Döner Ekipmanlarda Titreşim Verisine Dayalı Enerji Kaynağı Analizi

Öz

Enerji kaynağı analizi, kestirimci bakım stratejisi içerisinde yer alan bir titreşim analizi yöntemidir. Amacı makinelerde oluşan arızaların hangi makine alt bileşeninden kaynaklandığını erken aşamalarda belirlemektir. Bu sayede sadece semptomlar tespit edilerek standart alarmlar üretilmeyecek, aynı zamanda kullanıcıya olası kök nedenlerle ilgili kimi ipuçları sağlanabilecektir. Bu amaçla titreşim verilerini kullanarak titreşim kaynağı analizi yapan bir kestirimci bakım uygulaması geliştirilmiştir. Geliştirilen uygulama Tekirdağ bölgesinde faaliyet gösteren bir beyaz kağıt üreticisinde uygulanmıştır. Çalışma kapsamında fabrikada yer alan vakum fanlarından kablosuz ivme sensörleri kullanılarak titreşim verisi toplanmış ve makinelerdeki arızaların ve olası kök nedenlerinin tespiti hedeflenmiştir. Toplanan veriler IoT teknolojileri kullanılarak bulut ortamındaki yazılıma gönderilmekte ve burada yapılan çeşitli titreşim analizi yöntemleri ve enerji kaynağı analizi ile makine sağlığı hakkında çıkarımlar yapılmaktadır. Elde edilen sonuçları kullanıcıların da görebilmesi için bir web arayüzü geliştirilmiştir. Çalışma sonucunda makine alt bileşenlerindeki (rulman, şaft, kanat vb.) enerji dağılımları başarılı bir şekilde analiz edilmiştir. Geliştirilen yöntem ile vakum fanlarında meydana gelen rulman arızaları, geleneksel yöntemlere kıyasla en az iki hafta daha erken teşhis edilmiş ve plansız duruş sürelerinde %20 oranında azalma sağlandığı gözlemlenmiştir. Ayrıca, enerji kaynağı analizi ile arıza kök nedeninin tespitinde %90'ın üzerinde bir doğruluk oranına ulaşılmıştır.

Anahtar Kelimeler

• Kestirimci bakım
• titreşim analizi
• enerji analizi
• arıza tespiti ve teşhisi
• bulut bilişim

Energy Source Analysis Based on Vibration Data in Rotating Equipment

Öz

Energy Source Analysis is a vibration analysis method within the predictive maintenance strategy. Its purpose is to identify, at an early stage, which machine sub-component is the source of developing faults. Consequently, not only will symptoms be detected to generate standard alarms, but users will also receive clues about potential root causes. To this end, a predictive maintenance application that performs vibration source analysis using vibration data has been developed. The developed application was implemented at a white paper plant operating in the Tekirdağ region. Within the scope of the study, vibration data were collected from vacuum fans in the factory using wireless acceleration sensors to detect faults and their potential root causes. The collected data is transmitted to cloud-based software via IoT technologies, where inferences regarding machine health are made through various vibration analysis methods, including energy source analysis. A web interface was developed to allow users to view the obtained results. As a result of the study, machine faults were successfully detected at early stages. As a result, unplanned stoppages were prevented, and production performance improved. As a result of the study, the energy distributions in machine subcomponents (bearings, shaft, blades, etc.) were successfully analyzed. Using the developed method, bearing faults in vacuum fans were detected at least 2 weeks earlier than with conventional methods, resulting in a 20% reduction in unplanned downtime. In addition, energy source analysis achieved an accuracy rate of over 90% in identifying the root cause of failures.

Anahtar Kelimeler

• Predictive maintenance
• vibration analysis
• energy analysis
• fault detection and diagnosis
• cloud computing

Kaynakça

1. Ovacıklı AK, Yağcıoğlu M, Demircioğlu S, Kocatekin T, Birtane S. Supervised learning-based fault classification in industrial rotating equipment using multi-sensor data. MDPI 2025; 15(13): 1-27.
2. Tandon N., Choudhury A. A review of vibration and acoustic measurement methods for the detection of defects in rolling element bearings. Tribology International 1999; 32(8): 469-480.
3. Randall, RB. Vibration-based condition monitoring: industrial, aerospace and automotive applications. John Wiley & Sons 2011.
4. Arora JK, Rajagopalan S, Singh J, Purohit A. Low-frequency adaptation-deep neural network-based domain adaptation approach for shaft imbalance fault diagnosis. Journal of Vibration Engineering & Technologies 2024; 12(1): 375-394.
5. Yuan X, He Y, Wan S, Qiu M, Jiang H. Remote vibration monitoring and fault diagnosis system of synchronous motor based on internet of things technology. JMobile Information Systems 2021; 2021(1): 345-624.
6. Yaman G, Karadayı HM. Titreşim analizi ile pompalarda arıza tespiti ve kestirimci bakım için örnek bir çalışma. Tesisat Mühendisliği 2014; 12(140): 36-51.
7. Pirge İG, Baştürk İ. Endüstriyel tesislerde makine öğrenmesi ile kestirimci bakım ve arıza analizleri. Karaelmas Fen ve Mühendislik Dergisi 2025; 15(1): 119-133.
8. Kabul A. Asenkron motor iç bilezik ve dış bilezik rulman arızalarının dalgacık dönüşümü tabanlı entropi analizleri. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi 2025; 12(1): 175-195.

9. Yayan U, Demir C, Taşkın S. Rüzgar türbinlerinde kestirimci bakım uygulamaları. İzmir Rüzgâr Sempozyumu; 21-22 Eylül 2023; İzmir. 1-9.
10. Ceylan H, Kasapbaşı MC. Üretim sistemlerinde makine öğrenmesi ile kestirimci bakım uygulaması ve modellemesi. Avrupa Bilim ve Teknoloji Dergisi 2022; 1(33): 167-175.
11. Gürsoy MÜ, Çolak UC, Gökçe MH, Akkulak C, Ötleş S. Endüstri için kestirimci bakım. Uluslararası 3B Yazıcı Teknolojileri ve Dijital Endüstri Dergisi 2019; 3(1): 56-66.
12. Romanssini, M, de Aguirre, PC. Compassi-Severo, L, Girardi, AG. A review on vibration monitoring techniques for predictive maintenance of rotating machinery, Eng 2023; 4(3): 1797-1917.
13. Öztürk E, Ovacıklı AK. Endüstride bulut bilişim tabanlı kestirimci bakım ve denetimsiz titreşim analizi uygulaması. Uluslararası 3B Yazıcı Teknolojileri ve Dijital Endüstri Dergisi 2025: 9(3): 448-461.
14. Aydın Ö, Akın E. Endüstri 4.0 tabanlı üretim sistemleri ve kestirimci bakım yaklaşımlarında digital ikiz uygulamalarının incelenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2021; 33(1): 167-178.
15. Alçelik, N, Kam, M. Dönen makinelerde eksenel kaçıklık ve dengesizliğin titreşim analizi. BŞEÜ Fen Bilimleri Dergisi 2020; 7(1): 256-296.
16. Ovacıklı AK, Pääjärvi P, LeBlanc, JP, Carlson, JE. Recovering periodic impulsive signals through skewness maximization. IEEE Transactions on Signal Processing 2016; 64(6): 1586-1596.
17. Çeven S, Bayır R. Bir asenkron motorun mekanik titreşim sinyallerinin ölçülerek arıza analizinin yapılması 2020; 312-322.