Elektrik motorlarında tekil ve çoklu arıza teşhisi için optimize edilmiş zaman–frekans temsillerine dayalı fiziksel olarak yönlendirilmiş derin öğrenme mimarisinin geliştirilmesi
Development of a physics-guided deep learning architecture based on optimized time–frequency representations for the diagnosis of single and multiple faults in electric motors
- Tez No: 1020048
- Danışmanlar: PROF. DR. NECİBE FÜSUN OYMAN SERTELLER, DOÇ. DR. AYÇA AK
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Endüstriyel sistemlerde ve elektrikli araçlarda yaygın olarak kullanılan elektrik motorlarında durum izleme, bakım maliyetlerinin azaltılması ve beklenmedik arızaların önlenmesi açısından kritik öneme sahiptir. Motor arızalarının erken tespiti, önleyici bakım stratejilerinin geliştirilmesiyle sistem güvenilirliği ve işletme sürekliliğini doğrudan iyileştirebilmektedir. Ancak karmaşık ve dinamik çalışma koşullarında sensör verilerine dayalı arıza tespiti ve sınıflandırılması hâlen önemli bir araştırma problemidir. Zaman alanı temelli yaklaşımlar karmaşık arıza örüntülerini yakalamada yetersiz kalabilmektedir. Bununla birlikte, zaman–frekans temsiline dayalı derin öğrenme modelleri aynı çalışma koşullarında arıza teşhis ve sınıflandırmasında başarılı olsa da farklı hız ve yük koşullarında genelleme yetenekleri sınırlı kalmaktadır. Bu çalışmada, söz konusu sınırlamalar dikkate alınarak elektrik motorlarında tekil ve çoklu arıza durumlarının değişken hız ve yük koşulları altında teşhis ve sınıflandırılmasına yönelik hibrit bir öğrenme çerçevesi önerilmektedir. Önerilen yaklaşımda tek boyutlu motor sinyalleri, MultiNet-PSO ile optimize edilen Morse dalgacığı tabanlı Sürekli Dalgacık Dönüşümü (CWT) kullanılarak iki boyutlu zaman–frekans temsillerine dönüştürülmektedir. Bu süreçte spektral yoğunlaşma ölçütü kullanılarak arıza frekans bileşenlerini zaman–frekans temsillerinde en belirgin şekilde ortaya çıkaran dalgacık parametreleri veri odaklı olarak belirlenmektedir. Arıza teşhisi ve sınıflandırma amacıyla ResStarNet adı verilen yeni bir derin artık ağ mimarisi geliştirilmiştir. Farklı hız ve yük koşulları altında modelin genelleme performansını artırmak amacıyla, frekans normalizasyonu kullanılarak arızaya ait spektral bileşenler normalize frekans uzayında temsil edilmiş ve böylece hız değişimlerinden kaynaklanan spektral kaymaların etkisi azaltılmıştır. Ayrıca, arıza karakteristiklerine ilişkin fiziksel bilgi, normalize frekans maskesi aracılığıyla kayıp fonksiyonu düzeyinde öğrenme sürecine dâhil edilmiştir. Bu sayede modelin öğrenme süreci, kayıp fonksiyonu üzerinden arıza ile ilişkili frekans bantlarına yönlendirilmiştir. Bu çalışmada önerilen hibrit öğrenme çerçevesi, farklı sensör modaliteleri (tork, akustik, titreşim ve akım) kullanılarak, değişken hız–yük koşulları altında hem tekil hem de çoklu arızaların tespiti ve sınıflandırılması açısından kapsamlı bir şekilde değerlendirilmiştir. Bulgular, genelleme performansını sınırlayan temel faktörlerin veri tipine bağlı olarak değiştiğini; akustik verilerde yük, titreşim verilerinde hız ve akım verilerinde her iki etkinin belirleyici olduğunu göstermiştir. Bu doğrultuda frekans normalizasyonunun hız kaynaklı spektral kaymaları azaltarak özellikle titreşim verilerinde genelleme performansını artırdığı, fiziksel bilgiye dayalı öğrenmenin ise yük bağımlı değişimlerin baskın olduğu durumlarda önemli iyileşmeler sağladığı belirlenmiştir.
Özet (Çeviri)
Condition monitoring of electric motors, which are widely used in industrial systems and electric vehicles, plays a critical role in reducing maintenance costs and preventing unexpected failures. Early detection of motor faults can significantly improve system reliability and operational continuity by enabling the implementation of preventive maintenance strategies. However, fault detection and classification based on sensor data under complex and dynamic operating conditions remain a challenging research problem. Time-domain-based approaches often fail to capture complex fault patterns effectively. Although deep learning models based on time–frequency representations have demonstrated promising performance in fault diagnosis and classification under the same operating conditions, their generalization capability across varying speed and load conditions remains limited. In this study, a hybrid learning framework is proposed for the diagnosis and classification of both single and compound faults in electric motors under varying speed and load conditions. In the proposed approach, one-dimensional motor signals are transformed into two-dimensional time–frequency representations using the Morse-based Continuous Wavelet Transform (CWT) optimized by a MultiNet-PSO algorithm. In this process, wavelet parameters are determined in a data-driven manner using a spectral concentration criterion to highlight fault-related frequency components in the time–frequency domain. For fault diagnosis, a novel deep residual architecture, termed ResStarNet, is developed. To improve generalization across varying operating conditions, frequency normalization is employed to represent spectral components in a normalized frequency domain, thereby mitigating the effects of speed-induced spectral shifts. Furthermore, domain-specific physical knowledge is incorporated into the learning process through a normalized frequency mask integrated at the loss-function level, guiding the model to focus on fault-relevant frequency bands. The proposed framework is extensively evaluated on multiple datasets collected from different sensors modalities, including torque, acoustic, vibration, and current signals, under varying speed and load conditions. The results demonstrate that the dominant factors affecting generalization performance are modality-dependent: load variations primarily impact acoustic signals, speed variations affect vibration signals, and both factors jointly influence current signals. Accordingly, frequency normalization significantly improves generalization in vibration-based analysis by reducing speed-induced spectral variability, while physics-guided learning provides substantial performance gains in scenarios dominated by load variations.
Benzer Tezler
- Çift sistem dikey kalkış ve iniş iha'larda kontrol yüzeyi arıza yönetimi
Control surface failure management in dual-system vtol uavs
BİLAL BADUR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Asenkron motor arızalarının stator akımı ve titreşim sinyalleriyle analizi ve tespiti
Detection of faults of induction motor by analysing stator current and vibration signals
AHMET KABUL
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDURRAHMAN ÜNSAL
- Asenkron motorlarda çoklu hataların akım sıfır geçiş anı ile gerçek zamanlı tahmini
Real-time estimate of multiple faults in induction motors with current zero crossing instants
EYÜP ÇAKI
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜLKADİR ÇAKIR
- Highly modular and scalable power module platform for railway traction converter applications
Raylı ulaşım cer konverteri uygulamaları için modüler ve ölçeklenebilir güç modülü platformu
EKREM RAUF GÜNEŞ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALİH BARIŞ ÖZTÜRK
- Uzun dönem yük tahmini: Manisa örneği
The long term load forecasting: Manisa city
AHMET SOM
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik MühendisliğiDumlupınar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CELAL YAŞAR