Geri Dön

Model tabanlı kestirimci bakım ile kalan faydalı ömür tahmini

Estimation of remaining useful life with model based predictive maintenance

PDF İndir

  1. Tez No: 781232
  2. Yazar: ENGİN MÖNGÜ
  3. Danışmanlar: DOÇ. DR. HULUSİ GÜLSEÇEN
  4. Tez Türü: Doktora
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Enformatik Ana Bilim Dalı
  12. Bilim Dalı: Enformatik Bilim Dalı
  13. Sayfa Sayısı: 136

Özet

Asenkron motorlar basit yapıları, düşük maliyet ve bakım ihtiyaçları nedeniyle endüstride yaygın olarak kullanılan elektrik makinalarındandır. Fabrikalarda kullanılan makineler ne kadar problemsiz çalışırsa üretim de o kadar sağlıklı olur. Tüm makineler gibi asenkron motorlar da zamanla yaşlanma eğilimi gösterirler ve çeşitli arızalar oluşabilir. Üretimin aksamaması, zaman ve maliyet kaybı yaşanmaması için bu arızaların önceden öngörülebilmesi işletmeler açısından kritik öneme sahiptir. İşletme maliyetlerinin düşürülmesi, operasyonel güvenilirliğin artırılması ve müşteri memnuniyetinin iyileştirilmesi amacıyla motor çalışma ve sağlık durumunun sürekli izlenmesi ve gelişmekte olan arızaların daha büyük maliyetli ve yıkıcı hale gelmeden önce tespit edilmesi gittikçe önem kazanan ve gelişen bir teknoloji haline gelmiştir. Motorlar çeşitli nedenlerle arızalanabilmekle birlikte mekanik ve elektriksel olmak üzere arızalar iki sınıfa ayrılabilir. Yapılan farklı araştırmalarda motor arızaları içinde ilk sırayı rulman arızalarının aldığı gösterilmiştir. Dolayısıyla rulmanlar en kritik mekanik bileşenler arasındadır ve modern endüstri dönen makinelerinde geniş uygulama alanlarına sahiptir. Rulmanlar hareketli parçalar arasındaki sürtünmeyi azaltarak veya hareketi istenen yönde kısıtlayarak döner veya doğrusal hareketi kolaylaştırırlar. Genellikle aşırı yük, yüksek hız ve yetersiz yağlama gibi zorlu çalışma ortamlarına maruz kaldıklarından makinenin en savunmasız bileşenidirler. Bu tür çalışma koşulları altında belirli bir zaman sonra, artan boşluk, sürtünme kuvveti, aşırı ısınma, vb. nedenlerle performans düşüşü ve arızalar gelişebilir. Bu arızaların zamanında tespit edilmemesi ve uygun bakımlarının yapılmaması bozulmaya yol açabilir. Dolayısıyla ekipman üzerinde bazı teknik verilerin (mekanik titreşim, sıcaklık, elektriksel akım, yağ analizi, vb.) sürekli izlenmesi ve durum bazlı bakım senaryolarının uygulanması gereklidir. Durum bazlı bakım senaryoları temelde prognostik ve diagnostik olmak üzere iki kısımdan oluşmaktadır. Bunlardan prognostik, bozulmanın ilk başladığı andan itibaren arızanın ne zaman oluşacağını tahmin etmekle ilgilenirken, diagnostik ise arıza oluştuktan sonra arızanın tipi, nedeni ile ilgilenmektedir. Bu anlamda prognostik uygulamaları, kayıp oluşmaması ve verimlilik açılarından çok daha etkindir. Durum izleme verilerinin analiz yöntemleri kullanılan algoritma ve veri yapısına göre model tabanlı, veri tabanlı ve hibrit olmak üzere üçe ayrılırlar. Kestirimci bakımda sensörler kullanılarak ekipmanlardan elde edilen ölçümlerin analiz edilmesi ile ne zaman arıza oluşabileceği önceden tahmin edilmektedir. Kestirimci bakım herhangi bir ekipmanın sağlık durumunun doğru bir şekilde izlenmesi için birtakım teknikler tanımlamaktadır. Bu teknikler lokal veya bulut tabanlı çalışabilen, çeşitli veri analizi ve makine öğrenme