Rulman arızalarının makine öğrenmesi teknikleri kullanılarak sınıflandırılması
Classification of bearing faults using machine learning techniques
- Tez No: 604318
- Danışmanlar: DOÇ. DR. İSMAİL KIRBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Malzeme Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 72
Özet
Makine sağlığı ve performansı makinedeki rulmanlar ile doğrudan ilintilidir. Makinelerin elzem parçaları olan rulmanların performansı makine performansını doğrudan etkilemektedir. Rulman arızası makinenin verimini düşürebilir, istendiği gibi çalışmasını engelleyebilir hatta durmasına sebep olabilmektedir. Bütün bunlar sadece maddi değil zaman, işgücü ve iş sağlığı kayıpları anlamına da gelmektedir. Bu kayıplardan dolayı rulman kondisyonunu izlemek ve rulman arızasını önceden tespit etmek çok önemlidir. Rulman arızasının nedenini bulmak arızanın tekrar etmemesi için alınacak önlemler bakımından büyük önem taşımaktadır. Rulman arıza nedenleri Arıza Modları ile doğrudan ilişkilidir. Rulman Arıza Modunu tespit etmek arıza nedeninin tespiti için çok önemlidir. Bu tez çalışmasında, farklı arızalara sahip bilyeli rulmanların akustik sinyalleri analiz edilerek farklı makine öğrenmesi teknikleri sayesinde arıza modları sınıflandırılmıştır. Akustik sinyallerin toplanması için, bir AC motor, yük oluşturucu rotor ve 90 derece faz farkı ile stereo ses kaydı yapabilen, bir kayıt cihazından oluşan bir deney düzeneği tasarlanmıştır. Aynı tipte bilyeli rulmanlar kullanılarak, bunların üzerinde ISO15243 standardına uygun farklı tipte yapay arızalar meydana getirilmiştir. Deney düzeneği kullanılarak arızalı rulmanların akustik verileri toplanmış ve bir veri seti oluşturulmuştur. Matlab programı kullanılarak Hızlı Fourier Dönüşümü ile akustik verilerin Zaman Domeninden Frekans domenine dönüşümü gerçekleştirilmiş ve Frekans Domenindeki verilerden işlevsel olabilecek öznitelik çıkarımı için bir yazılım geliştirilmiştir. Elde edilen özellikler kullanılarak farklı Makine Öğrenmesi Teknikleri uygulanarak rulman arıza sınıflandırmaları yapılmış ve başarım oranları karşılaştırılmıştır.
Özet (Çeviri)
Machine health and performance are directly related to the bearings in the machine. The performance of the bearings, which are essential parts of the machines, directly affect the performance of the machine. Failure of the bearing can reduce the efficiency of the machine. All this means not only financial, but also time, labor and occupational health losses. Due to these losses, it is very important to monitor the bearing condition and to determine the bearing failure in advance. Finding the cause of bearing failure is of great importance. The bearing failure is directly related to the Fault Modes. Determining the Bearing Failure Mode is very important for determining the cause of the fault. In this thesis, acoustic signals of ball bearings with different faults are analyzed and fault modes are classified with different machine learning techniques. In order to collect the acoustic signals, an experimental test rig was designed consisting of a motor, a load generating rotor and a recording device capable of recording stereo sound with a phase difference of 90 degrees. By using the same type of ball bearings, different types of artificial errors in accordance with the ISO15243 standard have been created on them. Acoustic data of faulty bearings were collected using a test set and a data set was formed. Transformation of acoustic data from Time Domain to Frequency domain was realized by Fast Fourier Transform using Matlab program and a software was developed to extract functional features from data in Frequency Domain. Using the obtained features, bearing failure classifications were made by applying different Machine Learning Techniques and their performance rates were compared.
Benzer Tezler
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Model tabanlı kestirimci bakım ile kalan faydalı ömür tahmini
Estimation of remaining useful life with model based predictive maintenance
ENGİN MÖNGÜ
Doktora
Türkçe
2022
Mühendislik Bilimleriİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. HULUSİ GÜLSEÇEN
- Rulmanların kalan faydalı ömür tahmini için titreşim analizi tabanlı kestirimci bakım yaklaşımı
Vibration analysis based predictive maintenance approach for prediction of remaining useful life of bearings
ENİS KALCIOĞLU
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiRecep Tayyip Erdoğan ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN CANER ÖZKAT
- NASA rulman verisetiyle gelişmiş derin transfer öğrenme yöntemleri kullanarak rulman hatalarının etkin tespiti
Effective detection of bearing errors using advanced deep transfer learning methods with NASA bearing dataset
MERT ÇELTİKOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Uludağ ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR KIRCI
- Makine öğrenmesi yöntemi ile yuvarlanmalı yataklarda titreşim-zaman analizi kullanarak arıza tespiti
Vibration-time analysis for fault detection in rolling bearings using machine learning methods
CEMİL GAZİ
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiGebze Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. FEVZİ BEDİR