Tez No	İndirme	Tez Künye	Durumu
355469		Yapay sinir ağları kullanarak anahtarlamalı relüktans motorlarda hata tespit ve teşhisi / Fault detection and diagnosis of switched reluctance motors using artificial neural networks Yazar:ALİ UYSAL Danışman: DOÇ. DR. RAİF BAYIR Yer Bilgisi: Karabük Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2014 122 s.
Bu çalışmada anahtarlamalı relüktans motoru (ARM) hatalarının yapay sinir ağları (YSA) ile gerçek zamanlı olarak tespit ve teşhisi gerçekleştirilmiştir. ARM'ler günümüzde birçok kritik uygulamada kullanılmaktadır. Örneğin kan karıştırma cihazı, hibrid araçlar vb. Bu motorların bozulması durumunda hem maddi kayıplar hem de istenilmeyen durumlar ortaya çıkmaktadır. Bu çalışmada ARM hatalarını tespit ve teşhis edebilmek ve arızalanmadan durumunu öğrenmek için bir test düzeneği hazırlanmıştır. Bu test düzeneğinde ARM'ye ait parametreler bir veri alış veriş kartı ile gerçek zamanlı olarak bilgisayar ortamına aktarılmaktadır. Hata tespit ve teşhisi için Matlab ortamında kullanıcı ara yüzü yazılım gerçekleştirilmiştir. Bu yazılım gerçek zamanlı olarak tercih edilen YSA ile ARM hatalarını tespit ve teşhis etmektedir. Hata tespit ve teşhisinde Kohonen sinir ağı, İleri beslemeli sinir ağı ve Elman sinir ağı kullanılmaktadır. ARM'lerde YSA'lar ile gerçek zamanlı hata tespit ve teşhisine en uygun sinir ağı, başarım performanslarına göre Elman sinir ağı olarak belirlenmiştir.
In this study real time fault detection and diagnosis of Switched Reluctance Motors (SRM) via artificial neural networks (ANN) is realized. Nowadays, SRMs are used in many critical applications. For example, blood mixing device, hybrid vehicles, etc. The breakdown of this motor causes financial losses and undesirable situations. An experimental setup is established to detect and diagnosis of SRM faults and determined the status of motor before it breaks down. In this experimental setup, parameters of SRM are measured in real time and transferred to the computer environment via data acquisition card. A user interface software is developed in Matlab environment to detect and diagnose SRM faults. This software detects and diagnoses faults using one of the proposed ANN algorithms in real time. Self-organizing neural network, Feed forward neural network and Elman neural network algorithms are used in fault detection and diagnosis. The performances of ANNs are compared and the most compatible ANN to real time fault detection and diagnosis of SRM's is determined as Elman neural network.