Makine öğrenmesi yöntemi ile yuvarlanmalı yataklarda titreşim-zaman analizi kullanarak arıza tespiti
Vibration-time analysis for fault detection in rolling bearings using machine learning methods
- Tez No: 861012
- Danışmanlar: PROF. DR. FEVZİ BEDİR
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Savunma ve Savunma Teknolojileri, Mechanical Engineering, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Savunma Teknolojileri Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Bu çalışmada, rulman arızalarının erken tespiti için iki farklı yaklaşım olan Evrişimli Sinir Ağları (CNN) tabanlı bir yöntem ile Uzun Kısa Süreli Bellek (LSTM) ve otoenkoder hibrit modeli kullanılmıştır. Rulman arızaları, endüstriyel sistemlerde sıklıkla karşılaşılan ve önemli maliyetlere yol açabilen sorunlardan biridir. Çalışmanın amacı, rulman arızalarını erken teşhis etmek için farklı yöntemleri bir araya getirerek endüstriyel sistemlerde arıza tespit süreçlerinin iyileştirilmesine ve maliyetlerin azaltılması süreçlerine katkı sağlamaktır. İlk yaklaşımda, titreşim sinyallerinin zaman-frekans temsillerini elde etmek için Kısa Süreli Fourier Dönüşümü (STFT) yöntemi kullanılmıştır. STFT, belirli bir zaman aralığı içindeki frekansların dağılımını gösterir ve titreşim sinyallerinin nasıl değiştiğini ayrıntılı bir şekilde incelememizi sağlar. Elde edilen bu zaman-frekans temsilleri daha sonra CNN ile işlenerek rulman arızalarının tespitinde kullanılmıştır. Diğer yaklaşımda ise, LSTM ve otoenkoder modellerini birleştirerek zaman serisi verilerinin işlenmesi yöntemi kullanılmıştır. Zaman serisi verileri Hızlı Fourier Dönüşümü (FFT) ile frekans bileşenlerine dönüştürülerek, verinin frekans alanındaki temsilleri elde edilir. LSTM, zaman bağımlılıklarını modellerken otoenkoder, veriye gizli bir temsil oluşturur ve bu temsilin gerçek veriyle karşılaştırılmasıyla anormallikleri tespit eder. Mevcut literatür araştırması yapılarak benzer çalışmalar incelenmiştir. Materyal ve yöntem bölümünde, kullanılan veri seti ve veri ön işleme adımları detaylı olarak açıklanmıştır. Çalışmada kullanılan modellerinin nasıl yapılandırıldığı ve eğitildiği detaylandırılmıştır. Bulgular bölümünde, geliştirilen yöntemlerin performansı ele alınmıştır. CNN tabanlı yaklaşım %90 doğruluk oranına ulaşmıştır. LSTM ve otoenkoder tabanlı model ise anomali tespitinde %98 F1 skoru ile yüksek bir başarı elde etmiştir. Sonuçlar ve öneriler bölümünde, elde edilen sonuçlar değerlendirilmiş ve çalışmanın sınırlamaları tartışılmıştır.
Özet (Çeviri)
This study focuses two different approaches for early detection of bearing faults, namely a Convolutional Neural Network (CNN)-based method and a hybrid model combining Long Short-Term Memory (LSTM) and autoencoder. Bearing faults are common and costly issues in industrial systems. The main goal of this study is to improve fault detection processes and reduce costs in industrial systems by combining various methods for early diagnosis. The first approach uses the Short-Time Fourier Transform (STFT) to obtain time-frequency representations of vibration signals. STFT reveals the frequency distribution within specific time intervals, allowing for a detailed examination of variations in vibration signals. These time-frequency representations are then processed by CNN for fault detection. In the second approach, LSTM and autoencoder models are combined to process time series data. Time series data is transformed into frequency components using Fast Fourier Transform (FFT), and representations of the data in the frequency domain are obtained. The study conducts a thorough review of existing literature and analyzes similar research. The materials and methods section provides detailed explanations regarding the dataset and data preprocessing steps, as well as how the models are configured and trained. The results section assesses the performance of the developed methods. The CNN-based approach achieves an accuracy rate of 90%. The LSTM and autoencoder-based model achieves a remarkable success with a 98% F1 score in anomaly detection. The conclusion and recommendations section evaluates the outcomes, discusses the study's limitations, and provides suggestions for future research.
Benzer Tezler
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- NASA rulman verisetiyle gelişmiş derin transfer öğrenme yöntemleri kullanarak rulman hatalarının etkin tespiti
Effective detection of bearing errors using advanced deep transfer learning methods with NASA bearing dataset
MERT ÇELTİKOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Uludağ ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR KIRCI
- Quadcopter trajectory tracking control using reinforcement learning
Pekiştirmeli öğrenme ile quadcopter yörünge takibi kontrolü
MUSTAFA ERDEM
Yüksek Lisans
İngilizce
2019
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİNÇ ALTUĞ
- Makine öğrenmesi yöntemi ile fonksiyonel derecelendirilmiş tabakalardaki temas problemi analizi
Contact problem analysis in functionally graded layers with machine learning method
MUHAMMED TAHA POLAT
Yüksek Lisans
Türkçe
2023
İnşaat MühendisliğiMunzur Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER POLAT
- Makine öğrenmesi yöntemi ile eğitim başarısının tahmini modeli
A predictional model of educational success with the machine learning method
DENİZ ZİLYAS
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL BEYKENT ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATINÇ YILMAZ