Gerçek zamanlı arıza teşhisinin sanal duyarga ve sayısal ikiz yöntemleri ile gerçekleştirilmesi
Performing real-time fault diagnosis with virtual sensor and digital twin methods
- Tez No: 916859
- Danışmanlar: PROF. DR. ERHAN AKIN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 182
Özet
Bu tez çalışmasında, asenkron motorların arıza teşhis süreçlerini iyileştirmek amacıyla yenilikçi yaklaşımlar geliştirilmiş ve bu kapsamda sanal duyargalar, sayısal ikiz, vekil öğrenme ve artırılmış gerçeklik (AR) gibi modern teknolojiler entegre bir yapıda ele alınmıştır. Çalışma, özellikle fiziksel akım sinyallerinden fiziksel titreşim sinyallerinin modellenmesi ve bu sayede sanal titreşim sensörü oluşturulması ile öne çıkmaktadır. Teorik ve deneysel çalışmalar bir arada yürütülerek, proaktif ve kestirimci bakım süreçlerine yönelik kapsamlı bir çözüm sunulmuştur. Teorik çalışmalar kapsamında, hazır veri setleri üzerinde makine öğrenmesi, tekil derin öğrenme (RNN, GRU, LSTM), topluluk öğrenmesi ile sanal sensör modeli ve vekil öğrenme yaklaşımları (RBF, Kriging) kullanılarak arıza teşhisine yönelik modeller geliştirilmiştir. Sanal titreşim sensörleri, ham fiziksel akım verilerinden (Ia, Ib, Ic) ham titreşim sinyallerinin (Vib_acpi) modellenmesiyle oluşturulmuştur. Diğer tüm sınıflandırma yaklaşımları için, verilerden anlamlı özellikler çıkarmak amacıyla Fourier Dönüşümü (FFT), Pencereleme (Windowing) ve Bant Gücü Analizi gibi teknikler uygulanarak klasik yöntemlerle veri işleme süreci gerçekleştirilmiştir. Bu aşamada sanal titreşim sensörleri, %97.86 doğruluk oranıyla en iyi sonucu sunarken, RBF vekil modeli %92.78 doğruluk ve %93.33 kesinlik oranları ile dikkat çekmiştir. Topluluk öğrenmesi ile sanal sensör modeli %91.11 doğrulukla farklı modellerin güçlü yönlerini bir araya getirerek etkili bir performans göstermiştir. Tekil derin öğrenme modelleri ise %88.89 doğruluk oranıyla sekans tabanlı verilerin analizi için sağlam bir çözüm sunduklarını kanıtlamıştır. Laboratuvar ortamındaki deneysel çalışmalarda, gerçek zamanlı veri toplama sistemiyle asenkron motorun üç fazlı akım (Ia, Ib, Ic) ve üç eksenli titreşim (X, Y, Z) sinyalleri toplanmıştır. Bu veriler, teorik çalışmalarda eğitilen tüm modellerin performanslarının test edilmesi amacıyla kullanılmıştır. Deneysel çalışmalarda, sanal titreşim sensörleri %96.35 doğruluk oranı ile güçlü bir performans sergilerken, topluluk öğrenmesi ile sanal sensör modeli %92.06 doğruluk ve %92.08 kesinlik oranlarıyla başarılı sonuçlar elde etmiştir. RBF vekil modeli ise deneysel çalışmalarda %97.78 doğruluk oranı ile en iyi sonucu sunmuştur. Bununla birlikte çalışmalarda, dijital ikiz oluşturulmuş ve artırılmış gerçeklik (AR) ile görselleştirme sağlanmıştır. Dijital ikiz, sensör verileriyle sürekli güncellenmiş ve kullanıcıların motor arızalarını görsel olarak izlemesine olanak tanımıştır. AR sistemi, bakım süreçlerini hızlandırarak arıza bölgelerini anlık görselleştirme ile tespit etmeyi mümkün kılmıştır. Bu sistem, kullanıcıların arızaları hızlı ve doğru bir şekilde teşhis etmesine, böylece plansız duruş sürelerini azaltmasına katkı sağlamıştır. Bu tez çalışması, fiziksel akım sinyallerinden fiziksel titreşim sinyallerinin modellenmesi ve sanal titreşim sensörünün oluşturulmasıyla asenkron motor arıza teşhisi için hızlı, düşük maliyetli, proaktif ve kullanıcı dostu bir sistem sunmaktadır. Bu sistem, endüstriyel bakım süreçlerinde doğruluk, kesinlik ve maliyet verimliliği açısından önemli bir çözüm sağlamaktadır.
