Artificial neural network based electrical machine fault classification on FPGA
FPGA üzerinde yapay sinir ağı tabanlı elektrık makinesiarıza sınıflandırması
- Tez No: 919079
- Danışmanlar: PROF. DR. SIDDIKA BERNA ÖRS YALÇIN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 117
Özet
Elektrik makineleri ve sürücüleri, modern teknolojinin temel yapı taşlarından biri olarak endüstriyel üretim, enerji dönüşümü ve otomasyon gibi çok çeşitli alanlarda vazgeçilmez bir rol oynamaktadır. Bu sistemler, enerjinin mekanik harekete dönüştürülmesi ve kontrol edilmesi gibi hayati işlevleri yerine getirirken, üretim süreçlerinin verimliliği ve güvenilirliği açısından büyük bir öneme sahiptir. Özellikle yenilenebilir enerji kaynaklarının kullanımı arttıkça, elektrik makinelerinin performansı ve dayanıklılığı, hem ekonomik hem de çevresel sürdürülebilirlik açısından kritik hale gelmiştir. Bu bağlamda, elektrik makinelerinin güvenilir çalışması ve arızalarının önlenmesi, endüstriyel operasyonların kesintisiz devam etmesi için kaçınılmaz bir gerekliliktir. Elektrik makinelerinde meydana gelebilecek arızalar, sadece makinelerin çalışma ömrünü kısaltmakla kalmaz, aynı zamanda üretim süreçlerini kesintiye uğratarak ciddi ekonomik kayıplara yol açabilir. Özellikle ani arızalar, duruş sürelerinin uzamasına neden olabilir ve bu durum hem maliyetli onarımlar gerektirir hem de operasyonel riskleri artırır. Bu nedenle, elektrik makinelerinin durumu hakkında sürekli bilgi sağlayan, performanslarını izleyen ve olası sorunları henüz ortaya çıkmadan tespit eden sistemlerin geliştirilmesi büyük bir önem taşır. Bu tür durum izleme sistemleri, makinelerin genel sağlığını analiz ederek proaktif bakım planlaması yapılmasına olanak tanır. Bu da hem bakım maliyetlerinin azaltılmasını sağlar hem de makinelerin operasyonel sürekliliğini destekler. Durum izleme sistemleri, makinelerin çalışma durumlarını sürekli izleyerek performanslarını değerlendiren gelişmiş teknolojik altyapılardır. Bu sistemler, titreşim analizi, termografi ve yağ analizi gibi geleneksel yöntemlerden yararlanır. Titreşim analizi, elektrik makinelerinde mekanik problemleri tespit etmek için en yaygın kullanılan yöntemlerden biridir. Bu yöntem, rulman aşınmaları, hizalama hataları veya dengesizlik gibi mekanik sorunların erken teşhisinde oldukça etkilidir. Termografi ise, makinelerde aşırı ısınma veya anormal sıcaklık değişimleri gibi elektriksel ve mekanik problemleri tespit etmek için kullanılan bir diğer popüler tekniktir. Bununla birlikte, yağ analizi, makine bileşenlerinin aşınma durumu ve yağ kalitesinin değerlendirilmesi açısından değerli bilgiler sunar. Ancak, bu geleneksel yöntemlerin veri işleme kapasitesi ve hassasiyeti sınırlıdır; dolayısıyla karmaşık arıza durumlarında veya büyük veri setlerinin analizinde yetersiz kalabilirler. Son yıllarda, yapay zeka (AI) ve makine öğrenimi (ML) teknikleri, durum izleme ve arıza tespit sistemlerinde yeni bir dönemin kapılarını açmıştır. Yapay sinir ağları (ANN) ve destek vektör makineleri (SVM) gibi ileri düzey algoritmalar, büyük veri setlerini analiz ederek makinelerin çalışma durumlarını daha hassas bir şekilde değerlendirebilmekte ve potansiyel arızaları henüz ortaya çıkmadan tahmin edebilmektedir. Özellikle, AI tabanlı sistemlerin hız, doğruluk ve otomasyon xxii yetenekleri, geleneksel yöntemlere kıyasla çok daha üstün bir performans sunar. Bu sistemler, geniş veri setlerini işleyerek, makinelerde meydana gelebilecek arızaları belirleme ve sınıflandırma sürecinde benzersiz bir esneklik ve doğruluk sağlar. Ayrıca, gerçek zamanlı analiz yetenekleri sayesinde, arızaların tespiti ve giderilmesi süreci