Geri Dön

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

PDF İndir

  1. Tez No: 810905
  2. Yazar: ENİS KALCIOĞLU
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ERKAN CANER ÖZKAT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Makine Mühendisliği, Mekatronik Mühendisliği, Mechanical Engineering, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Recep Tayyip Erdoğan Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Makine Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 95

Özet

Kestirimci bakım, ekipmanlardan elde edilen ölçümlerin sensörler aracılığıyla analiz edilerek arızaların önceden tahmin edilmesini sağlayan bir yöntemdir. Bu bakım yöntemi, doğru bir şekilde ekipmanların sağlık durumunun izlenmesi için çeşitli teknikler içermektedir. Bu teknikler, lokal veya bulut tabanlı olarak çalışabilen, veri analizi ve makine öğrenme algoritmalarını içeren yöntemlerdir. Kestirimci bakım, plansız bakım ve periyodik bakıma göre maliyet avantajı sağlamaktadır. Asansörler, modern toplumun vazgeçilmez bir parçasıdır ve güvenli ve kesintisiz çalışmaları büyük önem taşımaktadır. Ancak, beklenmedik arızalar ve kesintiler, kullanıcı güvenliğini tehlikeye atmaktadır ve işletme sahiplerine büyük mali kayıplar yaşatabilmektedir. Rulmanlar, asansörlerde en sık arızalanan ekipmanlardan biridir. Rulmanlar, hareketli parçalar arasındaki sürtünmeyi azaltarak veya hareketin istenen yönde kısıtlanmasını sağlayarak döner veya doğrusal hareketi kolaylaştıran bileşenlerdir. Zorlu çalışma koşullarına maruz kaldıklarından dolayı aşırı yük, yüksek hız ve yetersiz yağlama gibi faktörlerle karşılaşırlar. Bu koşullar altında, zamanla artan boşluk, sürtünme kuvveti ve aşırı ısınma gibi etkenlerle performans düşüklüğü ve arızalar meydana gelebilir. Bu arızaların zamanında tespit edilmemesi ve uygun bakımlarının yapılmaması, rulmanların bozulmasına yol açabilir. Bu tez çalışmasında, bir asenkron motorun miline bağlı beş adet aynı karakteristiğe sahip rulman üzerinden elde edilen titreşim verilerinin analizi ile rulmanlarda oluşabilecek arızaların önceden tahmin edilmesi için bir kestirimci bakım modeli geliştirilmiştir. Bu çalışmada, rulman bozulmasıyla ilgili veri seti, araştırmacılara açık kaynak olarak sunulan“Biao Wang, Yaguo Lei, Naipeng Li, Ningbo Li, A Hybrid Prognostics Approach for Estimating Remaining Useful Life of Rolling Element Bearings, IEEE Transactions on Reliability, vol. 69, no. 1, pp. 401-412, 2020”çalışmasından alınmıştır. Bu çalışmada, rulmanlardan elde edilen titreşim sinyalleri zaman alanından frekans alanına Hızlı Fourier Dönüşümü ve frekans alanından da zaman-frekans alanına Dalgacık Dönüşümü yöntemleriyle işlenmiştir. Zaman alanında Ortalama, Standart Sapma, RMS, Pik-Pik, Kurtosis ve Crest Faktörü gibi öznitelikler hesaplanmıştır. Frekans alanında ise Tepe Frekansı özelliği kullanılmıştır. Ayrıca, zaman-frekans alanında Ortalama Tepe Frekansı özelliği elde edilmiştir. Daha sonra, monotonluk seviyelerine göre seçilen belirli sayıda öznitelik, temel bileşen analizi kullanılarak bir sağlık göstergesi olarak birleştirilmiştir. Bu sağlık göstergesi, rulmanın sağlık durumunu tek bir değerle göstermektedir. Son olarak, bu sağlık göstergesi kullanılarak verifikasyon veri setinde rulmanların kalan faydalı ömürleri tahmin edilmiştir. Bu çalışma, asansörlerdeki rulman arızalarının önceden tahmin edilmesi için kestirimci bakım yöntemlerinin kullanılmasını amaçlamaktadır. Elde edilen sonuçlar, asansörlerin bakım süreçlerini optimize etmek, beklenmedik arızaları önlemek ve işletme maliyetlerini düşürmek için önemli bir adım olabilir. Ayrıca, bu çalışma, veri analizi ve makine öğrenme tekniklerinin endüstriyel uygulamalarda nasıl kullanılabileceğini gösteren bir örnek olarak da hizmet edebilir.

