Motor arızalarının tespiti için derin öğrenme tabanlı bir girişimsel olmayan mobil platform uygulaması
A non-invasive deep learning-based mobile platform application for motor fault detection
- Tez No: 884750
- Danışmanlar: DOÇ. DR. AHMET ORHAN, DOÇ. DR. ÖZAL YILDIRIM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Makinaları Bilim Dalı
- Sayfa Sayısı: 109
Özet
Elektrik motor arızaları, performans kaybına ve endüstriyel süreçlerin aksamasına yol açarak hem işletme verimliliğini düşürmekte hem de bakım maliyetlerini artırmaktadır. Bu arızalar genellikle pahalı ve zaman alıcı olabilen bakım veya onarım çalışmaları gerektirir. Bu nedenle arıza ve arıza riskinin en aza indirilmesi ve motorların güvenilir ve verimli çalışmasının sağlanması üretim sektörü için son derece önemlidir. Bu tez çalışmasında, motor düzeneği içerisine veya üzerine herhangi bir sensör bağlantısı gerektirmeden motor arıza sınıflandırmasını derin öğrenme tabanlı gerçekleştiren bir arıza tespit sistemi önerilmişir. Özellikle endüstride en çok kullanılan motorlardan asenkron motorun elektriksel ve mekaniksel arızalarına odaklanılmıştır. Akıllı telefonların sahip olduğu üç eksenli ivmeölçer sensörünü kullanarak titreşim verileri alabilen bir mobil uygulama Flutter kullanılarak gerçekleştirilmiştir. Arıza tespiti yapılması istenen elektrik motorunun üzerine uygulamanın yüklü olduğu akıllı telefon yerleştirilerek üç eksende (x, y, z) alınan titreşim verileri ile derin modeller eğitilmiştir. Ardından test verileri ile elektrik motoru arıza durumu ve sınıfı tespit edilmiştir. Akıllı telefonların sahip olduğu ivmeölçer sensörlerinin elektrik motoru arıza tespitindeki yeterliliğini test etmek amacıyla farklı durum ve senaryolar oluşturulmuştur. Yüklü ve yüksüz durumda farklı motor çalışma hızları altında alınan titreşim verileri ile yapılan arıza sınıflandırmasında %90'ın üzerinde doğruluk oranları elde edilmiştir. Çalışmanın en önemli özgün değeri, herhangi bir motor iç veya dış bağlantısına gerek duymadan ve minimum donanım kaynaklarını kullanarak elektrik motor arıza sınıflandırılmasını sağlayacak bir uygulamanın gerçekleştirilmiş olmasıdır. Mobil uygulama ile yapay zeka destekli elektrik motoru arıza tespiti yapan sistem, hem derin öğrenme mimarilerini kullanması hem de herhangi bir ek sensör bağlantısı gerektirmemesi açısından uzman bilgisine olan ihtiyacı minimuma indiren, hızlı ve maliyetsiz bir yaklaşımdır.
Özet (Çeviri)
Electric motor faults result in performance loss and disruptions in industrial processes, reducing operational efficiency and increasing maintenance costs. These faults typically require maintenance or repair efforts that can be expensive and time-consuming. Therefore, it is crucial for the manufacturing sector to minimize faults and fault risks and to ensure that motors operate reliably and efficiently. In this thesis, a deep learning based fault detection system is proposed for motor fault classification without the need for any sensor connections into or onto the motor assembly. It is especially focused on the electrical and mechanical faults of the asynchronous motor, one of the most used motors in the industry. The mobile application platform, which can capture vibration data using the three-axis accelerometer sensor in smartphones, was developed using Flutter. The deep models were trained using vibration data captured in three axes (x, y, z) by placing a smartphone with the application installed onto the electric motor for which fault detection is desired. Subsequently, test data were used to detect the fault status and class of the electric motor. Different scenarios and conditions were created to test the adequacy of accelerometer sensors in smartphones for detecting electric motor faults. Fault classification with vibration data obtained under various motor operating speeds in both loaded and unloaded conditions achieved accuracy rates exceeding 90%. The most significant original contribution of the study is the implementation of an application that enables electric motor fault classification without the need for any internal or external motor connections and with the use of minimal hardware resources. The system, which performs AI-supported electric motor fault detection with a mobile application, represents a fast and cost-effective approach by reducing the need for expert knowledge to a minimum, thanks to the use of deep learning architectures and the absence of additional sensor connections.
Benzer Tezler
- Çeşitlendirilmiş girdiler ile derin öğrenme tabanlı rulman hata tespit ve sınıflandırması
Deep learning based bearing fault detection and classification via diversified inputs
RAMIN RAJABIOUN
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiVan Yüzüncü Yıl ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZKAN ATAN
- Data-driven condition monitoring and fault diagnosis of VFD-FED induction motors
Değişken frekanslı sürücü ile beslenen asenkron motorlarda veri odaklı durum izleme ve arıza tanılama
ALPER SENEM
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞENİZ ERTUĞRUL
- 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
- Termal görüntülerde derin öğrenme yaklaşımları ile elektrik arızalarının sınıflandırılması
Classification of electrical faults in thermal images via deep learning approaches
GÖNÜL SAKALLI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN KOYUNCU
- Deep convolutional neural network based broken magnet detection of PMSM using finite element analysis
Sonlu elemanlar analizi kullanarak PMSM'nin derin dönüşümlü sinir ağı tabanlı kırık mıknatıs tespiti
AMIN GHAFOURI MATANAGH
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALİH BARIŞ ÖZTÜRK