hızlandırılarak, endüstriyel süreçlerin verimliliği artırılır. Bu tez, yapay sinir ağı (ANN) tabanlı bir arıza teşhis sisteminin FPGA (Field Programmable Gate Array) üzerinde geliştirilmesini ve uygulanmasını hedeflemektedir. FPGA teknolojisi, yüksek hızda veri işleme ve paralel hesaplama yetenekleriyle gerçek zamanlı uygulamalar için ideal bir platform olarak öne çıkmaktadır. FPGA'ların düşük güç tüketimi, ölçeklenebilirlik ve esneklik gibi özellikleri, yapay zeka tabanlı sistemlerin donanım platformlarında uygulanabilirliğini artırmaktadır. Bu çalışmada geliştirilen sistem, elektrik makinelerindeki farklı arıza türlerini tespit etmek ve sınıflandırmak için optimize edilmiş bir yapıya sahiptir. Sistem, yüksek doğruluk oranları ve düşük gecikme süreleriyle özellikle gerçek zamanlı uygulamalar için etkili bir çözüm sunmaktadır. Tez çalışması iki ana bölümden oluşmaktadır: derin öğrenme geliştirme ve FPGA uygulama. İlk bölümde, elektrik makinelerindeki arızaların teşhisi için bir Convolutional Neural Network (CNN) modeli geliştirilmiştir. CNN modeli, MAFAULDA veri tabanından alınan titreşim sinyallerini kullanarak eğitilmiş ve test edilmiştir. Veri seti, normalizasyon ve Hızlı Fourier Dönüşümü (FFT) gibi ön işleme teknikleriyle optimize edilmiştir. Model, normal çalışma, hizalama hatası ve dengesizlik gibi farklı arıza kategorileri arasında başarılı bir şekilde sınıflandırma yapabilmiştir. Modelin performansı, doğruluk, kesinlik, geri çağırma ve F1 skoru gibi metriklerle değerlendirilmiş ve %96.5 doğruluk oranı elde edilmiştir. Bu sonuçlar, modelin yüksek doğruluk ve genelleme kapasitesini kanıtlamaktadır. FPGA uygulama bölümü, CNN modelinin donanım üzerinde uygulanmasına odaklanmıştır. Nexys A7 geliştirme kartı kullanılarak, CNN modeline ait farklı katmanlar VHDL ile tasarlanmıştır. Bu katmanlar arasında Convolution_1D, Convolution_1D_No_MP, Convolution_1D_Middle ve Dense yer almaktadır. Convolution_1D katmanı, temel özellikleri çıkarırken; Convolution_1D_No_MP ve Convolution_1D_Middle katmanları, daha ayrıntılı analizler için optimize edilmiştir. Dense katmanı, modelin son çıktısını üreterek sınıflandırma işlemini tamamlamaktadır. FPGA üzerinde yapılan bu uygulama, yüksek işlem hızları ve düşük gecikme süreleri sayesinde gerçek zamanlı arıza tespitini mümkün kılmaktadır. Ayrıca, sistemin paralel işlem yetenekleri, büyük veri hacimlerinin hızlı bir şekilde işlenmesini sağlamaktadır. Bu tez çalışmasında, geliştirilen yapay sinir ağı tabanlı sistemin deneysel sonuçları, hem simülasyon hem de donanım testleri ile doğrulanmıştır. FPGA üzerinde uygulanan sistem, yüksek doğruluk oranları ve hızlı veri işleme yetenekleri ile elektrik makinelerinde arıza tespiti için etkili bir çözüm olduğunu göstermiştir. Sistem, sadece elektrik makinelerinin güvenilirliğini artırmakla kalmamış, aynı zamanda bakım süreçlerini optimize ederek ekonomik kazanç sağlamıştır. Sonuç olarak, bu tez, yapay zeka ve FPGA teknolojilerinin bir araya getirilmesiyle, elektrik makinelerinde arıza tespiti için yenilikçi bir çözüm sunmaktadır. Geliştirilen sistem, makinelerin verimliliğini artırmak ve arıza risklerini azaltmak için etkili bir araçtır. Gelecekte, bu yöntem daha geniş veri setleri ve farklı endüstriyel uygulamalar üzerinde test edilerek daha da geliştirilebilir. Ayrıca, bu yaklaşımın robotik, xxiii yenilenebilir enerji ve akıllı şehir sistemleri gibi alanlarda uygulanabilirliği araştırılarak daha geniş bir etki alanı oluşturulabilir. Bu çalışma, endüstriyel bakım süreçlerinde proaktif stratejilerin benimsenmesine katkıda bulunarak, makinelerin operasyonel mükemmeliyetini sağlamaya yönelik önemli bir adım atmıştır.
