Neuro classifiers for condition and bearing health assessment of an electric motor
Elektrik makinasında durum ve rulman sağlığı değerlendirmesi için nöro sınıflandırıcılar
- Tez No: 884109
- Danışmanlar: DR. ÖĞR. ÜYESİ DUYGU BAYRAM KARA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Elektrik motorlarının durum izleme ve bakım uygulamaları son zamanlarda çoğu endüstriyel sürecin merkezini oluşturmuştur. Endüstride en çok kullanılan motor tipi olan Asenkron motorlar ise sağlamlıkları, basitlikleri ve güvenilirlikleri nedeniyle çeşitli motor türleri arasında yaygın olarak tercih edilmektedirler. Günümüz mühendislik uygulamalarında güvenilirlik çok önemli bir yere sahiptir. Güvenilirliği sağlamak ise sistem sürekliliğini, bütünlüğünü ve güvenliğini artırmak için güç sistemlerinde herhangi bir olası tahribatı veya arızayı önlemeyi gerektirmektedir. Bu sebeple asenkron makinelerin, durum izlemesi ve hata analizi konuları son zamanlarda çok ilgi çekmektedir. Bu nedenle, birçok araştırmacı asenkron makinalardaki farklı arıza türlerini araştırmaya ve tespit etmeye odaklanmıştır. Bu alanda yayınlanmış çalışmalara dayandırılmış derleme makale çalışmaları literatürde mevcuttur. Bu derleme makalelerin en önde geleninden elde edilen bilgilere göre; rulman arızaları, sargı arızaları ve rotorla ilgili arızaların yaklaşık oranları sırasıyla yaklaşık %40, %30 ve %9 şeklindedir. Diğer derleme makalelerin sonuçlarına göre de rulman arızalarının asenkron makinalarda en olası arızalar olduğu sonucuna varılmaktadır. Bu nedenle, bir asenkron makinada rulman bozulmalarını en erken aşamalarında tespit etmek için bir durum izleme tekniği hayati önem taşır. Bu sayede motorun performansı izlenerek makinanın mevcut durumu hakkında doğru ve nicel bilgiler bulunabilir. Asenkron makinalarda çeşitli arızaları ve bunlarla ilişkili karakteristik frekansları teşhis etmek için çok sayıda durum izleme ve arıza tespit tekniği vardır. Bununla birlikte, bir makinanın genel durumunu gösteren yaşlanma seviyelerinin izlenmesi çok fazla dikkate alınmaz. Aslında yaşlanma, makinalardaki çeşitli hatalardan kaynaklanan kademeli ve ilerleyici bir süreçtir. Bir asenkron makinada yaşlanmaya katkıda bulunan temel hata modu olasılıksal olarak rulman arızaları olarak sayılabilir. Bu nedenle, bir asenkron makinanın genel durumunun yanı sıra, rulmanının sağlık durumu da bu çalışmada sınıflandırılmıştır. Literatürdeki durum izleme ve hata belirleme çalışmaları model ve sinyal tabanlı olarak gerçekleştirilebilmektedir. Model tabanlı yaklaşımlar son derece pratik ve görece basit olmakla beraber genelleştirmeye uygun değillerdir. Bir başka deyişle model, ait olduğu sistemle ilgili doğru bilgiyi sağlayabilirken başka sistemlerde doğru çalışmayabilmektedir. Öte yandan sinyal tabanlı çalışmalarda tamamen sinyalin istatistiksel, spektral ve zaman – frekans özelliklerine dayalı yöntemler önerilmektedir. Bu yöntemler makina tipinden bağımsız olarak bir tutarlılık teşkil ederler. Bu anlamda sinyal tanablı durum izleme ve hata analizi yöntemleri daha genelleştirilebilir niteliktedir. Elektrik motorlarından durum izleme ve arıza tespiti amacıyla, akım, gerilim, titreşim, ses ve moment gibi farklı tiplerde sinyaller toplanabilmektedir. Bunlardan en yaygın olanı sinyal toplama kolaylığı göz önüne