algoritmaları içeren teknikler olup diğer bakım yöntemleri olan plansız bakım ve periyodik bakıma göre maliyet avantajı sağlamaktadır. Bu tez çalışmasında bir asenkron motora bağlanmış bir mil üzerine yerleştirilmiş ve aynı karakteristiğe sahip dört adet rulman üzerinden toplanan titreşim verilerinin analiz edilerek rulmanlarda ne zaman arıza oluşacağının önceden tahmin edilmesi üzerine bir prognostik model geliştirilmiştir. Çalışmada kullanılan veri seti Center for Intelligent Maintenance Systems (IMS), University of Cincinnati tarafından kurulan bir deney düzeneği ile toplanmış ve NASA-Prognostics Center of Excellence internet sitesinde araştırmacıların kullanımına açık olarak paylaşılmıştır. Testler sırasında arıza oluşturacak veya arıza oluşumunu hızlandırıcı herhangi bir ilave işlem uygulanmadan sabit hız ve yük altında mil döndürülerek rulmanların doğal yaşlanma ve arıza oluşma süreçleri beklenmiştir. Mil üzerinde aynı teknik özelliklere sahip dört adet rulman birlikte teste başlamış ve herhangi birinde arıza oluştuğunda test sonlandırılmıştır. Yenilenen rulmanlar ile bu şekilde üç tur test yapılmış ve her seferinde sonunda arıza oluşan üç veri seti paylaşılmıştır. Hangi rulmanda ne arızası oluştuğu bilgisi de veri sahipleri tarafından paylaşılmıştır. Titreşim verileri doğal olarak gürültü içerdiğinden öncelikle gürültü azaltma işleminden geçirilmiştir. Ardından titreşim sinyallerinin durağan olmayan yapısı nedeniyle zaman ve frekans bilgilerini aynı anda elde etmek için literatürde yaygın olarak kullanılan ayrık dalgacık dönüşümü uygulanmıştır. Dalgacık dönüşümü sonrasında zaman ve frekans domeninde çeşitli öznitelikler hesaplanarak öznitelik tablosu oluşturulmuştur. Tablodaki verilerin belli bir kısmı eğitim verisi olarak kabul edilerek, bu veriler üzerinden monotonluk seviyelerine göre belli sayıda öznitelik seçilmiştir. Bir sonraki veri işleme adımı olarak, seçilen özniteliklere temel bileşenler analizi (PCA) uygulanmış ve rulmanın yaşlanmaya bağlı sağlık durumunu gösteren tek bir büyüklük (sağlık göstergesi) elde edilmiştir. Sağlık göstergesi verisi üzerinde yumuşatma, tahmin başlatma noktası bulma gibi birtakım veri işleme adımları uygulanmış ve işlenmiş sağlık göstergesi verisi üstel bozulma modelinin girişi olarak uygulanmıştır. Varsayılan başlangıç parametreleri ile çalıştırılan model her bir test veri noktası geldiğinde elde edilen çıktı tahmini kalan faydalı ömür bilgisini vermektedir. Geliştirilen prognostik model birinci ve ikinci veri setlerine uygulanmış ve performans ölçümü için α-λ grafiği ile KBD (kümülatif bağıl doğruluk) metrikleri kullanılmıştır. KBD değeri birinci veri seti için 0,74 ve ikinci veri seti içinse 0,85 olarak hesaplanmış olup bu performans değerlerinin bu uygulama için yeterli olduğu ve rulmanların kalan faydalı ömür tahmininin başarılı bir şekilde yapılabildiği görülmüştür. Ayrıca diagnostik çalışması da yapılarak zarf analizi tekniği ile deney sonucunda oluştuğu belirtilen arızaların varlığı gösterilmiştir. Çalışmada uygulanan algoritma ve elde edilen model benzer veri yapısına sahip farklı ekipmanlar için de kullanılabilir durumdadır. Veri işleme adımlarında uygulanan yöntemler, seçilen parametreler ve bazı kabuller iteratif bir şekilde değiştirilerek modelin performansı test edilebilir ve artırılabilir.

