Rulman titreşim verilerinden derin öğrenme tabanlı hata tespiti
Deep learning based fault detection from bearing vibration data
- Tez No: 856460
- Danışmanlar: DR. ÖĞR. ÜYESİ ENGİN OĞUZAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Maltepe Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 75
Özet
Rulman titreşim analizi makinenin mekaniksel sağlığı hakkında bilgi verebilmektedir. Bu çalışmada endüstride kullanılan motorlu mekaniklerin arıza tespiti bulmak ve iş üretimi verimini artırmak için 1-Boyutlu ve 2-Boyutlu veri uzayında derin öğrenme yaklaşımları makine sağlığı için entegre edilmiştir. Uygulama kısmında geniş kapsamlı olan Case Western Reserve University (CWRU) rulman veri seti üzerinde toplamda 10 farklı sınıf üzerinden çalışılmıştır. Toplamda dış bilezik, bilye ve iç bilezik olarak 3 farklı hata ve bir sağlıklı sınıf mevcuttur. Rulman titreşim sinyali dört şekilde ele alınmış; orijinal titreşim verisini kullanmak, orijinal veriden öznitelikler çıkarmak, orijinal veriye STFT uygulanmak ve yine STFT uygulanmış veriden öznitelikler çıkartmak. Makine öğrenmesi yaklaşımlarımdan KNN, SVM, MLP, RF, GBC ve 1D WDCNN 1-B veri üzerinde uygulanmıştır. Ayrıca 2-B veri uzayında STFT dönüşümü uygulanarak EfficientNetB0, EfficientNetB1, ResNet18 ve 2D WDCNN için farklı istatiksel metrikler ile performans ölçümü yapılmıştır. 2B uzayında derin öğrenme yöntemleri ile 100% doğrulukla hata tespiti yapılmıştır.
Özet (Çeviri)
Analysis of bearing vibrations can provide information on the overall health of a machine's mechanical components. In this study, deep learning algorithms were integrated in both 1-D and 2-D data spaces to detect defects in motor mechanics commonly utilized in industry, and to increase production efficiency. Ten different classes were studied using the popular and comprehensive Case Western Reserve University (CWRU) bearing dataset, which includes three types of faults - the outer race, the ball, and the inner race - as well as a healthy class. The bearing vibration signal was handled in four ways: using the original vibration data, extracting features from the original data, applying STFT to the original data, and extracting features from the STFT-applied data. Machine learning approaches such as KNN, SVM, MLP, RF, GBC and 1D WDCNN were applied to the 1-D data. Additionally, STFT transformation was applied in the 2-D data space, and performance measurements were made with different statistical metrics using EfficientNetB0, EfficientNetB1, ResNet18, and 2D WDCNN. In the 2-D space, deep learning methods achieved 100% accuracy.
Benzer Tezler
- 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
2023
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NURETTİN ACIR
PROF. DR. HAKAN GÜRKAN
- Endüstri 4.0 için derin öğrenme kullanan durum izleme ve kestirimci bakım yöntemlerinin geliştirilmesi
Development of condition monitoring and predictive maintenance methods using deep learning for industry 4.0
SEYFULLAH KANER
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN
- Asenkron motor rulman hatalarının uzun-kısa süreli bellek tipi derin sinir ağları ile sınıflandırılması
Classification of induction motor bearing faults using long-short term memory deep neural networks
RUMEYSA HACER KILIÇ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Rulman hatalarının titreşim izleme metodu ile analizi
The Analyses of bearing failures with vibration monitoring method
MUZAFFER ERDAL
Yüksek Lisans
Türkçe
2002
Makine MühendisliğiKırıkkale ÜniversitesiMakine Ana Bilim Dalı
PROF. DR. VELİ ÇELİK
- Sinyal işleme ve genetik-yapay sinir ağları ile rulman arızalarının teşhisi
Diagnosis of bearing faults by signal process and genetic-neural network
MUHAMMET ÜNAL
Doktora
Türkçe
2014
Mekatronik MühendisliğiMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. MUSTAFA ONAT
PROF. DR. HALUK KÜÇÜK