Indonesian J ournal of Ele c trical Engin eering and  Computer Sci e nce   Vol. 2, No. 1,  April 201 6, pp. 69 ~ 78   DOI: 10.115 9 1 /ijeecs.v2.i1.pp69 -78        69     Re cei v ed Fe brua ry 11, 20 16; Re vised  Ma rch 1, 201 6; Acce pted  March 15, 20 16   Induction Motors Stator Fault Analysis based on  Artificial Intelligence      Huss ein Tah a  Huss ein*, Mohamed  Ammar, Mohamed Mousta fa Ha ssa n   Dept. of Electri c al Po w e r and  Machi nes, F a cult y   of Engin e e r ing, Ca iro Un i v ersit y , Giza, E g ypt   *Corres p o ndi n g  author, e-ma i l : h.adel 20 11@ hotmai l .com       A b st r a ct   T h is article pr e s ents a metho d  for fault dete c tion an d di ag nosis of stator inter-turn sh ort circuiti n   three  ph ase  i nducti on  mach ines. T h e tec h niq ue  is  base d  o n  th e stato r  curre nt a nd  mo de lli ng  in  t h e   dqfra me  usin g  an Ada p tive  Neur o-F u zz y  a r tificial i n tell ige n ce a ppro a ch.  T he deve l o p ed fau l t ana ly sis  meth od  is ill ustrated us ing MA T L AB simulati o n s. T he obt a i n ed res u lts are  pro m isi n g base d  on th e new  fau l t   detectio n  ap pr oach.     Ke y w ords : F ault dia g n o sis, inducti on  motor ,  turn-to-turn  stator fault, dq mode lli ng, Ne uro - F u zz y ,  ANF I S        Copy right  ©  2016 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1 Introduc tion    The indu ctio n machi ne is commo nly used in all the  industri e s. It is utilized in  90% of  electri c al m o tor ap plicatio n s  [1]. The me rits of  the ind u ction m a chi ne are its lo w pri c e, ea se  of  control and  reliability. Investigat ing induction machi nes faults is   crucial  to mi nimize downt i me   and the cost  of damage s [1, 2].  Theind uctio n  ma chine  fa ults a r e  cl assified  as wi n d ing fa ults, u nbala n ced  st ator  and  rotor,  bro k e n  roto r b a rs,  Ecce ntri city and  bea ring   faults. Th e f a ilure  du e to  stato r   windi ng   brea kd own i s  about  30 ~4 0% of total i ndu ction F a u l ts [3]. The  p r edi ction s  of  stator fa ults  will  save the  high  maintena nce  co st [3, 4].There a r e  a  lot of approa che s  to dia gno se  the stator tu rns  fault. Some  method s a r e   based  on th e  stato r   curr e n t s an d fa st F ourie r t r an sfo r ms (F FT) while   other metho d s  u s e  the  torque  profile  a nalysi s  a nd  v i bration  st udy [4, 5]. Rece nt re se arch  work  investigate d  t he u s e  of i n te lligent  cont rol ,  Fuzzy  lo gic (FL ) ,  Neural Network (NN),  com b inatio n   o f   FL an d  NN  and  adaptive  co ntrol i n  fa ult analy s is [ 6 -8]. Thi s   art i cle i s  o r g ani zed  a s  follo ws:  Modellin g of the three p h a s e ind u ctio n motor fo r bot h the healthy  and faulty ca se s is presen ted   in section II. An overview  of the Adapti v e Neur o-Fuzzy Inference  System  (ANF IS) is discussed  in section III. The proposed faul t analysis techni que i s  invest igated in section IV through   MATLAB si mulation s of  indu ction m a chi n e s  with  inter-tu r n  st ator fault s . The results  and   con c lu sio n  are discu s sed i n  se ction V.      2  Modelling of A Three Pha se Inductio n  Motor   A dq fra m e i s  use d  to  red u c e th e compl e xity of differential eq uatio ns. Th e o r igin al stato r   and  rotor fra m es  of refe rence a r e tra n sformed to   a co mmon  frame that  rot a tes  with a r b i trary  angul ar velo city [9].    