Fault diagnosis in rotating machines using machine learning
Makine öğrenimini kullanarak dönen makinelerde arıza teşhisi
- Tez No: 953077
- Danışmanlar: PROF. DR. NEZİH TOPALOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 62
Özet
Rulman arıza tespiti, makine bakımı ve makine sağlığı kontrolünde önemli bir rol oynar. Bu çalışmada, Case Western Üniversitesi'nin (CWRU) data merkezi web sitesinden alınan verileri kullanılmıştır. Bu veri setinin kullanılmasının amacı arızalı ve arızasız rulman sinyallerini sınıflandırmaktır. Bu çalışmada arızalı ve arızasız rulman sinyallerini sınıflandırmak için derin öğrenmeye dayalı bir yaklaşım önerilmiştir. Rulman Data Merkezinden alınan Sürücü Sonu ve Normal Baz Veri setlerinden spektrogramlar oluşturularak bir veri seti elde edilmiştir. Düşük, orta ve yüksek parametreleri olan üç farklı Evrişimli Sinir Ağı (CNN) modeli oluşturulmuştur. Bu üç model, arıza sınıflandırmak için karşılaştırılmıştır. Her üç modelden de tatmin edici sonuçlar alınsa da yüksek parametreli modelin doğruluk oranı neredeyse hatasız olarak elde edilmiştir. Bu çalışma, arıza sınıflandırma konusunda modellerin karmaşıklığına doğru orantılı bir şekilde artan doğruluk etkisini vurgulamaktadır. Sonuçlar, derin öğrenme modellerinin hatalı ve hatasız rulmanlar arasında ayrım yapabileceğini öne sürerek, makine arıza tespit sistemlerinde spektrogram analizinin işe yaradığını göstermektedir.
Özet (Çeviri)
Bearing fault detection plays an important role in machine maintenance and machine health control. In this study, data obtained from the Case Western University (CWRU) data center website is used. The purpose of using this dataset is to classify faulty and non-faulty bearing signals. In this study, a deep learning- based approach is proposed to classify faulty and non-faulty bearing signals. A dataset is obtained by creating spectrograms from Drive End and Normal Baseline Dataset taken from Bearing Data Center. Three different Convolutional Neural Network (CNN) models with low, medium and large number of parameters are created. These three models are compared to classify faults. Although satisfactory results are obtained from all three models, the accuracy rate of the high parameter model is almost error-free. This study emphasizes increasing accuracy in proportion to the complexity of the models on fault classification. The results suggest that deep learning models can distinguish between faulty and non-faulty bearings, indicating that spectrogram analysis is useful in machine fault detection systems.
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
- Model tabanlı kestirimci bakım ile kalan faydalı ömür tahmini
Estimation of remaining useful life with model based predictive maintenance
ENGİN MÖNGÜ
Doktora
Türkçe
2022
Mühendislik Bilimleriİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. HULUSİ GÜLSEÇEN
- Dönen makinalardaki mekanik titreşimler ve bunların arıza parametresi olarak incelenmesi
Mechanical vibrations in rotating machines and investigate of them as damage parameters
ERHAN APAK
Yüksek Lisans
Türkçe
1997
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Ana Bilim Dalı
PROF. DR. NURDAN GÜZELBEYOĞLU
- Vibration-based fault detection for ball bearings
Bilyalı rulmanlarda titreşim verileri kullanılarak hasar tespiti
REZA GOLAFSHAN
Yüksek Lisans
İngilizce
2015
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. KENAN YÜCE ŞANLITÜRK
- Roller bearing fault detection using rotary encoder
Açısal enkoder kullanarak bilyalı rulmanlarda hata tespiti
SAMET YALDIZ
Yüksek Lisans
İngilizce
2024
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. KENAN YÜCE ŞANLITÜRK