Özet (Çeviri)

Asynchronous motors are widely used in factories due to their several advantages. The healthy continuation of production in enterprises depends on the proper functioning of the devices. Like all equipment, asynchronous motors tend to age over time and various malfunctions may occur. It is critical for businesses to predict these failures in order to prevent production downtime and loss of time and cost. In order to decrease operational expenses, increase operational reliability and end user satisfaction, continuous monitoring of engine operation and health status and detection of developing malfunctions before they become more costly and destructive has become an increasingly important and developing technology. Motor faults can be basically divided into two categories, electrical and mechanical faults. In different studies, it has been shown that bearing failures take the first place among motor failures. Therefore, bearings are among the most critical mechanical components and have wide applications in modern industrial rotating machinery. Bearings function to reduce friction between mechanical components or limit movement in the preferred direction. They generally function in harsh operating environments such as overload, high speed and insufficient lubrication. After a certain period under these circumstances, clearance, frictional force, overheating, etc. performance decrease and failures may develop due to reasons. Failure to detect these faults in a timely manner and to perform proper maintenance may cause to failure. So, it is necessary to constantly monitor some technical data (mechanical vibration, temperature, electrical current, oil analysis, etc.) on the equipment and to apply condition-based maintenance scenarios. Condition-based maintenance scenarios basically consist of two parts, prognostic and diagnostic. Prognostics is concerned with estimating when the fault will occur from the moment the deterioration first started, while diagnostics is concerned with the type and cause of the fault after it has occurred. In this sense, prognostic applications are much more effective in terms of no loss and efficiency. The methods used for the analysis of condition monitoring data are basically classified into three categories. These are data based, model based and hybrid approaches that can be considered a combination of these two. The purpose of predictive maintenance is to predict the failure that will occur, with a high accuracy and sufficiently in advance, when the failure may occur after processing the physical data received from the machinery or equipment via sensors. Predictive maintenance describes a number of techniques for accurately monitoring the health status of any equipment. These techniques, which can work locally or cloud-based, include various data analysis and machine learning algorithms, provide a cost advantage over other maintenance methods such as reactive or periodic maintenance. In this study, an algorithm has been developed to predict when a failure will occur in the bearings by analyzing the vibration signal measured from the identical bearings placed on a shaft connected to an induction motor. The data set originally belongs to Center for Intelligent Maintenance Systems (IMS), University of Cincinnati, and shared openly for the use of researchers on the NASA-Prognostics Center of Excellence website. During the tests, the natural aging and failure processes of the bearings were examined by rotating the shaft under constant speed and load without applying any additional processes that would cause failure or accelerate the occurrence of failure. Four bearings with the same technical specifications on the shaft started the test together and the test was terminated when any of them failed. Three rounds of testing were carried out in this way with the renewed bearings, and three datasets were shared, each one eventually resulting in failure. The information on which bearing and what failure occurred was also shared by the data owners. Since vibration data naturally contains noise, it was first subjected to noise reduction. Then, discrete wavelet transform has been applied to obtain some features which are characterizing the original vibration signal which is non-stationary. After this process, various frequency and time domain features are extracted and a feature table was created. A certain part of the data in the table is accepted as training data, and a certain number of features were selected according to the monotonicity levels over these data. As the next data processing step, principal components analysis (PCA) was applied to the selected features and a single health indicator was obtained that indicates the aging-related health status of the bearing. Some data processing steps such as smoothing and finding the TSP (time to start prediction) point were applied on the health indicator data, and the final health indicator data was applied to exponential degradation model. The model run with the default initial parameters gives the estimated remaining useful life information obtained when each test data point arrives. The developed prognostic model was applied to the first and second data sets, and α-λ graph and CRA (cumulative relative accuracy) metrics were used for performance evaluation. The CRA value was calculated as 0.74 for the first data set and 0.85 for the second data set, and it was seen that these performance values were sufficient for this application and the remaining useful life of the bearings could be estimated successfully. In addition, the presence of faults were shown by performing a diagnostic study and using the envelope analysis technique. The algorithm applied in the study and the model obtained can be used for other equipment with similar data structures. The accuracy of the algorithm may be tested and increased by iteratively changing the methods applied in the data processing steps, selected parameters and some assumptions.

Benzer Tezler

  1. Tez No

    810905

    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

    Türkçe

    2023

    Makine MühendisliğiRecep Tayyip Erdoğan Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ERKAN CANER ÖZKAT

  2. Tez No

    816994

    Turbofan uçak motoru ve rulman verilerinde kaskat derin öğrenme modelleriyle kestirimci

    Predictive maintenance on turbofan aircraft engine and bearing data with cascade deep learning models

    ADEM AVCI

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiBursa Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. NURETTİN ACIR

    PROF. DR. HAKAN GÜRKAN

  3. Tez No

    832378

    Edge computing-based predictive maintenance middleware for industrial IoT

    Endüstriyel nesnelerin interneti için kenar bilişim tabanlı kestirimci bakım modeli

    BLESSING NGONIDZASHE MUSUNGATE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET TUNCAY ERCAN

  4. Tez No

    398101

    A learning-based method for detecting defective classes in object-oriented systems

    Nesneye dayalı yazılımlarda hatalı sınıfların öğrenme temelli yöntemle belirlenmesi

    ÇAĞIL BİRAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FEZA BUZLUCA

  5. Tez No

    766989

    Kestirimci bakım sistemlerinde veri artırma yöntemlerinin geliştirilmesi ve bir uygulaması

    Development of data augmentation methods for predictive maintenance systems and an application

    SENA KALAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EYÜP ÇİNAR

    PROF. DR. İNCİ SARIÇİÇEK

Geri Dön