Elektrik motorları için makine öğrenmesi temelli arıza analizi
Machine learning based fault analysis for electrical motors
- Tez No: 941605
- Danışmanlar: DR. ÖĞR. ÜYESİ İLHAN BAŞTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
Günümüzde endüstriyel tesislerde seri üretimin durmadan verimli bir şekilde devam etmesi oldukça önemli bir konudur. Üretim hatlarında yaşanabilecek herhangi bir arıza, uzun duruşlara neden olup üretim verimliliğini (Overall Equipment Effectiveness-OEE) olumsuz yönde etkilemektedir. Bu arızaların yaşanmasını önlemek için planlı bakım ve kestirimci bakım uygulamaları büyük bir öneme sahiptir. Geleneksel bakım yöntemlerinin yanında günümüz endüstriyel teknolojilerinin etkisi ile özellikle endüstri 4.0'ın getirdiği yeni yöntemler ile kestirimci bakım uygulamaları, bakım çalışmaları içerisinde ön plana çıkmıştır. Uyarıcı bakım olarak da bilinen bu yöntem sayesinde üretim sistemlerinde bakım gerektiren bir arıza önceden tahmin edilerek bu durum yaşanmadan ve sistemi uzun bir süre durdurmadan önüne geçilebilmektedir. Bu tez çalışmasında, bir gıda üretim tesisinin nişasta transfer sisteminde yer alan helezon motoru ve şanzıman grubundan alınan titreşim ve sıcaklık değerleri ile ortam sıcaklık ve nem parametreleri kullanılarak arıza analizleri, farklı modeller aracılığıyla yapılmıştır. Yapılan bu arıza analizleri sonucunda arıza kaynaklı uzun duruşların öngörülebilmesi üretim, zaman ve maliyet kayıpları ile sonuçlanabilecek arızaların engellenmesi açısından önem teşkil etmektedir. Bu analiz çalışmasında yapay zekâ metotları arasında yer alan makine öğrenmesi algoritmaları kullanılmıştır. Makine öğrenmesi algoritmaları kapsamında denetimli öğrenme yöntemlerinden olan k-en yakın komşu (K-Nearest Neighbor, KNN), karar ağacı (Decision Tree, DT), Naive Bayes (NB), destek vektör makineleri (Support Vector Machine, SVM), rassal orman (Random Forest, RF) ve XGBoost algoritmaları kullanılarak sistemlerin performans verileri karşılaştırılmıştır. Çalışma kapsamında ele alınan modellerde girdi verisi olarak ortam sıcaklık ve nem, motor sıcaklık ve titreşim ile redüktör sıcaklık ve titreşim parametreleri kullanılmıştır. Modelin arıza yok, arıza kısa duruş, arıza uzun duruş yakın ve uzun duruş büyük arıza olmak üzere dört çıktısı bulunmaktadır. Bu veriler, bazı denetimli öğrenme algoritmaları kullanılarak Python programında analiz edilmiştir. Çalışmanın sonucunda XGBoost ve DT algoritmalarının daha yüksek doğruluk oranı verdiği tespit edilmiştir.
Özet (Çeviri)
In modern industrial facilities, it is crucial for mass production to continue uninterrupted and efficiently. Any breakdowns that may occur on production lines can lead to extended downtimes, negatively impacting production efficiency (Overall Equipment Effectiveness - OEE). Planned maintenance and predictive maintenance practices are crucial in preventing these failures. In addition to traditional maintenance methods, predictive maintenance practices have gained prominence in maintenance activities, especially with the influence of modern industrial technologies, including Industry 4.0. Through this method, also known as condition-based maintenance, potential faults requiring maintenance in production systems can be predicted in advance, allowing them to be addressed before they occur and without long system shutdowns. In this thesis study, fault analyses were performed on the starch transfer system of a food production facility using vibration and temperature values obtained from spiral motor and gearbox as well as ambient temperature and humidity parameters. through different models. As a result of the fault analyses conducted, the ability to predict long downtimes caused by faults is crucial for preventing breakdowns that could lead to production, time, and cost losses. In this analysis study, machine learning algorithms, which are one of the artificial intelligence methods, have been used. Within the scope of machine learning algorithms, the performance data of the systems have been compared using supervised learning methods such as k-nearest neighbors (KNN), decision tree (DT), Naive Bayes (NB), support vector machines (SVM), random forest (RF), and XGBoost algorithms In this study, the input data for the models included ambient temperature and humidity, motor temperature and vibration, as well as gearbox temperature and vibration parameters. The model has four outputs: no failure, short stop failure, long stop failure close, and major failure during the long stop. These data were analyzed using some supervised learning algorithms in a Python program. As a result of the study, it was found that the XGBoost and DT algorithms provided higher accuracy rates.
Benzer Tezler
- Milli havacılık uygulamalarında marş generatörü yalıtım arızalarının öngörülü tespitine katkılar
Contributions to the predictive detection of insulation failures in starter generators for national aviation applications
AYŞE NUR KÖKLÜ ULUSOY
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA AHMET KOCABAŞ
- Turbofan motorlarda faydalı ömür tahmini için yapay sinir ağlarına dayalı model geliştirilmesi
Development of a neural network-based model for remaining useful life prediction in turbofan engines
FURKAN İŞBİLEN
Doktora
Türkçe
2025
Havacılık ve Uzay MühendisliğiErciyes ÜniversitesiHavacılık Elektrik ve Elektroniği Ana Bilim Dalı
DOÇ. DR. MEHMET KONAR
DOÇ. DR. OĞUZ BEKTAŞ
- BUCK-BOOST DC-DC dönüştürücü kaynaklı EMI/EMC problemlerinin çözümüne yönelik makine öğrenmesi temelli yaklaşımlar
Machine learning based approaches to solving EMI/EMC problems caused by BUCK-BOOST DC-DC converter
FURKAN HASAN SAKACI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
DOÇ. DR. ŞUAYB ÇAĞRI YENER
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Normal ve patolojik kalp ses kayıtlarının zaman-frekans temelli otomatik sınıflandırılması
Time-frequency based automatic classification of normal and pathologic heart saound recordings
HASAN ZAN
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULNASIR YILDIZ