Geri Dön

Sinyal işleme ve makine öğrenmesi yöntemleri ile dönen makinelerde titreşim sinyallerinden arıza analizi ve tespiti

Fault analysis and detection from vibration signals in rotating machines with signal processing and machine learning methods

  1. Tez No: 577088
  2. Yazar: HÜSEYİN CANBAZ
  3. Danışmanlar: PROF. DR. KEMAL POLAT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Bolu Abant İzzet Baysal Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 81

Özet

Bu tez çalışmasında, endüstride sıklıkla kullanılan CNC makinesinin matkap ucunda meydana gelen hataların tespitine yönelik çalışmalar gerçekleştirilmiştir. Üretimde kullanılan her makine için zamanla arızalanma kaçınılmazdır. Arızaları meydana gelmeden önce tahmin edebilmek hem insan gücü kaybının hem de yüksek miktarlardaki onarım maliyetinin oluşmasına engel olur. Bu sebeple, makinelerde oluşan hataları analiz edebilmek uzun yıllardır uygulanan popüler bir konudur. Daha önce yapılan çalışmalar incelendiğinde, makinelerin çalışma koşullarında alınan gerilim, akım, sıcaklık ve titreşim gibi nicelikler kullanılmaktadır. Bu çalışmada, CNC makinesinin çalışması esnasında alınan titreşim sinyallerini içeren veri kümesi kullanılmıştır. Hataları teşhis edebilmek için, ham titreşim sinyallerinden özellikler çıkarılmıştır. Özellik çıkarma işlemi, büyük miktarda veri içerisinden değerli olan az miktardaki veriyi elde etmeyi sağlamaktadır. Bu bağlamda zaman alanı, frekans alanı, zaman-frekans alanı ve bu alanların birleşimi olmak üzere 4 alanda özellikler elde edilmiştir. Özellik çıkarma işleminden sonra, normalizasyon işlemi uygulanmıştır. Bu şekilde farklı değerlere sahip özelliklerin aynı anda verimli bir şekilde işlenebilmesi sağlanmıştır. Normalizasyon işleminden sonra, Uzun-Kısa Dönem Hafıza yapısı ve çeşitli derin öğrenme katmanları kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Yapılan işlemler sonucunda %99,53 doğruluk oranı elde edilmiştir. Alınan doğruluk oranının karşılaştırmasını yapabilmek için, bu alanda çok tercih edilen Destek Vektör Makineleri kullanılmıştır. Bu çalışma ile, bu alanda daha önce kullanılmayan Uzun-Kısa Dönem Hafıza yapısı ile dönen makinelerde hata analizi yapılabileceği gösterilmektedir. Ek olarak, oluşturulan yapay sinir ağına farklı katmanlar eklemenin sonuca etkileri gösterilmektedir.

Özet (Çeviri)

In this thesis, studies were carried out to determine the faults occurring at the drill bit end of the CNC machine, which is frequently used in the industry. Failure is inevitable for each machine used in production. Prediction of failures before they occur prevents both loss of manpower and high cost of repair. For this reason, analyzing faults in machines is a popular subject that has been applied for many years. When the previous studies are examined, the quantities such as voltage, current, temperature and vibration taken under the working conditions of the machines are used. In this study, a dataset containing the vibration signals measured during the operation of the CNC machine is used. In order to diagnose faults, the features have been extracted of the raw vibration signals. The feature extraction process allows obtaining a small amount of data which is valuable from a large amount of data. In this context, features were obtained in 4 areas which are: time domain, frequency domain, time-frequency domain and the combination of these. After feature extraction, normalization was performed. In this way, the features with different values can be processed efficiently at the same time. After the normalization process, the Long-Short Term Memory structure and various deep learning layers were realized. As a result of the transactions 99,53% accuracy rate was obtained. In order to compare the obtained accuracy rate Support Vector Machines were used because of Support Vector Machines are frequently used in this area. In this study, it is shown that fault analysis can be performed on machines with Long-Short Term Memory structure which is not so used in this field. In addition, the effects of adding different layers to the generated artificial neural network are shown.

Benzer Tezler

  1. Yapay zekâ ve sinyal işleme yöntemleri ile rulmanlarda taşlama yanığı hatasının tespiti

    Detection of grinding burn defect in bearings with artificial intelligence and signal processing methods

    NURDOĞAN CEYLAN

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEZGİN KAÇAR

  2. Spektral ve Faz Tabanlı Özniteliklerle Çok Sınıflı Motor Hayali EEG Sinyallerinin Sınıflandırılması

    Classification of multi-class motor imaginary eeg signals with spectral and phase-based features

    OSMAN ÇETİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA TOSUN

  3. Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  4. A hardware based gunshot sound detection system

    Donanım tabanlı silah sesi tespit sistemi

    MUSTAFA KORAY AKÇOCUK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  5. Kronik obstrüktif akciğer hastalığı teşhisi için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi

    Development of a new machine learning-based method for the diagnosis of chronic obstructive pulmonary disease

    ENGİN MELEKOĞLU

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ÜMİT KOCABIÇAK