3 Health y   Case  The three p h a se s of a  he althy motor a r e sym m etri cal. Thus, all t he ph ases  h a ve the   same n u mb er of turns [8-1 2]. The rotor i s  bala n ced st ar co nne ction  cage rotor  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  69 – 78   70     Figure 1. 3ph  stator wi ndin g       The voltage e quation s  of the motor can b e  written a s  b e low:     V  s abc = r s abc i s ab c  +  p λ s abc ,     0 = r r abc i r abc  +  p λ r abc  (1)     λ s abc = [ λ s a λ s b λ s c ]= L[i a i b i c ]    Whe r e  P =d/dt    Conve r ting to  dq stationa ry frame     X dq0 =K X abc = 2 3 10 . 5 0 . 5 33 0 22 0. 5 0 . 5 0. 5        [ X abc ] (2)     The voltage e quation s  of st ator and  rotor arede rived a s :    v s dq0  = r s dq0 i s dq 0  +  p λ s dq0 ,    0 = r r dq0 i r dq0 −   ω r 01 0 10 0 00 0      λ r dq0  +  p   λ r dq0   (3)     The stato r  re sista n ces in t he dq fram e depe nd on th e stator resi st ance value s  for ea ch ph ase.    R s dq0 = 11 12 13 21 22 23 31 32 33 s ss s ss s ss rr r rr r rr r       (4)     The Roto r re sistan ce     R r dq0 =r r  I 3x 3   (5)     The Moto r flux equation   Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     Inductio n  Motors Stato r  Fa ult Analysi s b a se d on Artificial Intelligen ce   (Hussei n  Taha Hussei n)  71 s qd 0 r qd 0 λ λ     = ss r s qd 0 q d 0 qd 0 rs rr r qd 0 q d 0 qd 0 LL I LL I      (6)     Based  on  a  balan ce d Y  3ph in du ctio n moto r, the  neutral current ha s  ze ro  value I s 0 =I r 0 =0.  Acco rdi ng to   balan ce d st ator  con d ition, t he turns  of e a ch  ph ase a r e eq ual  (Na  = Nb  = Nc  =  Ns).  The su pply voltage in the  dq frame i s :    V q s = 2 /3[V a s -0.5(V b s +V c s )],    V d s =1/   3 (-V b s +V c s )        V 0 s = 1 /3 (V a s  + V b s + V c s ) (7)     The flux equa tions are:    p λ s q =V q s - r s 11 i s q - r s 12  i s d ,    p λ s d =V d s - r s 21 i s q - r s 22  i s d ,    p λ r q =-  r r r i r q + w   λ r d ,    p λ r d =-  r r r i r d - w  λ r q  (8)     The develo p e d  torque a nd  spe ed are given by:    T d = (3/2 )(P) ( λ s d i s q -  λ s q i s d ) (9)     Whe r e P is n u mbe r  of pair poles      P w m =P / ( 2 J ) ( T d -T L -Td amp ) ( 1 0)      4  Inter-Turn F a ult Ca se   Und e r “ a ” p h a se inte r-tu r n  fault, the motor pa ramet e rs  (stato r re sista n c e , ind u ctan ce   and th e m u tu al ind u cta n ce  between  all   pha se s a n d   the  faulty pha se) cha nge   a s  sho w n   in Fi gure  (1).     X(fault %)=N a2 (fault turns)/ N a  (he a lthy phase turn s)  (11 )     r sh =X  r a) health y   =r a)f  ,    L a1a1)f =(1-X )  2  L asas)healt h y =L' asas  ,    L a2a2)f =X 2  L m)h ealth y =L shsh  ,    L a1a2)f =(1-X ) X  L m)health y     = L assh  ,    L asr =(1 - X ) L m)h ealth y , L m)heal th y =L' asr +L shar  (12 )     Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  69 – 78   72     Figure 2. 