alınınca akım sinyalidir. Ancak akım sinyali elektriksel arızalar için direkt ve kolay indikasyonlar içerse de henüz büyümemiş sorunları mekanik sorunları çok da açık biçimde ortaya koymaz. Sistemin durumu hakkında en genel bilgi titreşim sinyali ile elde edilir çünkü titreşim sinyali hem elektriksel hem de mekanik kısımlara ilişkin bilgileri bir arada sunma yetisine sahiptir. Bu çalışmada da bir asenkron makinadaki rulman bozulmalarını doğrudan ortaya koyabilme yetileri nedeniyle titreşim sinyalleri kullanılmıştır. Deneysel veriler, A.B.D. Tennessee Üniversitesi Bakım ve Güvenilirlik Merkezi ile Oak Ridge Ulusal Laboratuarı tarafından desteklenen bir araştırma ve geliştirme projesinde yürütülen bir hızlandırılmış yaşlandırma deneyinden elde edilmiştir. Çalışmada asenkron makina üzerinde hızlandırılmış bir yaşlandırma deneyi yoluyla sekiz titreşim sinyali toplanmıştır. Bunlardan ilki sağlıklı durumda elde edilmiş ardından sistem yedi defa kombine bir yaşlandırma aksiyonuna maruz bırakılmıştır. Kombine yaşlandırma aksiyonu; elektriksel boşalma ve termokimyasal yaşlandırma işlemleri şeklinde iki adım içermektedir. Eletriksel boşalma adımı kapsamında mil üzerinde endüklenmesi muhtemel gerilimler ve bunların yaratacağı boşalmalar yapay olarak simüle edilmiştir. Termokimyasal yaşlandırma için ise motor belirli periodlarla su dolu bir tank içine batırılmış ve çıkarılıp endüstriyel fırınlarda yüksek ısıya maruz bırakılmıştır. Her yaşlandırma aksiyonu sonrasında motorun akım ve titreşim verileri farklı yük durumlarında kaydedilmiştir. Son yıllarda, Yapay Sinir Ağları (YSA), asenkron makinaların durum izleme ve hata analizi için basit ve uygulanabilir hesaplama araçları olarak büyük ölçüde kullanılmıştır. YSA'ların güç sistemlerinde sınıflandırma uygulamaları ile ilgili birçok araştırma çalışması bulunmaktadır. Sınıflandırma uygulamaları için tercih edilen mimari ileri beslemeli tam bağlantılı yapay sinir ağı yapısıdır. Literatüre göre, YSA'ların önemli bir avantajı, asenkron makinalarda çeşitli arıza türlerini ve bunların önem derecelerini sınıflandırabilmeleridir. Bu çalışmada da bir asenkron makinanın sekiz yaşlandırma seviyesini sınıflandırmak için farklı eğitim optimizasyon algoritmaları ile iki farklı tip İleri Beslemeli Sinir Ağı (İBSA) modeli tasarlanmıştır. İlk model, iki farklı optimizasyon algoritması tarafından eğitilmiş sığ bir Örüntü Tanıma Sinir Ağıdır (ÖTSA). Geliştirilen ÖTSA'larda iki optimizasyon algoritması olarak Levenberg-Marquardt ve Scaled Conjugate Gradient algoritmaları kullanılmıştır. İkinci yapay sinir ağlı sınıflandırıcı, sınırlı bellekli Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) algoritması tarafından çözülen derin, tam bağlantılı bir İBSA'dır. Bu çalışmada geliştirilen tüm sınıflandırma uygulamaları, hata geri yayılımı tekniğinden yararlanmaktadır. Bu çalışma, dört farklı YSA tabanlı uygulamayı içeren iki bölümden oluşmaktadır. Bu sınıflandırıcıların performansları, öncelikle asenkron makinanın genel durumunu izlemek amacıyla değerlendirilir. İkinci amaç, asenkron makinanın farklı rulman koşullarını izleme ve durumlarını sınıflandırmaktır. Her iki bölüm için de ÖTSA ve L-BFGS ile eğitilen İBSA olmak üzere ikişer ağ yapılandırılmış ve optimize edilmiştir. Tüm bu dört uygulamada da optimum gizli katman