Olasılık sinir ağı kullanarak alternatör arızalarının tespiti

Basit Öğe Kaydı
dc.contributor.advisorBayır, Raif
dc.contributor.authorKoçak, Emel
dc.date.accessioned2024-09-29T18:37:46Z
dc.date.available2024-09-29T18:37:46Z
dc.date.issued2010
dc.departmentLisansüstü Eğitim Enstitüsü, Elektronik-Bilgisayar Eğitimi Ana Bilim Dalıen_US
dc.descriptionFen Bilimleri Enstitüsü, Elektronik-Bilgisayar Eğitimi Ana Bilim Dalıen_US
dc.description.abstractAlternatörler mekanik enerjiyi elektrik enerjisine çeviren elektromekanik cihazlardır. Alternatörler taşıtlarda, rüzgâr türbinlerinde ve hidroelektrik santrallerinde elektrik enerjisi üretiminde kullanılmaktadırlar. Bu cihazlar arızalandığında hem maddi hem manevi kayıplara neden olmaktadırlar. Bu yüzden alternatörlerde arızaların erken teşhis edilmesi önemlidir. Bu çalışma ile alternatörlerde arıza teşhisi yapılabilmektedir. Alternatöre ait akım, gerilim ve devir bilgileri bir veri alış veriş kartı yardımıyla gerçek zamanlı olarak Matlab ortamına aktarılmaktadır. Alternatör arızalarını tespit etmek için yapay zeka teknikleri kullanılmıştır. Bu teknikler bulanık mantık, ileri beslemeli ağı ve olasılık sinir ağıdır. Bu tekniklerden olasılık sinir ağı başarımının yüksek olmasından dolayı gerçek zamanlı arıza teşhisinde tercih edilmiştir. Alternatör arızalarının erken teşhis edilmesi ile üretilen enerjinin verimliliği artacaktır. Erken teşhis ile de bakım masraflarının azalması sağlanacaktır.en_US
dc.description.abstractAlternators are equipments that convert mechanical energy to electrical energy. Alternators are used in vehicles, wind power turbines and hydroelectric power plants to generate electrical energy. When this equipments breakdown they damage financially and incorporeally so early fault diagnosis of alternators is important. In this study, alternator failures can be diagnosed. Current, voltage, and revolution data are possible to be measured and they were real time transferred to Matlab via data acquisition card. Artificial intelligence techniques were used to detection alternator failures. These techniques are fuzzy logic, feed forward neural network and probabilistic neural network. Because of its success probabilistic neural network is used in real time fault diagnosis. Renewable energy sources will be used more efficiently and repairing costs will be reduced by early diagnosis of failures.en_US
dc.identifier.endpage116en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=veR1mHu9yoWjwcVUjCEoPJQfFom-3ISFA3gHP2l6tGzwGtpyynDpaYCYBDmZjKi5
dc.identifier.urihttps://hdl.handle.net/20.500.14619/14454
dc.identifier.yoktezid274894en_US
dc.language.isotren_US
dc.publisherKarabük Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliğien_US
dc.titleOlasılık sinir ağı kullanarak alternatör arızalarının tespitien_US
dc.title.alternativeFault diagnosis of alternators using probabilistic neural networken_US
dc.typeMaster Thesisen_US

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu