Vibration Based Fault Detection of Centrifugal Pump by Fast Fourier Transform and Adaptive Neuro-Fuzzy Inference System

2013 ◽  
pp. 82-87 ◽  
Author(s):  
Saeid Farokhzad
Keyword(s):  
Fourier Transform ◽  
Fault Detection ◽  
Fast Fourier Transform ◽  
Centrifugal Pump ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

scholarly journals Classification of EEG Signals using Fast Fourier Transform (FFT) and Adaptive Neuro Fuzzy Inference System (ANFIS)

2019 ◽  
Vol 5 (1) ◽  
pp. 35-44
Author(s):  
Suwanto Suwanto ◽  
M. Hasan Bisri ◽  
Dian Candra Rini Novitasari ◽  
Ahmad Hanif Asyhar
Keyword(s):  
Feature Extraction ◽  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Eeg Signal ◽  
Eeg Signals ◽  
Inference System ◽  
Neuro Fuzzy ◽  
The Brain

Epilepsy is a disease that attacks the brain and results in seizures due to neurological disorders. The electrical activity of the brain recorded by the EEG signal test, because EEG test can be used to diagnose brain and mental diseases such as epilepsy. This study aims to identify whether a person has epilepsy or not along with the result of accurate, sensitivity, and precision rate using Fast Fourier Transform (FFT) and Adaptive Neuro-Fuzzy Inference System (ANFIS) method. The FFT is used to transform EEG signals from time-based into frequency-based and continued with feature extraction to take characteristics from each filtering signal using the median, mean, and standard deviations of each EEG signal. The results of the feature extraction used for input on the category process based on characteristics data (classification) using ANFIS. EEG signal data is obtained from epilepsy center online database of Bonn University, German. The results of the EEG signal classification system using ANFIS with two classes (Normal-Epilepsy) states accuracy, sensitivity, and precision of 100%. The classification systems with three class division (Normal-Not Seizure Epilepsy-Epilepsy) resulted in an accuracy of 89.33% sensitivity of 89.37% and precision of 89.33%.

Λήψη αποφάσεων και ασαφής λογική

2020 ◽  
Author(s):  
Ελένη Βλάμου
Keyword(s):  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Vector Quantization ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Fuzzy Inference Systems ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Inference Systems

Η ασαφής λογική αποτελεί μια θεωρία της οποίας οι εφαρμογές έχουν σκοπό να παρέχουν βελτιωμένες λύσεις σε προβλήματα με υψηλό βαθμό αβεβαιότητας. Η θεωρία, η τεχνολογία και οι εφαρμογές της ασαφούς λογικής έχουν σημειώσει τα τελευταία χρόνια ταχύτατη ανάπτυξη και έχουν καταστεί αξιόπιστο και εύχρηστο εργαλείο σε πολλές επιστημονικές και ερευνητικές περιοχές. H παρούσα διατριβή εστιάζει στην κατανόηση των δομών της ασαφούς λογικής, και στην ανάλυση των ασαφών κανόνων και συστημάτων. Γίνεται μια ολοκληρωμένη παρουσίαση της θεωρίας ασαφών συνόλων με έμφαση στην κατανόηση των ασαφών συστημάτων (Fuzzy Inference Systems). Σκοπός είναι η ανάλυση της αποτελεσματικότητας της εφαρμογής της ασαφούς λογικής σε ποικίλα ασαφή συστήματα. Επιπλέον εστιάζει στην ανάδειξη της σπουδαιότητας της ασαφούς λογικής και των ασαφών συστημάτων λήψεως αποφάσεων, η χρήση των οποίων παρουσιάζει σημαντικά πλεονεκτήματα αναφορικά με την αποτελεσματικότητά τους. Ειδικότερα, η μίξη των τεχνητών νευρωνικών δικτύων και ασαφών συστημάτων επιτρέπει στους ερευνητές να διαμορφώνουν προβλήματα με την ανάπτυξη των έξυπνων και προσαρμοστικών συστημάτων. Έτσι γίνεται η περιγραφή του μοντέλου του ασαφούς νευρωνικού δικτύου και παρουσιάζονται εκπαιδευτικοί αλγόριθμοι (όπως ο Back-Propagation) που χρησιμοποιείται για τη βελτίωση της απόδοσης του δικτύου. Η βελτιωμένη αποδοτικότητα των εκπαιδευμένων ασαφών δικτύων επιβεβαιώνεται με την εφαρμογή και οπτικοποίηση του αλγορίθμου Back-Propagation στην Matlab. Επιπλέον γίνεται ανάλυση της εφαρμογής των ασαφών συστημάτων με σκοπό την αναγνώριση προτύπων και ανάλυση εγκεφαλογραφικού σήματος. Έτσι, γίνεται περιγραφή των γραμμικών μεθόδων αναγνώρισης προτύπων για την ανάλυση του σήματος του εγκέφαλου (όπως οι μετασχηματισμοί Fast Fourier transform, μετασχηματισμός Wavelet και μετασχηματισμός Vector Quantization) με σκοπό την προβολή της υπεροχής των ασαφών νευρωνικών δικτύων (SOMF), των συστημάτων ασαφών ταξινομητών και των ταξινομητών προσαρμοσμένων ασαφών νευρωνικών συστημάτων (ANFIS-Adaptive Neuro-Fuzzy Inference System). Επιπλέον, αναλύεται η εφαρμογή των ασαφών δικτύων αναφορικά με τη διάγνωση της επιδημιολογίας η οποία ενισχύεται με την παρουσίαση διαφορετικών επιδημιολογικών μοντέλων (όπως τα στοχαστικά επιδημιολογικά μοντέλα, π.χ. το μοντέλο SI και SIS, και τα ντετερμινιστικά επιδημιολογικά μοντέλα όπως το μοντέλο SIR) με σκοπό να αναδείξει την υπεροχή των ασαφών μεθόδων σε αυτήν την περίπτωση. Η περιγραφή των ασαφών μοντέλων SI και SIS αναδεικνύει την υπεροχή τους που ενισχύεται με την ανάλυση των ασαφών πιθανοτήτων για τη λήψη αποφάσεων στον τομέα της επιδημιολογίας. Επιπλέον, παρουσιάζεται η εφαρμογή των ασαφών συστημάτων σε θέματα βελτίωσης της απόδοσης των γενετικών αλγορίθμων. Γίνεται η ανάλυση των βασικών αρχών και χαρακτηριστικών των γενετικών αλγορίθμων, η περιγραφή των προσαρμοζόμενων πιθανοτήτων διέλευσης και μετάλλαξης και η ανάλυση των γενετικών παραγόντων που οδηγούν στην ανάπτυξη της εξέλιξης των αισθητήρων (EGP). Με αυτό τον τρόπο υποστηρίζεται η βελτιωμένη απόδοση και η αποτελεσματικότητα των ασαφών γενετικών αλγορίθμων.

