics, Nashville, TN, 2000. 11. Aydın Đ., Karaköse M., Akın E., Zaman Serileri Veri Madenciliği Tekniği Kullanılarak Asenkron Motorlarda Sarım ve Sürtünme Hatalarının Teşhisi, 11. Elektrik Elektronik Bilgisayar Mühendisliği Ulusal Kongresi, 22-25 Eylül 2005. 57