Elektrik motorlarında kestirimci bakım için uç hesaplama ve dijital ikiz destekli test ortamı ve yapay zeka modeli
Artificial intelligence model and test environment for predictive maintenance in electric motors with edge computing and digital twin enabled
- Tez No: 845832
- Danışmanlar: DR. ÖĞR. ÜYESİ ENİS KARAARSLAN, DOÇ. DR. MOHARRAM CHALLENGER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Makine Mühendisliği, Computer Engineering and Computer Science and Control, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Endüstriyel tesislerde makina ve teçhizatlarda yaşanabilecek olumsuzluklar, zaman ve maddi kayıplara sebep olmaktadır. Bu tür arızaları önceden tahmin etmek ve önlem almak için kestirimci bakım süreçleri gereklidir. Bu çalışmada, endüstriyel motorların kestirimci bakım süreçlerinin otonom ve etkin bir şekilde gerçekleştirilmesi için uç bilişim ile dijital ikiz yapılarının birlikte çalıştığı bir model önerilmiştir. Bu model üç kısımdan oluşmaktadır. İlk kısımda motor test ortamı için özgün bir kit geliştirilmiştir. Burada bir elektrik motoruna yerleştirilen ivme ölçer sensör kiti aracılığıyla titreşim verileri toplanmıştır. Bu test kitinin araştırma ve eğitim amacıyla da kullanılabilmesi mümkün olduğundan GitHub sayfasında kendin yap talimatları da verilmiştir. İkinci kısımda uç hesaplama, kablosuz iletişim ve dijital ikiz prototipi öğeleri bulunmaktadır. Üçüncü kısımda ise dijital ikiz çalışmalarına destek olacak şekilde makine öğrenmesi ve federe öğrenme teknikleri üzerine çalışılmaktadır. Test ortamından elde edilen veriler, uç hesaplama için tercih edilen Raspberry Pi cihazına ve MSKÜ Metaverse laboratuvarındaki sunucuya aktarılmıştır. Sunucuda bulunan sınıflandırma modeli, toplanan verilerle eğitilmiştir. Federe öğrenme tekniğiyle bu modelin parametreleri uç hesaplama cihazına iletilmiştir. Bu cihaz üzerindeki model, hem federe öğrenmeyle gelen parametrelerle hem de sensörden gelen canlı veriyle güncellenmektedir. Güncellenen model daha sonra sunucuya tekrar federe öğrenme yoluyla iletilmektedir. Bu sürecin ardından güncellenmiş model Antwerp Üniversitesi MICSS-Lab'da bulunan sunucuya iletilerek ortak bir dijital ikiz yapısının temelinin oluşturulması hedeflemiştir. Araştırmada, makine öğrenmesi algoritmalarından biri olan Rastgele Orman algoritması kullanılmıştır. Sensör verisiyle çalışıldığı için gelen gürültülü verinin temizlenmesi amacıyla filtreleme işlemi uygulanmıştır. Sinyal işleme aşamasında Hareket Ortalama Filtresi model başarısını artırmak için uygulanmış ve Rastgele Orman Algoritması ile elde edilen başarı yüzdesini artırmıştır. Filtredeki optimizasyonu ile model başarısının yüzde 89'a çıktığı gözlemlenmiştir. Bu çalışmada kestirimci bakım için sensör verilerini kullanarak ekipman arızalarını tahmin etmede uç hesaplama, dijital ikiz yapılarının ve federe öğrenmenin etkin bir şekilde kullanılabileceğine dair kavram kanıtı uygulaması başarıyla gerçekleştirilmiştir. Kestirimci bakım süreçlerinde farklı sensörlerin de sisteme eklenmesi ve dijital ikiz destekli federe öğrenme çalışmalarına devam edilmesi hedeflenmektedir
Özet (Çeviri)
In industrial facilities, the negativities that may occur in machinery and equipment cause time and material losses. Predictive maintenance processes are necessary to predict such failures and take precautions. In this study, a model in which edge computing and digital twin structures work together is proposed for the autonomous and efficient realization of predictive maintenance processes of industrial engines. This model consists of three parts. In the first part, a unique kit has been developed for the motor test environment. Here, vibration data is collected through an accelerometer sensor kit placed on an electric motor. Since this test kit can also be used for research and education purposes, Do-It-Yourself instructions are provided on the GitHub page. The second part includes elements of edge computing, wireless communication and the digital twin prototype. In the third part, machine learning and federated learning techniques are studied to support the digital twin work. The data obtained from the test environment was transferred to the Raspberry Pi device preferred for edge computing and to the server in the MSKU Metaverse laboratory. The classification model on the server was trained with the collected data. Using the federated learning technique, the parameters of this model were transmitted to the edge computing device. The model on this device is updated with both parameters from federated learning and live data from the sensor. The updated model is then transmitted to the server again via federated learning. After this process, the updated model is transmitted to the server located in the MICSS-Lab at the University of Antwerp to form the basis of a common digital twin structure. Random Forest algorithm, one of the machine learning algorithms, was used in the research. Since it works with sensor data, a filtering process was applied to clean the noisy incoming data. In the signal processing stage, the Motion Average Filter was applied to increase the model success and increased the success percentage obtained with the Random Forest Algorithm. With the optimization in the filter, it was observed that the model success increased to 89 percent. In this study, a proof-of-concept application of edge computing, digital twin structures and federated learning in predicting equipment failures using sensor data for predictive maintenance was successfully realized. It is aimed to add different sensors to the system in predictive maintenance processes and to continue digital twin supported federated learning studies.
Benzer Tezler
- On steady-state performance estimation of three-phase induction motors
Üç fazlı asenkron motorların sürekli-hal performans kestirimi
RAMI AL SAMARAAE
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR ÜSTÜN
- Ekipmanlarda kestirimci bakım teknolojilerinin araştırılması ve seçilen bir yöntemin uygulandığı sanayi tesisinde elde edilen neticelerin irdelenmesi
Investigation of predictive maintenance technology in equipment and being examined of results obtained in an industry facility where a selected process is applied
ABDÜLSAMED TABAK
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiEnerji Sistemleri Ana Bilim Dalı
DOÇ. DR. MEHMET ÖZKAYMAK
- Sürekli mıknatıslı senkron motorda algılayıcısız kontrol yöntemini geliştirmeye katkılar
Contributions to improve the method of sensorless control of PMSM
GÖKHAN ALTINTAŞ
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. DERYA AHMET KOCABAŞ
- Condition monitoring and fault detection for induction motors by spectral trending and stationary wavelet analysis
Spektral trend ve durağan dalgacık dönüşümü yardımıyla durum izleme ve arıza tanısı
DUYGU BAYRAM
Doktora
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Sensorless speed control of a PM assisted synchronous reluctance motor from zero to rated speed
DM destekli bir senkron relüktans motorun sıfırdan anma hızına kadar algılayıcısız hız kontrolü
KADİR AKGÜL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. LALE ERGENE