Derin Evrişimsel Sinir Ağ Mimarisi ve Zaman Frekans Gösterimini Kullanılarak Büyük Güçlü Motor Arızalarının Tespiti

Yıl 2024, Cilt: 14 Sayı: 1, 51 - 59, 30.01.2024

İlhan Aydın Emrullah Aydın Erhan Akın Seyfullah Kaner

Öz

Asenkron motorlar endüstride iş gücünün sağlanması açısından birçok uygulamada kullanılmaktadır. Asenkron motorlarda oluşan arızalar mil yatağı, stator ve rotor bileşenleri ile ilgilidir. Bu bileşenlerden mil yatağı arızaları en çok karşılaşılan problemlerden biridir. Bu arızaların teşhisi için genellikle titreşim sinyalleri kullanılmaktadır. Endüstriyel ortamda çalışan motor ile aynı özelliklerde bir motor bulmak zor olduğundan karşılaştırma yapılarak arızaların tespiti yapılamamaktadır. Bu çalışmada titreşim sinyallerinin zaman frekans görüntüleri oluşabilecek mil yatağı arızaları için toplanarak transfer öğrenme tabanlı bir model ile eğitilmiştir. Daha sonra endüstriyel mil arızası olan bir motordan aynı şartlarda ve benzer bir konumda alınan sinyaller kullanılarak endüstrideki büyük güçlü motordaki arıza belirlenmiştir. Yapılan testler sonucunda endüstrideki motorda oluşan kusurların %95’in üzerinde doğru bir şekilde tespit edildiği ispatlanmıştır.

Anahtar Kelimeler

Asenkron motor, mil yatağı arızaları, arıza teşhisi, derin öğrenme

Destekleyen Kurum

Türkiye Bilimsel Ve Teknolojik Araştırma Kurumu (TUBITAK)

Proje Numarası

122E412

Teşekkür

Bu çalışma Türkiye Bilimsel Ve Teknolojik Araştırma Kurumu (TUBITAK) tarafından 122E412 nolu proje ile desteklenmiştir.

Kaynakça

• [1] Niu, G., Dong, X., & Chen, Y. (2023). Motor Fault Diagnostics Based on Current Signatures: A Review. IEEE Transactions on Instrumentation and Measurement.
• [2] Zhang, S., Zhang, S., Wang, B., & Habetler, T. G. (2020). Deep learning algorithms for bearing fault diagnostics—A comprehensive review. IEEE Access, 8, 29857-29881.
• [3] Hoang, D. T., & Kang, H. J. (2019). A motor current signal-based bearing fault diagnosis using deep learning and information fusion. IEEE Transactions on Instrumentation and Measurement, 69(6), 3325-3333.
• [4] Tran, M. Q., Liu, M. K., Tran, Q. V., & Nguyen, T. K. (2021). Effective fault diagnosis based on wavelet and convolutional attention neural network for induction motors. IEEE Transactions on Instrumentation and Measurement, 71, 1-13.
• [5] Shao, S., McAleer, S., Yan, R., & Baldi, P. (2018). Highly accurate machine fault diagnosis using deep transfer learning. IEEE Transactions on Industrial Informatics, 15(4), 2446-2455.
• [6] Aburakhia, S. A., Myers, R., & Shami, A. (2022). A hybrid method for condition monitoring and fault diagnosis of rolling bearings with low system delay. IEEE Transactions on Instrumentation and Measurement, 71, 1-13.
• [7] Bapir, A., & Aydin, İ. (2021). Cloud based bearing fault diagnosis of induction motors. Computer Science, (Special), 141-146.
• [8] Aburakhia, S., Tayeh, T., Myers, R., & Shami, A. (2022, December). Similarity-Based Predictive Maintenance Framework for Rotating Machinery. In 2022 5th International Conference on Communications, Signal Processing, and their Applications (ICCSPA) (pp. 1-6). IEEE.
• [9]CWRU,CaseWesternReserveUniversityBearingDataCenterWebsite,Cleveland,OH,USA.Availableonline:https://engineering.case.edu/bearingdatacenter
• [10] Lessmeier, C.; Kimotho, J. K.; Zimmer, D.; Sextro, W.: Condition Monitoring of Bearing Damage in Electromechanical Drive Systems by Using Motor Current Signals of Electric Motors: A Benchmark Data Set for Data-Driven Classification, European Conference of the Prognostics and Health Management Society, Bilbao (Spain), 2016
• [11] Mert Sehri, Patrick Dumond. University of Ottawa Rolling-element Dataset – Vibration and Acoustic Faults under Constant Load and Speed conditions (UORED-VAFCLS).
• [12] Dong, S., Wang, P., & Abbas, K. (2021). A survey on deep learning and its applications. Computer Science Review, 40, 100379.
• [13] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.
• [14] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A. (2014). Going deeper with convolutions (2014). arXiv preprint arXiv:1409.4842, 10.
• [15] He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep residual learning for image recognition. CoRR abs/1512.03385 (2015).
• [16] Mallat, S. G. A Wavelet Tour of Signal Processing: The Sparse Way. 3rd ed. Amsterdam ; Boston: Elsevier/Academic Press, 2009.