Geri Dön

Rulman titreşim verilerinden derin öğrenme tabanlı hata tespiti

Deep learning based fault detection from bearing vibration data

  1. Tez No: 856460
  2. Yazar: MURAT BALTA
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ENGİN OĞUZAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Maltepe Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. 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

  1. 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

  2. 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

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLHAN AYDIN

  3. 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

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMRE DANDIL

  4. Rulman hatalarının titreşim izleme metodu ile analizi

    The Analyses of bearing failures with vibration monitoring method

    MUZAFFER ERDAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2002

    Makine MühendisliğiKırıkkale Üniversitesi

    Makine Ana Bilim Dalı

    PROF. DR. VELİ ÇELİK

  5. 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

    Türkçe

    2014

    Mekatronik MühendisliğiMarmara Üniversitesi

    Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ONAT

    PROF. DR. HALUK KÜÇÜK