3ph  Induction mo tor in dq fram e with  turn fa ult in q phase  represent ph ase a fault       The flux equa tion in the dq frame after ta king the  sho r ted turn s in co nsid eratio n is:    sh λ q s λ q s λ d r λ q r λ q              = sh ssh sh r LL 0 L 0 qq q ss h s s r LL 0 L 0 qq q ss r 00 L 0 L dq sh r s r r LL 0 L 0 qq q sr r 00 L 0 L dd              sh I q s I q s I d r I q r I q  (13 )     The stato r  re sista n ce is gi ven by:    sh r q s r q s r d         = 2 sh r0 0 q 3 ss 0r r 11 1 2 ss 0r r 21 2 2           (14 )     The flux linka ge derive d  fro m  equation  (3 ) is:     p λ sh q =V q sh – r sh i sh q  ,    p λ s q =V q s - V q sh - r s 11 i s q - r s 12  i s d  ,    p λ s d =V d s - r s 21 i s q - r s 22  i s d ,    p λ r q =-  r r r i r q + w r λ r d , p λ r d =-  r r r i r d - w r λ r q  (15 )     The eq uation s  (10-14) sho w  the in du ction moto r dq  modelin g with  fault con d itio ns a nd the  effect   of fault severi ty on  the motor parameters .          Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     Inductio n  Motors Stato r  Fa ult Analysi s b a se d on Artificial Intelligen ce   (Hussei n  Taha Hussei n)  73 5  Adap tiv e  Neuro-Fu zz y   Inferen ce Sy stem  The Adaptive N e ur o- Fuzzy infer e nc e  sys tem ( A N F I S )  depends  on two main s y s t ems   fuzzy logi c (F L) and  artifici al neural net works (A NN).The Fu zzy lo gic a c ts a s  the huma n  lo gic  thinkin g  and  theneu ral net work a c ts a s  human b r ain  [13]. Both th e FL and ANN increa se t he  system  effici ency a nd d e c re ase the  mathemat i c al   equatio ns compa r ed  to other dete c tion  method s [14] . The syste m  is wid e ly used for m any appli c ation s   of system s m odelling,  cont rol  system s an d  forecastin g  predi ction s  [ 15]. The AN FIS con s ist s  of IF-then rules, trai ning  and   learni ng alg o rithms [13].  For the Fuzzy inference  system, considera  sy stem  with two input s (X,Y) and one output  (Z).Th e fuzzy rules b a sed  on 1 st  ord e r S ugen o type [16] are:     Rule 1: IF X is A1 and Y is B1 Then f1=p 1 X+ q 1 Y+ r 1 ,    Rule 2: IF X is A2 and Y is B2 Then f2=p 2 X+ q 2 Y+ r 2 ,    A i ,B i  are the  Fuzzy set, f i   is  the system outputs withi n   the spe c ified fuzzy rule s  and the   p i ,q i  and r i  are  the desig n p a ram e ters ba sed o n  the ANFIS training  [7], [17-20]          Figure 3. ANFIS structu r e  for tw o i/p wit h  three mmf  and on e O/P      The a daptive  neu ro-fu z zy inferen c e  (A NFIS) n e two r k con s ist s  of  five layers.  A norm a lizati on  layer more than the neu ro -fuzzy net work [21-34].   La y e r 1  is th e fuzzifi cation  layer adaptiv e node s with  bell memb ership functio n  with equation o f :    µA i (X) = 1 1| | ^ 2 Xm A bA б A ,  µB i (Y)= 1 1| | ^ 2 Ym B bB б B  (16 )     Whe r e the m A , mB,  б A,   б B, bA and b B  are the bell fun c tion pa ram e ters  = 1, 2, 3 [20]    MF1,i= µA i (X)  & MF1,i= µB i (Y),  for i=1,2, 3          (17 )     The A i  and B i  are the ling u i s tic varia b le o f  X and Y  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  69 – 78   74 La y e r 2  is th e rule s layer  whe r e its out put is co nsi d e r ed a s  fire st rength of ea ch  node      W i =µA i (X)*µB i (Y), i=1, 2, 3    (18)    La y e r 3  is th e norm a lization layer an d its out put is th e norm a lized  fire stre ngth      i W i = (1 2 9 ) Wi WW W    (19 )     La y e r 4  is th e co nsequ en t layer where  each no de i s  an  ada ptive nod e an d i t s output i s  t h e   prod uct of the  con s eq uent  polynomial of  fu zzy rul e s a nd normali ze d firing streng th    _ _ W i f i =  _ _ W i (p i X+q i Y+r i ),i= 1, 2, 3…9  (20)              La y e r 5  is th e deffu zificati on laye r  whi c h ha s  only o n e  no de  (outp u t nod e)  and   its outp u t is the  overall ANFI S output, su mmation of the layer 4 outp u t     ƒ= __ __ ff f 12 12 _ i 1 _ i WW W i   (21 )       6  Simulation and Res u lts    The  develop e d  fault  analysi s  te chni que  is in vestig ated  throug h MAT L AB sim u latio n s. A n   indu ction mot o r  with inte r-t urn  stator fa ults is  mod e ll ed in SIM U LI NK ba se d on  the eq uation s   presented in section II. Figure (4) illustrate s the fault analysi s  system procedure.         Figure 4. The  fault analysis system for in ductio n  motor with dq mod e ling       The  qd  cu rre n t indi cate  be tter re sol u tio n  for fault  det ection. It i n crease a s  the f ault pe rcenta g e   increa se s as  per Fig u re  (5)    Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     Inductio n  Motors Stato r  Fa ult Analysi s b a se d on Artificial Intelligen ce   (Hussei n  Taha Hussei n)  75     Figure 5. The  d CurrentVS Fault Percent age s (X %) At Different Lo ading       The fault d e tection te ch ni que u s e s  a n  ANFIS network to e s tima te the inter turn fa ult  percenta ge.  Traini ng a nd t e sting  data a r e gen erated f r om the  SIMULINK i ndu cti o n moto r mo del.  The moto r lo ading  con d ition wa s vari e d  to simulate  no-loa d , 25 %, 50%, 75%, full-load and  110% lo adin g .  The inte r tu rn fault pe rcen tage  wa s vari ed to  spa n  th e ra nge  of 0 ~ 16% with  ste p s  of 0.005. The  total points a r e 199.   The A N FIS n e twork  wa s trained  with  66 % of t he total  data a nd  ch ecked/te sted  with the   remai n ing  34 %. The de sig n  is  ba sed  o n  thre einp ut fuzzy mem b ership  fun c tion s. It wa s  notice d   that the learni ng pha se  wa s co mpleted i n  t he first 120  Epoch s  out o f  300 iteration s .   Figure (6 ) views the A N FI S erro r for th e di fferent lo ading  ca se s and fault pe rcenta g e s   estimating.           Figure 6. % Erro r VS fault percenta g e s  at different loading       The fault p e rcenta ge at th e 25% lo adin g  ca se  gives the high est  error  as th e  ANFIS  netwo rk  wa s  not traine d wi th this fault d a ta. T he maxi mum % error  is 6.83% at 2 5 % loadin g  a n d  16 % fault. The result s illustrate t he ANFIS accuracy  for fault detecti on even for cases that  were  not inclu ded i n  the training  data.  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  69 – 78   76 The network  initial configu r e ratio n  ha s an  effect on  the perform ance and a c curacy of  the fault dia gno sis  syste m . Table (1) sho w s  the  errors for  a  two inp u t and three in put  membe r ship   function s.The  thre e in put membe r ship   function  ha s lower erro r for te sting   and   che c king d a t a .       Table 1. The  error comp ari s on for th etwo and thre e membe r ship   Error  T w o MMF   Three MM F   Training data   9*10-4   6*10-4   Testing (75 % )   6*10-3   4*10-3   Checking (25% )   9*10-3   3*10-2       The fault severity wasvari ed from 0%  till 16%. Ho wever,an actual fault  will be limited to 10%   fault only at 110% loadin g  based on the  indu ct ion mot o r over lo ad p r otectio n  setti ng I o.l =1. 