scholarly journals Proposed ANFIS Based Approach for Fault Tracking, Detection, Clearing and Rearrangement for Photovoltaic System

Sensors ◽  
2021 ◽  
Vol 21 (7) ◽  
pp. 2269
Author(s):  
Ahmed F. Bendary ◽  
Almoataz Y. Abdelaziz ◽  
Mohamed M. Ismail ◽  
Karar Mahmoud ◽  
Matti Lehtonen ◽  
...  
Keyword(s):  
Fault Detection ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Detection Methods ◽  
Photovoltaic Systems ◽  
Inference System ◽  
Photovoltaic Array ◽  
Neuro Fuzzy ◽  
Effective Manner ◽  
Simulation Results

In the last few decades, photovoltaics have contributed deeply to electric power networks due to their economic and technical benefits. Typically, photovoltaic systems are widely used and implemented in many fields like electric vehicles, homes, and satellites. One of the biggest problems that face the relatability and stability of the electrical power system is the loss of one of the photovoltaic modules. In other words, fault detection methods designed for photovoltaic systems are required to not only diagnose but also clear such undesirable faults to improve the reliability and efficiency of solar farms. Accordingly, the loss of any module leads to a decrease in the efficiency of the overall system. To avoid this issue, this paper proposes an optimum solution for fault finding, tracking, and clearing in an effective manner. Specifically, this proposed approach is done by developing one of the most promising techniques of artificial intelligence called the adaptive neuro-fuzzy inference system. The proposed fault detection approach is based on associating the actual measured values of current and voltage with respect to the trained historical values for this parameter while considering the ambient changes in conditions including irradiation and temperature. Two adaptive neuro-fuzzy inference system-based controllers are proposed: (1) the first one is utilized to detect the faulted string and (2) the other one is utilized for detecting the exact faulted group in the photovoltaic array. The utilized model was installed using a configuration of 4 × 4 photovoltaic arrays that are connected through several switches, besides four ammeters and four voltmeters. This study is implemented using MATLAB/Simulink and the simulation results are presented to show the validity of the proposed technique. The simulation results demonstrate the innovation of this study while proving the effective and high performance of the proposed adaptive neuro-fuzzy inference system-based approach in fault tracking, detection, clearing, and rearrangement for practical photovoltaic systems.

Machine Fault Detection Using Neuro-Fuzzy Inference System and Genetic Algorithms

2005 ◽  
Author(s):  
B. Samanta
Keyword(s):  
Genetic Algorithms ◽  
Fault Detection ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Vibration Data ◽  
Neuro Fuzzy ◽  
Machine Fault ◽  
The Time Domain ◽  
Selection Of

A study is presented to show the performance of machine fault detection using adaptive neuro-fuzzy inference system (ANFIS) and genetic algorithms (GAs), termed here as GA-ANFIS. The time domain vibration signals of a rotating machine with normal and defective gears are processed for feature extraction. The extracted features from original and preprocessed signals are used as inputs to GA-ANFIS for two class (normal or fault) recognition. The number and the parameters of membership functions used in ANFIS along with the features are selected using GAs maximizing the classification success. The results of fault detection are compared with GA based artificial neural network (ANN), termed here as GA-ANN. In GA-ANN, the number of hidden nodes and the selection of input features are optimized using GAs. For each trial, the GA-ANFIS and GA-ANN are trained with a subset of the experimental data for known machine conditions. The trained GA-ANFIS and GA-ANN are tested using the remaining set of data. The procedure is illustrated using the experimental vibration data of a gearbox. The results compare the effectiveness of both types of classifiers (ANFIS and ANN) with GA based selection of features and classifier parameters.

Sign in / Sign up

Export Citation Format

Share Document