Automated electrical motor quality control via machine learning based vibration analysis
Makine öğrenimine dayalı titreşim analizi ile elektrik motoru otomatik kalite kontrolü
- Tez No: 716219
- Danışmanlar: PROF. DR. BURAK ACAR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 157
Özet
Endüstri $4.0$ üretimin güvenilirliğini ve kapasitesini artırmak için dijital dönüşümü hedeflemektedir. Sensör Analitiği (SA) ve Yapay Zeka'nın (AI) üretime entegrasyonu ile otomatikleştirilmiş ve optimize edilmiş süreçlerin tasarımı daha erişilebilir hale gelmektedir. AI araçlarının ve SA'nin kullanıldığı alanlardan biri ürünlerin kalite kontrol testleridir. Bu tezin ana hedefi, AI destekli bir sensör analitiği uygulaması örneği olarak Fırçasız DC motorların (BLDC) mekanik arızalarını bularak titreşim analizine dayalı kalite kontrol adımını otomatikleştirmektir. Ayrıca popüler makine öğrenimi modellerinin uygulanabilirliği ve değerlendirilmesi araştırılmıştır. Motorların kalitesini sınıflandırmak için iki mimari önerilmiştir. Bu yöntemler sAIQC, Tek Aşamalı Yapay Zeka Destekli Kalite Kontrol ve dAIQC, Çift Aşamalı Yapay Zeka Destekli Kalite Kontrol olarak adlandırılır. İlk yöntemde motorlar, sinyalin veri kalitesinden bağımsız olarak sağlıklı(geçti) veya hatalı(kaldı) olarak sınıflandırılır. Önerilen ikinci yöntem iki aşamadan oluşur. İlk aşamada veri kalitesine göre ikili bir sınıflandırma yapılır ve daha sonra ayrılan gruplar, ikinci aşamada geçti veya kaldı olarak iki bağımsız sınıflandırıcı kullanılarak sınıflandırılır. Her sınıfın ortalama doğruluğu olarak tanımlanan ağırlıksız doğruluk, sınıflandırıcıların performans metriği olarak kullanılır. 671 örnek içeren veri seti ile yapılan deneylerde, sAIQC methodunun performansı \%84,9 iken; dAIQC methodu ile bu performans \%92,9'a yükseltilmiştir. Ayrıca 25580 titreşim kaydından oluşan ve veri kalite etiketi olmayan büyük veri seti kullanılarak yapılan deneylerde SAIQC methodunun performansı 73,5\%'dir. Buna karşılık, dAIQC methodunun performansı 89,5\%'dir.
Özet (Çeviri)
Industry $4.0$ aims at the digital transformation to increase the reliability and capacity of production. With the integration of Sensor Analytics (SA) and Artificial Intelligence (AI) to manufacturing, the design of automated and optimized processes becomes more accessible. One of the areas where AI tools and SA are used is quality control tests of products. The main target of this thesis is to automate the quality control step based on vibration analysis by finding mechanical failures of Brushless Direct Current (BLDC) motors as an example of an AI-powered sensor analytics application. In addition, the feasibility and assessment of popular machine learning models are investigated. Two architectures are proposed to classify motors' quality. These methods are called sAIQC, Single-Stage AI-Powered Quality Control, and dAIQC, Double-Stage AI-Powered Quality Control. In the first method, motors are classified into healthy (pass) or faulty (fail), regardless of the data quality of the signal. The second proposed method is composed of two stages. The first stage makes a binary classification based on data quality, and then, the separated groups are classified at two independent classifiers in the second stage as pass or fail. Unweighted accuracy (UA), defined as the average accuracy of each class, is used as a performance metric of the classifiers. In experiments with the dataset containing 671 samples, the performance of sAIQC method was 84.9\%; this performance with the dAIQC method was increased to 92.9\%. Furthermore, in experiments using big data set consisting of 25580 vibration recordings and without a data quality label, the performance of the SAIQC method is 73.5\% percent. In contrast, the performance of the dAIQC method is 89.5\% percent.
Benzer Tezler
- 8 kazanlı bir ultrasonik temizleme sisteminin 2 eksenli robot ile tam otomatik kontrolü
Full automation of an 8 – tanked ultrasonic cleaning machine by using 2 – axes robot
MESUT KOCAMAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYHAN KURAL
- Yük-frekans kontrolunun incelenmesi
Başlık çevirisi yok
CANAN ZOBİ
Yüksek Lisans
Türkçe
1996
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiY.DOÇ.DR. AYŞEN DEMİRÖREN
- Titanyum kaynağı ve mekanik özellikler üzerine etkisinin incelenmesi
Titanium welding and investigation of effect on mechanical properties
MURAT SÖNMEZ
Yüksek Lisans
Türkçe
2019
Mühendislik Bilimleriİstanbul Gedik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ POLAT TOPUZ
- Geleneksel üretim sistemlerinden tam zamanında üretim sistemine dönüşümünün tasarlanmasında simülasyon yaklaşımı
Başlık çevirisi yok
TİJEN ERTAY
- Bilgisayar destekli kalite kontrol sistemleri
Computer aided quality control systems
ÖZGEN TURASI
Yüksek Lisans
Türkçe
1995
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. MURAT DİNÇMEN