5 *I rated      7 Conclu sion    This p ape r shows the faul t diagno si s of inter turn fau l t of induction  motor b a sed  on a n   artificial n e tworksyst e m u s ing ofthe  st ator dq  cu rrents. The d q  stator curre n ts give bett e r   resolution  for inter-turn  fa ult diagn osi s .  The A N FIS  netwo rk dete c ts th e inte r t u rn  stato r  fa ults   with hi gh  accura cy even  for lo w fa ult p e rcentag es.  The ave r a ge  ANFIS erro r i s  1%  amo n g  all   the data trai n i ng, testing  a nd che cki ng.  The ANFI S  initial stru ctu r e ha s an eff e ct on th e fa u l t  detectio n  syst em accu ra cy.      APPENDIX   The moto r pa ramete rs a r e  given in Tabl e 2.      Table 2. Moto r Param e ters  parame ter   Value   po w e r   2hp~1.5k w  no. poles  4  R s   4.05 ohm   L ls  0.014H   R r   2.6 ohm   L lr  0.014H   L m   0.5387H   I ra te d  2.81A      Referen ces   [1]  Kripak aran P,  A Naraina a nd SN Dee pa.   Conditi on mo nitori ng  in  in d u ction motor by  para m eter   estimatio n  techni que . In: Sprin ger 2 014,  third Internati ona l Co nferen ce on Soft C o mputi ng f o r   Probl em Solvi n g; India: 20 14: 87-9 8 .  [2]  Drif, M’ham ed,  and  AJ Car d o s o.  Stator fault  dia g n o stics in   squi rre l ca ge t h ree- phas e i n d u ction  motor   drives  usi ng th e inst antan eo u s  active  an d re active  pow er si gnatur e a n a l ys es .  IEEE trans actions  on  industrial infor m atics.  2 014; 1 0 : 1384- 13 60.   [3]  Bind u S an d Vino d V. T homas.  Diagn oses  of intern al fault s  of th ree ph a s e squirr el ca g e  ind u ctio n   m o tor—A  review . In: IEEE 2014 Inter nationa l Conference on Adv anc es  in Energy Conv ersion  T e chnolog ies ( I CAECT ) . 2014 : 48-54.   [4] Siddiqui,  Khad i mMoin, Ku ld ee p Sa ha y  and  V K  Giri.  He alth  mo nitori ng  an d  fault d i a gnos is  in  ind u ctio n   m o to r-a  re vi e w .IJAR EEIE In te rn a t i o n a l  Jo u r na l  o f  Ad va n c e d  R e sea r ch  in   El e c tri c a l , El e c tro n i cs and  Instrume ntatio n Engi ne erin g . 201 4; 3: 6549- 656 5.  [5]  Karmakar S, Chattop a d h y a y  S, Mitra M & Sengu pta.  T u rn-to-turn fault  diag nos is of an in ducti o n   motor  by th e a nalysis  of tran sient  a nd ste a d y state stator  current .  Innov ative S y stems  Desig n  a n d   Engi neer in g. 2014; 5: 65- 74.   Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     Inductio n  Motors Stato r  Fa ult Analysi s b a se d on Artificial Intelligen ce   (Hussei n  Taha Hussei n)  77 [6]  A Medou ed, A  Lebar ou d, A Laifa & D S a yad.  Class ificati on of in ducti on  mac h in e fault s  using ti me   freque ncy re p r esentati on  a nd p a rticle s w arm opti m i z ation .  Jo urn a l  of Electrica l  Engi neer in g  T e chno logy . 2 014; 15: 7 42-7 49.   [7]  W  Li, H Z hao,  X Y ang  & W  Den g .  Mod u lar i z e d fa ult d i ag nosis  mode l of  ind u ction  mot o r bas ed  o n   radi al bas is fun c tion ne ural  ne tw ork .  Journal of Process Me chan ical En gi n eeri ng.  20 14; 0 :  1-8.  [8]  MF  D’Ange lo, RM Palh ares, LB Cosme, LA  Agui ar, F S  F onseca & W M  Camin has. F ault  detection i n   d y nam ic s y ste m s b y  a F u zz y/ Ba yesi an n e t w ork formulati on .  ELSEVIER .   2014; 21: 6 47-6 53.   [9]  PC Krause, O Wasy nczuk & SD Sudhoff.  Analysis  of elect r ic mac h in ery  and dr ive systems . 