geometrisine sahip ağların performansları dört metrik hesaplanarak analiz edilmiştir. Geliştirilen sınıflandırıcıları değerlendirmek için kullanılan dört metrik; doğruluk oranı, duyarlılık, kesinlik derecesi ve F1 puanıdır. Ayrıca, tasarlanan nöro-sınıflandırıcıların güvenilirliğini ve performansını değerlendirmek için karışıklık matrisi, karar vericinin etkinliği (ROC), hata histogramı ve eğitim kaybı grafikleri de kullanılmaktadır. İlk bölümde, sağlanan deneysel titreşim sinyallerinin zaman domenli istatistiksel özellikleri, asenkron makinanın genel durumunu değerlendirmek için farklı nöro-sınıflandırıcılar tarafından doğrudan işlenmektedir. Bu konuda biri sığ (ÖTSA) diğeri derin (L-BFGS ile desteklenen İBSA) olmak üzere iki adet sınıflandırıcı yapılandırılmaktadır. Bu iki sınıflandırıcı herhangi bir ön proses işlemi olmaksızın ham verilerin ilgili istatistiksel parametreleri kullanılarak çalıştırılmaktadır. Bu bağlamda, Levenberg-Marquardt ve Scaled Conjugate Gradient algoritmaları tarafından eğitilen ÖTSA modelinin ve L-BFGS algoritması tarafından çözülen çok katmanlı bir İBSA'nın performansı değerlendirilmektedir. ÖTSA modelinin sonucu olarak Levenberg-Marquardt algoritması ile eğitilen ağların Scaled Conjugate Gradient algoritması ile eğitilen ağlardan daha iyi performans gösterdiği belirtilmektedir. Levenberg-Marquardt algoritması ile eğitilen en iyi yapının maksimum toplam doğruluk oranı %99,2 iken, bu ağ ile ilişkilendirilen test doğruluk oranı %97,2'dir. İlgili metrikleri analiz ederek ve farklı yapıların performans ölçüm grafiklerini karşılaştırarak, ÖTSA'nın optimum yapısının bile asenkron makinanın yaşlandırma sınıflandırması için yeterince güvenilir olmadığı sonucuna varılmıştır. Ayrıca optimum yapı için hesaplanan %100 eğitim doğruluk oranı, önerilen ağda aşırı uyum olasılığını temsil eder ki; bu YSA için istenen bir yapı değildir ve ağ ezberine işaret edebilir. Ezberleme riskini azaltmak ve daha güvenilir yapılar içeren bir model oluşturmak için, asenkron makinanın genel durumunu derecelendirmek amacıyla derin bir sınıflandırıcı olarak L-BFGS algoritması ile çözülen iki katmanlı bir İBSA modeli geliştirilmiştir. Bu sınıflandırıcının maksimum test doğruluk oranı %100'dür, bu da ÖTSA uygulamasından daha iyi bir performans gösterdiğini ortaya koymaktadır. Ayrıca, hesaplanan tüm metrikler ve performans ölçüm grafikleri, seçilen ağın kesinliğini ve doğruluğunu optimum bir yapı olarak onaylar. Bu uygulamada, önerilen derin sınıflandırıcı, derin YSA uygulamalarında fazla uyumu önleyerek, test veri setinin rastgele bölünmesi için güvenilir bir araç olan çapraz validasyon kullanmaktadır ve bu anlamda da ÖTSA uygulamasından daha güvenilir sayılmaktadır. Çalışmanın ikinci kısmında yukarıda bahsedilen sığ ve derin sınıflandırıcılar kullanılarak rulman yaşı sınıflandırma uygulamaları yapılmıştır. Bu maksatla Levenberg-Marquardt algoritması tarafından eğitilen ÖTSA'nın ve L-BFGS tabanlı İBSA'nın test performansları üzerinde karşılaştırmaya dayalı bir çalışma yürütülmüştür. Bu bölümde öncelikle titreşim sinyallerinin spektrumlarındaki rulman arızaları ile ilişkili yüksek frekans bantları tek seviyeli Çok Çözünürlüklü Dalgacık Analizi (ÇÇDA) tekniği kullanılarak ayrıştırılmaktadır. Bu bağlamda, bir ön işleme süreci sayesinde