Fault diagnosis of a power transmission system using artificial neural networks
Yapay sinir ağı kullanarak bir güç aktarım sisteminin arıza teşhisi
- Tez No: 438840
- Danışmanlar: DOÇ. DR. HASAN ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2016
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 104
Özet
Mekanik güç aktarma sistemleri endüstriyel uygulamalarda hayati öneme sahiptir. Bu güç aktarma sistemlerinin en karmaşık parçası dişli sistemleridir. Sonsuz vida dişlileri, tek bir adımda yüksek çevrim oranının gerekli olduğu çok çeşitli uygulamalarda kullanılmaktadır. Sonsuz vida tarafından tahrik edilen sonsuz vida çark dişlisi sonsuz vidaya göre daha yumuşak materyalden yapıldığı için dişili yüzeyinde bazı mekanik problemlerin görülme ihtimali yüksektir. Çark dişlisi üzerinde oyukcuk ve aşınma gibi arızalar meydana geldiğinde dişli çarkların performansı düşmektedir. Buna bağlı olarak hareket ve güç istenildiği gibi aktarılamaması neticesinde büyük arızaların oluşması kaçınılmaz olmaktadır. Bu tezde sunulan araştırma çalışması, sonsuz vida çark dişlisi üzerinde oluşan lokal oyukcuk arızalarının yapay sinir ağları ve titreşim analizi yardımıyla tespit edilip sınıflandırılmasına odaklanmaktadır. Dişli titreşimleri, on beşte bir çevrim oranına sahip sonsuz vida dişli kutusu kullanan bir test düzeneğinden elde edilmiştir. Oyukcuk arızalarına benzer yüzey şekilleri matkap yardımıyla çark dişlisinin bazı dişleri üzerinde oluşturulmuştur. İvmeölçerler, eksenel yönde ve yarıçap yönünde sonsuz vida dişlisi giriş şaftı rulman yatakları üzerine yerleştirmiştir. Zaman ve frekans domaininde elde edilen titreşim sinyallerinin istatiksel parametreleri çok sınıflı tanıma için yapay sinir ağına giriş olarak uygulanmıştır. Sonuçta, yapay sinir ağı kullanılarak sonsuz dişli arızalarının teşhisi ve sınıflandırılması üzerinde durulmuş. İvmeölçer yönleri verimli arıza sınıflandırılmasına olan etkisi bakımından kıyaslanmıştır.
Özet (Çeviri)
Mechanical power transmission systems are essential part of industrial process. The most complicated equipment is gears in power transmission systems. Worm gearboxes where needed high transmission ratios in one reduction stage are used in many various applications. Worm wheel, which is the driven member of the worm drive, may defect easily because it is produced softer material in comparison with the worm. Whenever a defect occurs in a worm wheel (e.g. pitting, abrasive wear), the performance of the gear decreases. And then, inevitably transmission of motion and power cannot be transferred as demanded. As a result, happening of serious faults becomes unavoidable. The research work presented in this thesis focuses upon the detection of localized pitting damages in a worm gearbox using artificial neural networks (ANN) and vibration analysis. Worm gear vibrations are acquired from an experimental rig utilizing a fifteenth worm gearbox. Simulated surface, which looks like pitting, was introduced on some of the worm gear wheel teeth using a drilling machine. The accelerometers are mounted permanently, radial and axial direction on the input shaft bearing housings. Statistical parameters of vibration signals in the time and frequency domains are used as an input to classifier ANN for multi-class recognition. Conclusions are drawn about diagnosis and classification of faults in worm gearboxes using ANN. The directions of accelerometers are compared with each other in respect to efficiency of classification of faults.
Benzer Tezler
- Konik dişlilerde Yapay Sinir Ağı yöntemiyle arıza teşhisi
Fault diagnosis on bevel gears with Artificial Neural Networks
CEMAL KELEŞOĞLU
Yüksek Lisans
Türkçe
2015
Mekatronik MühendisliğiMarmara ÜniversitesiMekatronik Ana Bilim Dalı
PROF. DR. HALUK KÜÇÜK
DOÇ. DR. MUSTAFA DEMETGÜL
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Rulman arızalarının gerçek zamanda analizi ve arıza kaynaklarının tespit edilmesi
The real time analysis and diagnosis of bearing faults
CÜNEYT ALİUSTAOĞLU
Yüksek Lisans
Türkçe
2008
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. H. METİN ERTUNÇ
- Yeni bir hata değişik delta ağ maddeli arttırılmış delta ağı (ADA)
Başlık çevirisi yok
M.EBRU KOLUSAYIN
Yüksek Lisans
Türkçe
1998
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET BÜLENT ÖRENCİK
- Güç kalitesi olaylarının makine öğrenme teknikleri ile sınıflandırılması
Classification of power quality events using machine learning methods
FERHAT UÇAR
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FİKRET ATA
PROF. DR. BEŞİR DANDIL