Fault detection and diagnosis using machine learning techniques
Makine öğrenmesi tekniklerini kullanarak arıza tespiti ve teşhisi
- Tez No: 904096
- Danışmanlar: DOÇ. DR. HATİCE DOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 123
Özet
Dişliler endüstriyel mekanik sistemlerin temel bileşenleridir ve arızalanmaları yıkıcı sonuçlara yol açabilir, bu nedenle dişli arızalarının tespiti ve sınıflandırılması çok önemlidir. Dişlinin tüm dişlerine dağılmış küçük çukurlarla karakterize edilen dağıtılmış çukurlaşma hatalarının tespit edilmesi zordur. Bu tez, dağıtılmış çukurlaşma hatalarını tespit etmek ve sınıflandırmak için çeşitli makine öğrenimi algoritmalarının uygulanmasını araştırmaktadır. Bunu başarmak için, hem sağlıklı hem de arızalı dişli kutularına monte edilen ivmeölçerlerden titreşim sinyalleri elde edilmiştir. Arızalı dişli kutuları dört farklı çukurlaşma şiddet seviyesine sahiptir ve tüm dişli kutuları dört farklı yük koşulunda çalıştırılmıştır. Tek boyutlu titreşim sinyallerine ek olarak, makine öğreniminin görüntü analizindeki hünerinden yararlanmak için iki farklı yöntem kullanılarak titreşim sinyallerinden görüntüler oluşturulmuştur. İlk yaklaşım olarak, arıza tespiti bir anormallik tespiti problemi olarak ortaya konmuş ve bu zorluğu ele almak için ilk kez Varyasyonel Otomatik Kodlayıcılar (VAE) ve Sapma Ağları gibi makine öğrenimi yöntemleri kullanılmıştır. Arıza türünün sınıflandırılması, olumsuz etkilerini azaltmak için gerekli önlemlerin belirlenmesi açısından çok önemlidir. İkinci bir yaklaşım olarak, dağıtılmış çukur hatalarının tespiti ve sınıflandırılması için denetimli yöntemler kullanılmıştır. Arızalar, hem otomatik özellik çıkarma yetenekleriyle bilinen derin öğrenme yöntemleri hem de istatistiksel özellik çıkarmanın ardından gelen geleneksel sığ sınıflandırıcılar kullanılarak sınıflandırılmıştır. Görülmemiş arıza türlerinin tespiti hayati önem taşıdığından, modellerin görülmemiş arıza türlerini sınıflandırma kabiliyeti de değerlendirilmiştir. Sonuçlar, VAE'yi takiben Destek Vektör Makinesi'nin en iyi performansa sahip olduğunu göstermektedir.
Özet (Çeviri)
Gears are essential components of industrial mechanical systems and their failure can lead to catastrophic consequences, so the detection and classification of gear faults are crucial. Distributed pitting faults, characterized by small pits distributed across all teeth of the gear, are challenging to identify. This thesis investigates the application of diverse machine learning algorithms for detecting and classifying distributed pitting faults. To achieve this, vibration signals were acquired from accelerometers mounted on both healthy and faulty gearboxes. The faulty gearboxes have four distinct pitting severity levels, and all gearboxes are subjected to four different load conditions. In addition to one-dimensional vibration signals, images are generated from these signals using two different methods to leverage machine learning's prowess in image analysis. As a first approach, fault detection is posed as an anomaly detection problem, and machine learning methods including Variational Autoencoders (VAEs) and Deviation Networks are employed for the first time to address this challenge. Classifying the fault type is crucial for determining the necessary measures to mitigate its adverse effects. As a second approach, supervised methods are used for the detection and classification of distributed pitting faults. Faults are classified using both deep learning methods, known for their automatic feature extraction capabilities, and traditional shallow classifiers preceded by statistical feature extraction. Since the detection of unseen fault patterns is of vital importance, the ability of the models to classify unseen fault patterns is also evaluated. The results show that VAE followed by Support Vector Machines has the best performance.
Benzer Tezler
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Using deep learning based classification algorithm to detect faults in turbine engines
Türbin motorlarındaki hataları tespit etmek için derin öğrenme tabanlı sınıflandırma algoritması kullanımı
ALİ AL-TAİE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Filo tabanlı veri odaklı hata teşhis sistemi geliştirilmesi
Development of fleet-based data-driven fault diagnosis system
METİN YILMAZ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET YAZICI
- Güç kalitesi olaylarının makine öğrenme teknikleri ile sınıflandırılması
Classification of power quality events using machine learning methods
FERHAT UÇAR
Doktora
Türkçe
2018
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FİKRET ATA
PROF. DR. BEŞİR DANDIL
- Asenkron motorlarda çoklu hataların akım sıfır geçiş anı ile gerçek zamanlı tahmini
Real-time estimate of multiple faults in induction motors with current zero crossing instants
EYÜP ÇAKI
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜLKADİR ÇAKIR