Özet (Çeviri)
Electrical machines and drives play a critical role in modern society, spanning industrial equipment to renewable energy production. The reliability and efficiency of these systems depend on continuous performance monitoring and the early detection of potential issues. Condition monitoring systems are essential for evaluating the performance of machines and detecting potential faults early, thereby reducing unexpected downtimes and maintenance costs. Traditional fault detection methods include vibration analysis, thermography, and oil analysis. Vibration analysis is used to identify mechanical issues, while thermography can detect overheating that may indicate electrical or mechanical problems. The integration of artificial intelligence (AI) and machine learning techniques has significantly enhanced fault detection capabilities. AI techniques such as artificial neural networks (ANN) and support vector machines (SVM) can process large datasets to predict potential faults in advance. This thesis aims to develop and implement an ANN-based fault diagnosis system for electrical machines on an FPGA platform. The system will leverage the high-speed processing and parallel computing capabilities of FPGAs to achieve real-time fault detection and diagnosis. Additionally, this method will be tested with different datasets to evaluate its generalizability. The thesis comprises two main sections: deep learning and FPGA applications. The first section describes the dataset used, data processing, and the development of the CNN architecture. The second section discusses the implementation of the CNN model on FPGA using VHDL. Experimental results are presented in the final section. In the deep learning section, a CNN-based fault detection model has been developed for ensuring the reliable operation of electrical machines. The dataset used consists of vibration signals obtained from the MAFAULDA database. The data were used to train and test the CNN model, with performance evaluated based on accuracy, precision, recall, and F1 score. The ability of CNNs to learn local patterns and features makes them particularly effective for fault detection. The FPGA application section covers the implementation of the CNN-based fault detection system on FPGA. Convolution_1D, Convolution_1D_Middle, Convolution_1D_No_MP, and Dense layers were developed using VHDL. Real-time fault detection was performed using the Nexys A7 development board. The parallel processing capabilities of the FPGA allowed for high-speed computations, making the system suitable for real-time applications. This implementation efficiently handles large volumes of data, ensures low latency, and maintains high accuracy. When developing a CNN-based fault detection system using VHDL, optimizing the layers and processes is crucial. The Convolution_1D, Convolution_1D_No_MP, and xx Convolution_1D_Middle layers perform 1D convolution operations on the input data using predefined kernels. The Convolution_1D layer extracts fundamental features from raw sensor data, while the Convolution_1D_No_MP layer maintains higher resolution for detailed analysis. The Convolution_1D_Middle layer further refines the features, ensuring high accuracy in fault detection. The Dense layer processes these features into the final classification result. The TOP_CNN module integrates all layers, managing the data flow and producing the final fault classification result. In conclusion, a CNN-based fault detection system has been developed and implemented on FPGA. The system significantly enhances the reliability and efficiency of electrical machines. Future research will involve testing this method with broader datasets and different application areas to further evaluate and improve its effectiveness. This work contributes to the implementation of proactive maintenance strategies in industrial processes, ensuring operational excellence of machinery
Benzer Tezler
- Power system fault identification and classification in fuel cells via artificial neural network
Yakıt hücrelerinde yapay sinir ağı kullanılarak güç sistemi arıza tespiti ve sınıflandırması
RAFAH HUSSEIN ALZURFI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CİHAT ŞEKER
- 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
- Yapay sinir ağları ile doku sınıflandırma
Tissue classification using artificial neural networks
AYSU SEVEN
Yüksek Lisans
Türkçe
1993
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. ERTUĞRUL YAZGAN
- Sinyal işleme ve genetik-yapay sinir ağları ile rulman arızalarının teşhisi
Diagnosis of bearing faults by signal process and genetic-neural network
MUHAMMET ÜNAL
Doktora
Türkçe
2014
Mekatronik MühendisliğiMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. MUSTAFA ONAT
PROF. DR. HALUK KÜÇÜK
- 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