yalnızca yatak arızası özelliklerini içeren temel frekans bantları kullanılmaktadır. Ek olarak, ağın girdi boyutlarını azaltmak için önerilen sınıflandırıcıların girdileri olarak yeni spektral tabanlı öznitelikler seçilmiştir. Hesaplanan metrikler ve performans ölçüm grafikleri incelenerek, önerilen ÖTSA'daki optimum yapının toplam ve test doğruluk oranlarının sırasıyla %95,6 ve %97,9 olduğu sonucuna varılmıştır. Optimum eğitim doğruluk oranı %100 olmadığı için bu uygulama daha güvenilir ve gerçekçidir. İlaveten veri setlerinin boyutu önceki uygulamaya kıyasla artırılarak ezberleme olasılığı azaltılmıştır. Son olarak dördüncü sınıflandırıcı olarak, ÇÇDA tabanlı bir İBSA, L-BFGS algoritması tarafından, rulman yaşı sınıflandırma uygulamasında güvenilirlik ve performans açısından değerlendirilmek ve önerilen ÇÇDA-tabanlı ÖTSA ile karşılaştırılmak üzere eğitilir. Bu sınıflandırma aynı zamanda beş spektral temelli özniteliğe dayanmaktadır. Hesaplanan dört değerlendirme metriği ve performans ölçüm grafiklerinin analizi ile, minimum eğitim kaybı olan ağa ait maksimum test doğruluk oranının %100 olduğu tespit edilmiştir. Ayrıca, optimum sınıflandırıcı için performans; karışıklık matrisi, karar vericinin etkinliği ve eğitim kaybı grafikleri kullanılarak ortaya konmuştur. Hem sığ hem de derin sınıflandırıcılardaki optimum yapıların metriklerini, test karışıklık matrisini ve test karar vericinin etkinliği grafiklerini karşılaştırarak; L-BFGS kullanılarak rulman yaşı sınıflandırma uygulamasının performans ve güvenilirliğinin yüksek olduğu anlaşılabilir. Bu nedenle, ÇÇDA tabanlı derin sınıflandırıcı, rulman yaşlanma seviyesinin izlenmesi ve tespit edilmesi için en sağlam ve güvenilir model olarak önerilmektedir. Önerilen sınıflandırıcıların hepsinin performansları karşılaştırılarak, L-BFGS tabanlı İBSA uygulamalarının genel olarak ÖTSA uygulamalarından daha iyi performans gösterdiği sonucuna varılmıştır. Çalışmanın ilk bölümünde, ÖTSA ve L-BFGS tabanlı İBSA uygulamalarında optimum geometriye sahip ağın test doğruluk oranları sırasıyla %97,2 ve %100'dür. Aynı şekilde ÇÇDA tabanlı çalışmada sığ ve derin sınıflandırıcılar için optimal geometriye sahip ağın test doğruluk oranları sırasıyla %97.9 ve %100'dür. Bu nedenle, ÇÇDA tabanlı derin sınıflandırıcının üstün performansı sayesinde bir asenkron makinanın farklı rulman eskime seviyelerini derecelendirmede yüksek güvenilirlik gösterdiği sonucuna varılmıştır. Nitekim bu dört uygulama arasında, L-BFGS algoritması ile çözülen ÇÇDA tabanlı İBSA, orjinallik, yüksek güvenilirlik ve yüksek performans açısından en önemli katkıya sahiptir. Çalışmanın katkısı, spektral tabanlı öznitelikleri çıkararak ve yaşlanma izleme uygulamaları için verimli bir hibrit yapı sağlayarak yeni bir strateji ortaya koyması olarak özetlenebilmektedir. ÇÇDA tabanlı sınıflandırıcıların girdileri olarak dokuz istatistiksel öznitelik yerine beş spektral tabanlı öznitelik hesaplanarak, önerilen ağların boyutları da verimli bir şekilde azaltılmaktadır. Ayrıca, önerilen derin nöro-sınıflandırıcının yüksek performans ve doğruluk puanları, elektrik makinalarındaki rulman bozulmalarıyla ilişkili onarılamaz hasarları önlemek için büyük ölçüde durum izleme ve hata tespiti işlemlerini gerektiren endüstriyel uygulamalar için yardımcı olabilir.
