POWER SYSTEM FAULT IDENTIFICATION AND CLASSIFICATION IN FUEL CELLS VIA ARTIFICIAL NEURAL NETWORK
| dc.contributor.author | Al-Zurfi, Rafah Hussein Jumaah | |
| dc.date.accessioned | 2024-01-29T12:44:19Z | |
| dc.date.available | 2024-01-29T12:44:19Z | |
| dc.date.issued | 2024-01 | |
| dc.department | Lisansüstü Eğitim Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | The research delineated in this thesis is poised to contribute significantly to the Domain of fault diagnosis in industrial processes, with a specific emphasis on employing sophisticated processing and pattern recognition methodologies for bearing analysis. The primary thrust of the investigation is centered on the application of vibration analysis to discern and diagnose issues in bearings. To this end, an Artificial Neural Network (ANN) is deployed for the analysis of input-output datasets extracted from a Matlab-Simulink-based Proton Exchange Membrane Fuel Cell (PEMFC) model, specifically the 6kw-45Vdc model. The articulated ANN is designed to furnish steady-state predictions predicated on the provided input. Subsequently, the output of the PEMFC is scrutinized vis-a-vis The model's output, particularly in response to emergent events inducing alterations in the plant's output voltage or current. A residual signal is systematically monitored and employed as a diagnostic tool to identify and characterize defects within the system. The empirical phase of data collection entails meticulous acquisition from a system or test rig, with due consideration accorded to diverse fault typologies, encompassing Abrupt, Incipient, and Intermittent faults. The steady-state simulation is built around three inputs: heat, fuel pressure, in addition air pressure, as well as two outputs: voltage and current. Matlab's Simulink platform serves as the instrumental medium for comprehensive system modeling. The subsequent research phase pivots towards the utilization of an Artificial Neural Network for condition categorization. A nuanced exploration and juxtaposition of various supervised learning algorithms, inclusive of support vector machines, random forests, and extreme learning machines, is undertaken to discern the optimal method for effecting bearing fault classification. In summation, this research orchestrates a methodically comprehensive approach to fault diagnosis, encompassing meticulous data collection, exacting system modeling via Simulink, and the judicious application of advanced machine learning paradigms through an Artificial Neural Network. The overarching objective is the discernment and diagnosis of bearing faults within the context of industrial processes. | en_US |
| dc.description.abstract | Bu tezde anlatılan araştırma, rulman analizi için gelişmiş işleme ve model tanıma metodolojilerinin kullanılmasına özel bir vurgu yaparak, endüstriyel proseslerdeki arıza teşhisi alanına önemli ölçüde katkıda bulunmaya hazırdır. Araştırmanın temel amacı, rulmanlardaki sorunları ayırt etmek ve teşhis etmek için titreşim analizinin uygulanmasına odaklanıyor. Bu amaçla, Matlab-Simulink tabanlı Proton Değişim Membranlı Yakıt Hücresi (PEMFC) modelinden, özellikle de 6kw-45Vdc modelinden elde edilen giriş-çıkış veri setlerinin analizi için bir Yapay Sinir Ağı (YSA) kullanıldı. Eklemli YSA, sağlanan girdiye dayalı kararlı durum tahminleri sağlamak üzere tasarlanmıştır. Daha sonra, PEMFC'nin çıkışı, özellikle tesisin çıkış voltajında veya akımında değişikliklere neden olan acil olaylara yanıt olarak, modelin çıkışına göre incelenir. Artık sinyal sistematik olarak izlenir ve sistemdeki kusurları tanımlamak ve karakterize etmek için bir teşhis aracı olarak kullanılır. Veri toplamanın ampirik aşaması, Ani, Başlangıç ve Aralıklı arızaları kapsayan çeşitli arıza tipolojilerine uygun olarak bir sistemden veya test donanımından titiz bir şekilde edinilmesini gerektirir. Kararlı durum simülasyonu üç girdi etrafında inşa edilmiştir: ısı, yakıt basıncı, ek olarak hava basıncı ve ayrıca iki çıktı: voltaj ve akım. Matlab'ın Simulink platformu, kapsamlı sistem modellemesi için araçsal bir ortam olarak hizmet vermektedir. Sonraki araştırma aşaması, durum sınıflandırması için Yapay Sinir Ağının kullanımına doğru dönmektedir. Rulman arızası sınıflandırmasını etkilemek için en uygun yöntemi belirlemek amacıyla, destek vektör makineleri, rastgele ormanlar ve ekstrem öğrenme makineleri de dahil olmak üzere çeşitli denetimli öğrenme algoritmalarının incelikli bir şekilde araştırılması ve yan yana getirilmesi gerçekleştirilir. Özetle, bu araştırma, titiz veri toplamayı, Simulink aracılığıyla titiz sistem modellemeyi ve Yapay Sinir Ağı aracılığıyla gelişmiş makine öğrenimi paradigmalarının akıllıca uygulanmasını kapsayan, hata teşhisine yönelik yöntemsel olarak kapsamlı bir yaklaşımı düzenlemektedir. Kapsamlı amaç, endüstriyel prosesler bağlamında rulman arızalarının tespiti ve teşhisidir." | en_US] |
| dc.identifier.uri | https://hdl.handle.net/20.500.14619/3209 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=weFMBHaUra8rsS5wi2bmHFPbAaiSxxVo3GMeYo676kjYX8UQD54kmlgmrsCkocLD | |
| dc.identifier.yoktezid | 848957 | en_US |
| dc.language.iso | en | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Artificial Neural Network | en_US |
| dc.subject | fuel pressure | en_US |
| dc.subject | fault typologies | en_US |
| dc.subject | Fuel Cell | en_US |
| dc.subject | Yapay Sinir Ağı | en_US |
| dc.subject | Yakıt Basıncı | en_US |
| dc.subject | Arıza Tipolojileri | en_US |
| dc.subject | Yakıt Pili | en_US |
| dc.title | POWER SYSTEM FAULT IDENTIFICATION AND CLASSIFICATION IN FUEL CELLS VIA ARTIFICIAL NEURAL NETWORK | en_US |
| dc.title.alternative | YAKIT HÜCRELERİNDE YAPAY SİNİR AĞI KULLANILARAK GÜÇ SİSTEMİ ARIZA TESPİTİ VE SINIFLANDIRMASI | en_US |
| dc.type | Master Thesis | en_US |