Özet (Çeviri)
In this thesis study, innovative approaches were developed to improve the fault diagnosis processes of asynchronous motors, integrating modern technologies such as virtual sensors, digital twins, surrogate learning, and augmented reality in a comprehensive structure. The study stands out particularly for modeling physical vibration signals from physical current signals, thereby creating a virtual vibration sensor. A combination of theoretical and experimental studies was conducted, offering a comprehensive solution for proactive and predictive maintenance processes. In the theoretical studies, machine learning, standalone deep learning, Ensemble Learning with Virtual Sensor Model, and surrogate learning approaches were utilized to develop fault diagnosis models on pre-existing datasets. Virtual vibration sensors were created by modeling raw physical current data (Ia, Ib, Ic) into raw vibration signals. For all other classification approaches, classical data processing techniques such as Fourier Transform, Windowing, and Band Power Analysis were applied to extract meaningful features from the data. In this phase, virtual vibration sensors achieved the best performance with 97.86% accuracy, while the RBF surrogate model demonstrated significant success with 92.78% accuracy and 93.33% precision. The Ensemble Learning with Virtual Sensor Model achieved an accuracy of 91.11%, effectively combining the strengths of different models. Standalone deep learning models, on the other hand, demonstrated solid performance in sequential data analysis with 88.89% accuracy.In the experimental studies conducted in a laboratory setting, real-time data acquisition systems collected three-phase current and three-axis vibration signals from asynchronous motors. These data were used to test the performance of all models trained during the theoretical studies. In the experimental studies, virtual vibration sensors demonstrated strong performance with 96.35% accuracy, while the Ensemble Learning with Virtual Sensor Model achieved 92.06% accuracy and 92.08% precision, yielding successful results. The RBF surrogate model achieved the best performance with 97.78% accuracy in experimental studies. Additionally, digital twins were developed, and augmented reality (AR) visualization was provided. The digital twin was continuously updated with sensor data, enabling users to visually monitor motor faults. The AR system accelerated maintenance processes by allowing real-time visualization of fault regions, making it possible to identify issues quickly and accurately. This system contributed to reducing unplanned downtime by enabling fast and precise fault diagnosis. This thesis study offers a fast, cost-effective, proactive, and user-friendly system for asynchronous motor fault diagnosis by modeling physical vibration signals from physical current signals and creating a virtual vibration sensor. The developed methods provide significant solutions in terms of accuracy, precision, and cost efficiency in industrial maintenance processes and contribute substantially to the digital transformation of industrial maintenance with digital twin and augmented reality technologies.
Benzer Tezler
- Microcontroller-based real-time motor bearing fault detection and diagnosis using 1D convolutional neural networks
1B evrişimsel sinir ağları ile mikrodenetleyici tabanlı gerçek zamanlı motor rulman arızası tespiti ve teşhisi
SERTAÇ KILIÇKAYA
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİzmir Ekonomi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TÜRKER İNCE
- Tekerlek içi elektrik motorlarında yapay zeka tabanlı arıza teşhisi
Fault diagnosis of hub motors based on artificial intelligence techniques
MEHMET ŞİMŞİR
Doktora
Türkçe
2016
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILMAZ UYAROĞLU
PROF. DR. RAİF BAYIR
- 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
- Dizel makinanın makina öğrenmesi yöntemi kullanılarak modellenmesi ve karar-destek mekanizması oluşturulması
Machine learning method based marine diesel engine modelling and decision-support system setting
TOLGA ŞAHİN
Doktora
Türkçe
2022
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. CEVAT ERDEM İMRAK
- Olasılık sinir ağı kullanarak alternatör arızalarının tespiti
Fault diagnosis of alternators using probabilistic neural network
EMEL KOÇAK
Yüksek Lisans
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. RAİF BAYIR