Özet (Çeviri)

Predictive maintenance is a method that enables the early prediction of failures by analyzing measurements obtained from equipment through sensors. This maintenance approach involves various techniques for accurately monitoring the health condition of equipment. These techniques encompass methods that can operate locally or in cloud-based environments and incorporate data analysis and machine learning algorithms. Predictive maintenance offers cost advantages compared to unplanned and periodic maintenance. Elevators are an indispensable part of modern society, and their safe and uninterrupted operation is of great importance. However, unexpected failures and interruptions jeopardize user safety and can lead to significant financial losses for business owners. Bearings are one of the most frequently malfunctioning components in elevators. Bearings are components that reduce friction between moving parts or facilitate rotational or linear movement by restricting motion in the desired direction. They are exposed to challenging operating conditions such as excessive loads, high speeds, and inadequate lubrication. Under these conditions, factors such as increased clearance, friction force, and excessive heating can result in performance degradation and failures. Failure to detect these failures in a timely manner and neglecting proper maintenance can lead to bearing deterioration. In this thesis study, a predictive maintenance model has been developed to predict potential failures in bearings by analyzing vibration data obtained from five bearings with the same characteristics attached to the shaft of an asynchronous motor. The dataset related to bearing failures was obtained from the study titled“A Hybrid Prognostics Approach for Estimating Remaining Useful Life of Rolling Element Bearings”by Biao Wang, Yaguo Lei, Naipeng Li, Ningbo Li, published in IEEE Transactions on Reliability, vol. 69, no. 1, pp. 401-412, 2020", which is openly available to researchers. The vibration signals obtained from bearings were processed using Fast Fourier Transform from the time domain to the frequency domain and Wavelet Transform from the frequency domain to the time-frequency domain in the study. In the time domain, features such as mean, standard deviation, RMS, peak-to-peak, kurtosis, and crest factor were calculated. The peak frequency feature was utilized in the frequency domain. Additionally, the average peak frequency feature was obtained in the time-frequency domain. Subsequently, a selected number of features based on monotonicity levels were combined as a health indicator using principal component analysis. This health indicator represents the health condition of the bearing with a single value. Finally, using this health indicator, the remaining useful life of bearings was predicted in the verification dataset. This study aims to employ predictive maintenance methods for the early prediction of bearing failures in elevators. The obtained results could be a significant step towards optimizing elevator maintenance processes, preventing unexpected failures, and reducing operational costs. Furthermore, this study can serve as an example demonstrating the application of data analysis and machine learning techniques in industrial settings.

Benzer Tezler

  1. Tez No

    781232

    Model tabanlı kestirimci bakım ile kalan faydalı ömür tahmini

    Estimation of remaining useful life with model based predictive maintenance

    ENGİN MÖNGÜ

    Doktora

    Türkçe

    Türkçe

    2022

    Mühendislik Bilimleriİstanbul Üniversitesi

    Enformatik Ana Bilim Dalı

    DOÇ. DR. HULUSİ GÜLSEÇEN

  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

    610108

    Time series analysis with deep learning approaches for industry 4.0

    Endüstri 4.0 için derin öğrenme yaklaşımlarıyla zaman serisi analizi

    CEREN NUR BAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZLEM DURMAZ İNCEL

  4. Tez No

    812956

    The historical authenticity of the American civil war in the fim adaptation of Margaret Mitchell's Gone With The Wind

    Margaret Mitchell'in Gone With The Wind romanının film uyarlamasında Amerikan iç savaşının tarihi gerçekliği

    NURŞAH BAŞARAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    İngiliz Dili ve EdebiyatıSelçuk Üniversitesi

    İngiliz Dili ve Edebiyatı Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN ALTINDİŞ

  5. Tez No

    521614

    Rulman çeliklerinde tam ve kısmi östenitlemenin karbür oluşumuna etkisinin incelenmesi

    Investigation of effect of full and partial austenitization on carbide formation in bearing steels

    AHMET EFE GEZMİŞOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Metalurji MühendisliğiKocaeli Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERSOY ERİŞİR

Geri Dön