Özet (Çeviri)
Electric motors (EMs) and their maintenance applications have recently constituted the central core of most industrial processes. Induction motors (IMs) are vastly used among various types of EMs due to their robustness, simplicity, and reliability. Indeed, reliability plays an essential role in all engineering applications. In order to enhance the integrity or safety and prevent any potential devastation or failure in the power systems, the Condition Monitoring (CM) of IMs has been encountered by lots of enthusiasts recently. Due to this, many researchers have focused on investigating and detecting the different types of failures in IMs. According to the information acquired from several surveys, the approximate rates of bearing failures, winding failures, and rotor-related failures are 40%, 30%, and 9%. It can be concluded that the bearing failures are the most probable faults in the IMs. Therefore, a CM technique is vital for detecting the bearing degradations at their earliest stages in an IM. In this way, accurate and quantitative information on the present condition of the IM can be found by tracking the performance of the motor. There are plenty of CM and Fault detection (FD) techniques to diagnose the various faults and their associated frequencies in IMs. However, monitoring the aging levels indicating the overall condition of an IM is not considered vastly. Indeed, aging is a gradual and progressive process arising from several faults in the EMs. The bearing faults can be enumerated as the main problem accelerating the aging in an IM. Therefore, besides the overall condition of an IM, the bearing condition of the IM is also classified in this study. Furthermore, signals acquired from EMs contain lots of information on the condition of the system. The most favorable signal is the vibration since both the electrical and mechanical problems can be revealed through its proper interpretation. In this study, the vibration signals are employed due to their direct representations of the bearing degradations in an IM. Indeed, eight vibration signals have been collected through an accelerated aging experiment on an IM. The experimental data is obtained from an accelerated aging experiment, which was conducted in a research and development project supported by The University of Tennessee Maintenance and Reliability Centre. The Electrical Discharge Machining (EDM) and the thermal-chemical aging operations constitute the two phases of the accelerated aging experiment. In recent years, Artificial Neural Networks (ANNs) have also been used vastly as simple and feasible computational tools for the CM and FD of IMs. There are many research works regarding the classification applications of ANNs in power systems. The preferable architecture for the classification applications of ANNs is the FFNN structure. The significant advantage of ANNs is the fact that they are able to classify various types of faults and their severities in an IM. In this study, two different types of Feedforward Neural Network (FFNN) models are designed with different training optimization algorithms for classifying eight aging levels of an IM. The first model is a shallow Pattern Recognition Neural Network (PRNN) trained by two different optimization algorithms. The Levenberg-Marquardt and the Scaled Conjugate Gradient algorithms are employed as the two optimization algorithms in the developed PRNNs. The second classifier is a deep, fully connected FFNN solved by the limited-memory Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) algorithm. All the classification applications developed in this study benefit from the error Backpropagation (BP) technique. The performances of these classifiers are primarily assessed with the aim of monitoring the overall condition of the IM. The second aim is to evaluate their performances in monitoring and classifying the different bearing conditions of the IM. This study constitutes two parts containing four different ANN-based applications. In the first part, the time-domain statistical