Comprehensive comparison of different early bearing fault detection techniques
Farklı rulman erken arıza tespit tekniklerinin kapsamlı karşılaştırılması
- Tez No: 898562
- Danışmanlar: Assoc. Prof. KEMALETTİN ERBATUR
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 109
Özet
Rulman arıza tespiti, dönen makineler için öngörücü bakımın bir parçası olup, beklenen arızalara ilişkin erken uyarılar sağlayarak üretimdeki ani duruşları önler. Bu çalışma, Case Western Reserve Üniversitesi (CWRU) ve HUST rulman veri kümelerini kullanarak rulman arıza tespiti için iki gelişmiş yöntem sunmaktadır: i) Grey Wolf Optimizasyonu (GWO), Parçacık Sürü Optimizasyonu (PSO) ve yeni Kepler Optimizasyon Algoritması (KOA) ile optimize edilmiş Destek Vektör Makineleri (SVM'ler) ve ii) Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM) ağlarını kullanan derin bir öğrenme yaklaşımı. Arıza tespit verimliliğini artırmak için SVM kutu kısıtlaması ve çekirdek ölçeği parametreleri GWO, PSO ve KOA ile ayarlandı. Bu sonuçlar BiLSTM tabanlı derin öğrenme modelinin sonuçlarıyla karşılaştırıldı. Karşılaştırmamız BiLSTM modelinin optimize edilmiş SVM modellerinden önemli ölçüde daha başarılı olduğunu gösterdi. Optimize edilmiş SVM'ler, optimize edilmemiş SVM modellerine göre hata tespit doğruluğu açısından önemli gelişmeler elde etmesine rağmen, hala BiLSTM modelinden daha düşük performans gösterdiler. Doğruluğa dayalı olarak değerlendirilen BiLSTM modeli, farklı hata türleri ve hata boyutlarında sürekli olarak üstün performans göstererek küçük hata boyutlarında %100 ve daha büyük olanlarda %99,92'ye varan doğruluğa ulaşmıştır. HUST Veri Kümesi'nde doğruluk oranı %99,58'e kadar çıkmaktadır. Önerilen model, rulman arıza tespiti için düzenli olarak kullanılan birçok son teknoloji ürünü modelden daha iyi performans göstermiştir. Bu araştırma, rulman arızası tespitinde derin öğrenme tekniklerinin, özellikle de BiLSTM'nin potansiyelini vurgulamaktadir. Tez, gelişmiş algoritmalarla optimize edildikleri durumda dahi geleneksel makine öğrenimi modellerine göre BiLSTM'nin avantajlarını ortaya koymakta, derin öğrenmenin tahminsel bakım sistemlerini geliştirmedeki yeteneklerini sergileyerek alana değer katmaktadır.
Özet (Çeviri)
Bearing fault detection is a part of predictive maintenance for rotating machinery to provide early warnings of pending breakdowns, preventing sudden stops in production. This study presents two advanced methods for bearing fault detection utilizing the Case Western Reserve University (CWRU) and the HUST Bearing Datasets: Support Vector Machines (SVMs) optimized by Grey Wolf Optimization (GWO), Particle Swarm Optimization (PSO), and the novel Kepler Optimization Algorithm (KOA), and a deep learning approach using Bidirectional Long Short-Term Memory (BiLSTM) networks. The SVM parameters, box constraint and kernel scale were tuned with GWO, PSO, and KOA to improve fault detection efficiency. These results were compared with those of a BiLSTM-based deep learning model. Our comparison showed that the BiLSTM model significantly outperformed the optimized SVM models. Although the optimized SVMs achieved considerable improvements over non-optimized SVM models in fault detection accuracy, they were still inferior to the BiLSTM model. Evaluated based on accuracy, the BiLSTM model consistently performed outstandingly across different fault types and sizes, reaching 100% accuracy on small fault sizes, and accuracies as high as 99.92% on bigger ones on the CWRU Dataset and accuracies as high as 99.58% on the HUST Dataset. The proposed model outperformed several modern models regularly utilized for bearing fault detection. This research highlights the potential of deep learning techniques, specifically BiLSTM, in bearing fault detection, demonstrating their advantage over traditional machine learning models even when optimized with advanced algorithms. This study adds value to the field by showcasing the capabilities of deep learning to enhance predictive maintenance systems.
Benzer Tezler
- Kırklareli Vize'den Geç Antik–Bizans Dönemi mimari plastik taş eserler
Late Antique and Byzantine Architectural plastic from Kırklareli Vize
MELTEM ÇAVDAR
Yüksek Lisans
Türkçe
2014
Arkeolojiİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. ZEYNEP KUBAN
- Modern ahşap hibrit yapı teknolojisi ve uygulama örnekleri
Contemporary wood-based hybrid construction technology and application examples
RÜVEYDA BARIŞ
Yüksek Lisans
Türkçe
2022
MimarlıkMimar Sinan Güzel Sanatlar ÜniversitesiMimarlık Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NABİ VOLKAN GÜR
- İki boyutlu iki gruplu nötron difüzyon denkleminin lineer sınır elemanları ile çözümü
The application of linear boundary elements method two dimensional and two group neutron diffusion equation
SIRMA USTAARAMOĞLU
Yüksek Lisans
Türkçe
1997
Nükleer Mühendislikİstanbul Teknik ÜniversitesiFizik Ana Bilim Dalı
DOÇ. DR. BİLGE ÖZGENER
- Life cycle assessment of combined bioheat and biopower production and cost: Simulated case studies based on combustion utilizing turkish oak (Quercus cerris L.) coppices
Birlikte biyoısı ve biyogüç üretimi yaşam döngüsü değerlendirmesi ve maliyeti: Türkiye meşe (Quercus cerris L.) baltalıklarını kullanan yanma temelli benzetilmiş durum çalışmaları
GÜNER EKŞİ
Doktora
İngilizce
2017
Enerjiİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. FİLİZ KARAOSMANOĞLU
- A temporal analysis over the wealth of individuals in the Ottoman Empire, 1710-1919 (With specific references to inheritance record from sharia courts)
Osmanlı İmparatorluğu'nda bireylerin zenginliği üzerine zamansal bir analiz, 1710-1919 (Şeri mahkemerinden miras kayıtlarına belirli referanslarla)
HANDE NUR KIRMIZIKUŞAK
Yüksek Lisans
İngilizce
2022
EkonomiAnkara Yıldırım Beyazıt Üniversitesiİktisat (İngilizce) Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KORAY GÖKSAL