Geri Dön

Makinelerde anormalliklerin tespiti ile kestirimci bakım

Predictive maintenance with detection of abnormalities in machines

PDF İndir

  1. Tez No: 937510
  2. Yazar: AHMET MERT DEMİRBAŞ
  3. Danışmanlar: DOÇ. DR. DERYA YILMAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 100

Özet

Son yıllarda giderek artan makineleşme, beraberinde bakım ihtiyacını da doğurmuştur. Bakım maliyetlerini düşürmek, üretimde devamlılığı sağlamak amacıyla farklı bakım teknikleri uygulanmaktadır. Bu teknikler arasında kestirimci bakım; maliyet, üretim devamlılığı ve zaman verimliliği düşünüldüğünde ön plana çıkmaktadır. Kestirimci bakım yaklaşımı ile makine üzerinde yapılan erken veya geç bakımların önlenip, bakım zamanının doğru belirlenmesiyle maliyet ve zaman olarak kazanç sağlanmaktadır. Bu çalışmanın amacı, kullanılan ekipmanda bakımı gerektiren herhangi bir arızanın, cihaz çalışmasını durdurmadan (arızalanmadan) önce tespit edilmesini sağlayacak bir yaklaşım ortaya koymaktır. Literatürdeki birçok çalışma, titreşim, ses ve sıcaklık gibi fiziksel ölçümlerin, özellikle elektrik motorları için makinenin arıza durumu hakkında bilgi verdiğini göstermiştir. Arıza tespiti yapmak amacıyla bu çalışmada, Makine Arıza Veri Tabanından (Machinery Fault Database – MAFAULDA) alınan ivmeölçer verileri kullanılmıştır. Çalışmada 4 farklı yaklaşım üzerinde durulmuştur. İlk yaklaşımda, titreşim verileri üzerinde zaman ve frekans alanında hesaplanan özelliklerin yanı sıra, literatürden farklı olarak, ortalama karşılıklı bilgi, Higuchi boyutu, Katz boyutu ve entropi gibi doğrusal olmayan analizlere dayalı özellikler kullanılmıştır. İkinci yaklaşımda, titreşim sensörlerinden elde edilen eksensel titreşim verileri üzerinden, 3 boyutlu vektör büyüklüklerinin hesabı yapılarak elde edilen yeni zaman serileri için yine zaman, frekans ve doğrusal olmayan özellikler hesaplanmıştır. Üçüncü yaklaşım yineleme grafiklerinden (Recurrence Plots - RPs) elde edilen özelliklerin hesaplanarak sınıflandırma için kullanılmasını içerirken son olarak yineleme grafiği görselleri ResNet-50 derin öğrenme ağı ile kullanılmıştır. Özellik çıkarımına dayalı yaklaşımlar için çeşitli makine öğrenmesi sınıflayıcıları kullanılmıştır. Titreşim sinyali üzerinden doğrudan özellik hesaplamayı içeren ilk yaklaşımla %99,09; yeni zaman serilerinin eldesinin yapıldığı ikinci yaklaşımda %94,87, yineleme grafiği özellikleriyle %99,59 doğruluk değerlerine ulaşılmıştır. Ayrıca tek sensör kullanımı ile %95,92 doğruluk değeri elde edimiş ve son olarak ResNet-50 ağı ile %95,58 doğruluk sağlanmıştır. Literatürle karşılaştırıldığında, uygulanan yeni yaklaşımlarla MAFAULDA veri seti üzerinde yüksek doğruluklar elde edilmiştir. Bu çalışmanın sonuçları, yenilikçi doğrusal olmayan özelliklerin literatürdeki en yüksek başarımları sağlamasının yanında, özellikle de tek sensör kullanımını desteklemesi bakımından da önemli bir yere sahiptir.

Özet (Çeviri)

In recent years, increasing mechanization has also brought about the need for maintenance. Different maintenance techniques are applied to reduce maintenance costs and ensure continuity in production. Among these techniques, predictive maintenance comes to the forefront when cost, production continuity and time efficiency are considered. With the predictive maintenance approach, early or late maintenance on the machine is prevented and cost and time are gained by determining the maintenance time correctly. The aim of this study is to present an approach that will allow any fault requiring maintenance in the equipment used to be detected before the device stops operating (fails). Many studies in the literature have shown that physical measurements such as vibration, sound and temperature provide information about the fault status of the machine, especially for electric motors. In this study, the accelerometer data from the Machinery Fault Database (MAFAULDA) was used to detect faults. Four different approaches were emphasized in the study. In the first approach, in addition to the features calculated in the time and frequency domains on the vibration data, features based on nonlinear analyses such as average mutual information, Higuchi dimension, Katz dimension and entropy were used, unlike the literature. In the second approach, time, frequency and nonlinear features were calculated for the new time series obtained by calculating the 3D vector quantities over the axial accelerometer data obtained from the vibration sensors. The third approach includes calculating the features obtained from the recurrence plots (RPs) and using them for classification, while finally the recurrence plot images was used with ResNet-50 deep learning network. Various machine learning classifiers were used for feature extraction-based approaches. With the first approach, which includes direct feature calculation over the accelerometer signal, 99.09%; in the second approach, where new time series were obtained, 93.89% and with the recurrence plot features, 99.59% accuracy values were reached. In addition, 95.92% accuracy value was obtained with the use of a single sensor and finally 95.58% accuracy was achieved with the ResNet-50 network. When compared with the literature, high accuracies were achieved on the MAFAULDA data set with the new approaches applied. The results of this study are important in that innovative nonlinear features provide the highest performance in the literature and especially support the use of single sensors.

Benzer Tezler

  1. Tez No

    928069

    Açıklanabilir yapay zeka ve akustik sinyaller kullanılarak endüstriyel makinelerde anomali tespiti

    Anomaly detection in industrial machines using explainable ai and acoustic signals

    BETÜL SENA ÇAĞLAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

  2. Tez No

    823109

    Fren sanayinde talaşlı üretim sürecinde makine öğrenmesi modellerinin karşılaştırılması ile kestirimci bakım verimliliğinin değerlendirilmesi

    Evaluation of predictive maintenance efficiency with the comparison of machine learning models in machining production process in brake industry

    BURAK EVRENTUĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Yönetim Bilişim SistemleriDokuz Eylül Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. CAN AYDIN

  3. Tez No

    552689

    Acoustic anomaly detection in industrial plants

    Endüstriyel tesislerde akustik anomali tespiti

    TAHA BERKAY DUMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN İNCE

  4. Tez No

    827867

    Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  5. Tez No

    332345

    Pulmoner nodüller için bilgisayar destekli teşhis sistemi

    Computer aided diagnosis system for pulmonary nodules

    AHMET TARTAR

    Doktora

    Türkçe

    Türkçe

    2013

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. AYDIN AKAN

    YRD. DOÇ. DR. NİYAZİ KILIÇ

Geri Dön