features of the provided experimental vibration signals are directly processed by different neuro classifiers to rate the overall conditions of the IM. Indeed, these two classifiers are operated without any preprocessing operations. This part evaluates the performance of the PRNN model trained by the Levenberg-Marquardt and the Scaled Conjugate Gradient algorithms and a multi-layered FFNN solved by the L-BFGS algorithm. The second part represents the bearing aging classification applications by using the aforementioned shallow and deep classifiers. A comparison-based study is executed on the testing performances of the PRNN trained by the Levenberg-Marquardt algorithm and the L-BFGS-based FFNN. In this part, primarily, the high-frequency bands associated with the bearing faults in the spectra of the vibration signals are decomposed by using a one-level Multiresolution Wavelet Analysis (MRWA) technique. In this regard, only the essential frequency bands containing the bearing fault features are employed through a preprocessing process. Additionally, novel spectral-based features are selected as the inputs of the proposed classifiers to reduce the input dimensions of the network. The performances of the networks, with the optimal hidden layer geometry in each application, are also analyzed by computing four metrics. The four metrics available for evaluating the developed classifiers are the accuracy rate, the Recall, the Precision, and the F1-score. In addition, the confusion matrix, Receiver Operating Characteristic (ROC), error histogram, and training loss plots are also used to assess the reliability and performance of the designed neuro classifiers. By comparing the performances of the proposed classifiers, it is deduced that the L-BFGS-based FFNN applications outperform the PRNN applications, generally. In the first part of the study, The testing accuracy rates of the network with the optimal geometry in the PRNN and the L-BFGS-based FFNN applications are 97.2% and 100%, respectively. Likewise, in the MRWA-based study, the testing accuracy rates of the network with the optimal geometry for the shallow and deep classifiers are 97.9% and 100%, respectively. Therefore, it is concluded that the outstanding performance of the MRWA-based deep classifier indicates the novelty and high reliability of the L-BFGS-based FFNN application in grading the different bearing aging levels of an IM. Indeed, among these four applications, MRWA-based FFNN solved by the L-BFGS algorithm has the most important contribution in terms of novelty, high reliability and high performance.
Benzer Tezler
- Sonsuz vidalı redüktörlerde yapay zekâ teknikleri ile arızaların tespiti ve sınıflandırılması
Fault detection and classification with artificial intelligence techniques on worm gearboxes
YUNUS EMRE KARABACAK
Doktora
Türkçe
2021
Makine MühendisliğiKaradeniz Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. LEVENT GÜMÜŞEL
- Demans ile ilişkili nöro-belirteçlerin EEG ve makine öğrenmesi ile belirlenmesi
Determination of neuromarkers associated with dementia using EEG and machine learning
MESUT ŞEKER
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM
- Holografik mikroskopinin hücresel analiz ve veri güvenliği performansının iyileştirilmesi
Improvement of cellular analysis and data security performance of holographic microscopy
MUHAMMED ALİ PALA
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ZAHİD YILDIZ
- El yazısı karakter tanıma: Dalgacık moment özniteliklerinin yenilenen ANFIS ile sınıflandırılması
Handwritten character recognition: Classification of the wavelet moment features using modified ANFIS
BAYRAM CETİŞLİ
Doktora
Türkçe
2005
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiY.DOÇ.DR. RİFAT EDİZKAN
- Design and optimization of hydraulic actuator used in jet fighter
Jet uçağında kullanılan hidrolik aktüatörün tasarımı ve optimizasyonuu
AHMET DENİZCİ
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİzmir Yüksek Teknoloji EnstitüsüMühendislik Bilimleri Ana Bilim Dalı
PROF. DR. HATİCE SEÇİL ARTEM