ASENKRON MOTOR RULMAN ARIZA ANALİZİ İÇİN LabVIEW TABANLI GUI TASARIMI

Early diagnosis of bearing faults in induction motors is of critical importance for industrial process efficiency, safety, and cost-effective maintenance. In this study, a Convolutional Neural Network (CNN) model based on multi-sensor data fusion is proposed for the detection and classification of induction motor bearing faults. Within the scope of the study, three-axis vibration, three-phase current, and torque signals obtained from the experimental setup were processed and converted into spectrogram images to serve as input data for the deep learning model. To enhance the applicability of the system, Graphical User Interfaces (GUIs) featuring integration with LabVIEW and Python were developed. Through these interfaces, data acquisition, preprocessing, model training, and testing processes can be performed. Experimental results demonstrated that using the data fusion approach instead of single sensor data significantly improved classification performance. While the validation accuracy rates obtained with current and vibration data individually were 83.91% and 98.10% respectively, the fusion model created by combining vibration, current, and torque data reached an accuracy rate of 99.48%. The findings reveal that the proposed method can detect faults with high precision in industrial environments, offering an effective solution for predictive maintenance applications.

Asenkron motorlarda meydana gelen rulman arızalarının erken teşhisi, endüstriyel süreçlerin verimliliği, güvenliği ve bakım maliyetlerinin düşürülmesi açısından kritik öneme sahiptir. Bu çalışmada, asenkron motor rulman arızalarının tespiti ve sınıflandırılması amacıyla çoklu sensör veri füzyonuna dayalı bir Evrişimli Sinir Ağı (CNN) modeli önerilmiştir. Çalışma kapsamında deneysel düzenekten elde edilen üç eksenli titreşim, üç fazlı akım ve tork sinyalleri işlenerek spektrogram görüntülerine dönüştürülmüş ve derin öğrenme modeline giriş verisi olarak sunulmuştur. Sistemin uygulanabilirliğini artırmak adına, LabVIEW ve Python entegrasyonuna sahip Grafiksel Kullanıcı Arayüzleri (GUI) geliştirilmiştir. Bu arayüzler sayesinde veri toplama, ön işleme, model eğitimi ve test işlemleri gerçekleştirilebilmektedir. Deneysel sonuçlar, tekil sensör verileri yerine veri füzyonu yaklaşımının kullanılmasının sınıflandırma başarısını belirgin şekilde artırdığını göstermiştir. Tek başına akım ve titreşim verileriyle elde edilen doğrulama doğrulukları sırasıyla %83.91 ve %98.10 iken; titreşim, akım ve tork verilerinin birleştirilmesiyle oluşturulan füzyon modeli %99.48 doğruluk oranına ulaşmıştır. Elde edilen bulgular, önerilen yöntemin endüstriyel ortamlarda arızaları yüksek hassasiyetle tespit edebileceğini ve kestirimci bakım uygulamaları için etkin bir çözüm sunabileceğini ortaya koymaktadır.