2 nd ed:   John W i l e y & Sons . 201 3.   [10]  Anna Ph ilo An ton y  a nd R S ankar an. Simu latio n  of perfor m ance of a ca ge in ductio n  motor drive n   spoo ler driv e  w i th spe ed a nd  current fee dba ck using fi eld- o r iente d  contro l.  IJAREEIE.  2014; 3: 77 97- 780 6.  [11]  T o shiji Kato,  K aoru  Ino ue,  an d Ke isuk e Yos h id a. Di ag nosi s  of stator- w i n din g -t urn f aults  of i n d u cti o n   motor b y   dir e ct detecti on  of  n egativ e se qu e n ce c u rrents.  Electrical  En gi neer ing  in  Ja p a n . 201 4;  1 86:   75-8 4 .    [12]  MK Ebrahim i  a nd M Ehsa ni.  A gen eral  appr oach for curr e n t-base d  con d i t ion mon i tori ng  of inducti o n   motors.  Journa l of Dyna mic S ystem s, Meas u r ement, and C ontrol . 20 14; 1 36: 1-26.   [13]  Sidd iqu e , N a z m ula nd  Hoj j at  Ade li.  Co mp u t ationa l i n tel lig ence: sy ner gi es of f u zz y  l ogic,  ne ura l   netw o rks and e v oluti onary co mp utin g:  John  W ile y  & So ns. 201 3.  [14]  AA Bohari, WM Utomo, ZA  Haro n, NM Zin, SY Sim and  RM Ariff.  Vector contro l of  in ductio n   mot o r   usin g n eur al  n e tw ork . In:  the 8th Intern atio n a l C onfer enc e  on  Rob o tic, Vi sion, S i gn al  Pr ocessi ng  &   Po w e r Ap plic ations; Sin g a por e: Spring er. 20 14: 501- 50 6.    [15]  Che n , Che ng- Hun g  an d She ng-Ye n Yan g . Neur al fuzz y   i n ferenc e s y st e m s  w i th k n o w l edg e-bas ed   cultura l  differe ntial ev oluti on  f o r non lin ear s ystem control.  ELSEVIER .   201 4; 270: 15 4-17 1.  [16]  Sidd iqu e , Naz m ul. Neur o-F u zz y  Co ntrol.  Intelli ge nt Contro l :  Springer Inter natio nal P ubl is hin g . 201 4.  [17]  Che n , Se ng-C h i, Di nh-K h a   Le  and  Va n-S u m N g u y e n .  Adaptiv e netw o rk-bas ed  fu zz y  infer enc e   system  (ANFIS) controller for an active  mag netic bearing s ystem   with unbalance  m a ss . In:  Spring er ,   AET A 2013 Recent Adv ance s  in Electric al  Engi neer in g a nd Re late d Scienc es, Berli n  Heid el ber g .   201 4: 433- 443.   [18]  P Subb ara j an d B Kan n a p ira n . F ault d e tection  and  di ag n o sis of p n e u m a tic valv e usi n g Ada p tiv e   Neur o-F u zz y  I n ferenc e S y st e m  appro a ch.  ELSEVIER Applied Soft Com puting.  201 4; 19: 362- 371.   [19] Sidd iqu e ,  Naz m ul . Fu zz y  Co ntrol.  In: Springer Internatio n a l Pub lish i ng, Intelli ge nt Contr o l. 201 4: 95- 135.   [20]  Bo yaci ogl u, M e lek Ac ar a n d   Der y a Avc i . An  ada ptive  net w o rk-bas ed fuzz y  infere nce s y s t em (ANF IS)   for the predicti on of stock market return:  the case of the Istanb ul stock e xchan ge.  ELSE VIER exper t   system s   w i th a pplic atio ns . 20 10; 37: 79 08-7 912.     [21]  PM Meng ha l  and  A Ja ya  L a xm i.  Ne ural  Netw ork  bas e d   dyn a m ic per forma n ce of  i n ductio n  motor   drives.  In: Spr i ng er, Proce e d i ngs  of the T h ird Int e rnati o nal  Co nferenc e on  Soft C o mputin g fo r   Probl em Solvi n g. India. 20 14.   [22]  AA Hass an, M R  Sa ye d  an d  MA Moustafa   Hassa n.  Po w e r s y stem  q ual ity  improv eme n t usi ng fl e x ib l e   ac transmiss io n s y stems b a s ed  on  ad apt ive  ne uro-fuzz y  in ference  s y ste m .  WSEAS Tr ansactions  on  Power Systems . 2013; 8: 1-1 3 .  [23]  J Guan, D Shi, JM Z u rada  & Levitan. A nal yzi ng mass ive dat a s e ts: an ad aptive  fuzz y  n eura l   appr oach for  pred iction,  w i t h  a real estat e  illustrati on.  Journ a l of Organ i z a t io na l Computi ng an d   Electron ic Co mmerc e .  201 4; 2 4 : 94-11 2.  [24]  F  F aghan i, M Abzari, S F a thi  & SAH Mona j e mi. Designing  a stock trading system  us ing  Artificial Ner o   Fu z z y   infer e n c e syste m s a nd tec hnic a l  ana lysis  appr oach .  Inter nati ona l Jo urna l  of Acad e m i c   Rese arch in Ac counti ng, F i na nce an d Man a g e m e n t Scienc es.  2014; 4: 76 -84.  [25]  Sharma An ura g , Jha Man o j a nd MF Qureshi .  Gove rning  Co ntrol an d E x cit a tion C ontro l for Stabilit y o f   Po w e r S y stem  Based on ANFIS.  IJIRSET .   2014; 3:13 847- 13 855.   [26]  T a mer S. Kamel, MA Moustafa Hassan. Ad aptiv e N euro  F u zz y  infer enc e s y stem (AN F IS) for fault   classificati on i n  the transmissi on li nes.  OJEEE . 2010; 2: 255 1-25 55.     [27]  G Banu a nd S  Suja. F a u l t lo cation tec hni q ue us ing GA-A NF IS for UHV line . Arc h ives  of Electrica l   Engi neer in g Jo urna l . 201 4; 63 : 247-26 2.  [28]  Ali, Moham ed  M. Isma il and Moham ed A. Moustafa Hass an. Spee d sen s orless fiel d– or iente d  contro l   of a si x– phas e  saturated m o del  of ind u ctio n motors  driv e   w i t h  on lin e stator resista n ce  estimatio n   usin g ANF I S.  Internati o n a l Jo urna l of Model li ng, Identific at io n and C ontro l.  201 2; 17: 334- 347.   [29]  T a mer S Kamel, Mohamed  A. Moustafa  Ha ssa n a nd  Ahda b El –Mor shed y. A d van c ed  distan c e   protectio n  tech niq ue  base d  o n  multi p le  clas sified  A N F I S consi deri ng  different l o a d in g c ond itions  f o r   lon g  transmiss i on l i nes  in EP S . Internatio na l Jour nal  of Mode lli ng, Ide n ti fication  an d C ontrol.  20 12 ;  16: 108- 12 1.  [30]  EM Abd El-Gaw a d , MM Hassan, MAM Hallo uda a nd  O Abu l -Hag ga g. Stochastic mod e li n g  compar e d   w i t h  artific i al  in tellig enc e b a se d a ppro a ch f o r short term  w i n d  sp eed  forec a sting.  Journ a l  of  Americ a n   Scienc e . 201 1; 7.  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  69 – 78   78 [31]  Aziz,  Abd e l, Moustafa Has s an and   EA Z ahab.  A p p lic ations  of ANF I S in  hig h  i m ped anc e fau l t s   detectio n  an d c l assificati on i n   distrib u tion  net w o rks.  In:  IEEE International  S y mposium Diagnostics for  Electric Mach in es, Po w e r Elec tronics & Drive s  (SDEMPED). 2011.   [32]  Ali, Mohamed M Ismail and MA  Hassan. Parameter  id e n tificatio n  usi n g ANF I S for magn etical l y   saturated induction  motor .  Internati ona l Jo urnal of Syste m   Dyna mics A p p l icatio ns (IJSDA) . 2012;  1 :   28-4 3 .  [33]  Abde l Aziz,   MA Hass an  a nd EA  El-Z a h ab. An   artific i al  intel lig enc e  bas ed  ap pro a ch for  h i gh   impe danc e fa ults a nal ys is i n  distri buti on  net w o rks.  Inte rnatio nal  Jo urnal  of Syste m   Dyna mi c s   Appl icatio ns (IJSDA).  2012; 1:  44-59.   [34]  HAT  Hussein, ME Ammar, MAM Hassan.  A N F I S based th ree ph ase  ind u ction  mot o rs stator turn s   fault ana lysis . In: W C IS 2014, T a shkent Uzbe kistan. 201 4; 1: 43-51.     Evaluation Warning : The document was created with Spire.PDF for Python.