Rulman Titreşim Verilerinden Derin Öğrenme Tabanlı Arıza Tespiti
Öz
Rulman titreşimlerinin analizi, bir makinenin mekanik bileşenlerinin genel sağlığı hakkında bilgi sağlayabilir. Bu çalışmada, endüstride yaygın olarak kullanılan motor mekaniklerindeki kusurları tespit etmek ve üretim verimliliğini artırmak için derin öğrenme algoritmaları hem 1 boyutlu hem de 2 boyutlu veri uzaylarına entegre edilmiştir. Popüler ve kapsamlı Case Western Reserve Üniversitesi (CWRU) rulman veri kümesi kullanılarak on farklı sınıf üzerinde çalışılmıştır; bu veri kümesi üç tür hata (dış bilezik, bilye ve iç bilezik) ve sağlıklı bir sınıf içermektedir. Rulman titreşim sinyali dört şekilde ele alınmıştır: orijinal titreşim verilerinin kullanılması, orijinal verilerden özelliklerin çıkarılması, orijinal verilere STFT uygulanması ve STFT uygulanmış verilerden özelliklerin çıkarılması. KNN, SVM ve 1D WDCNN gibi makine öğrenimi yaklaşımları 1 boyutlu verilere uygulanmıştır. Ayrıca 2 boyutlu veri uzayında STFT dönüşümü uygulanmış ve EfficientNetB0, EfficientNetB1, ResNet18 ve 2D WDCNN kullanılarak farklı istatistiksel metriklerle performans ölçümleri yapılmıştır. 2 boyutlu uzayda derin öğrenme yöntemleri %100 doğruluk elde etmiştir.
Anahtar Kelimeler
Motor Yatağı Titreşimi, Derin Öğrenme, Sinyal Sınıflandırma, Endüstriyel Arıza Tanıma
Kaynakça
- Anagün, Y., Işik, Ş., ve Çakir, F. H. (2023). Surface roughness classification of electro discharge machinedvsurfaces with deep ensemble learning. Measurement, 215, 112855.
- Aydın, İ., Aydın, E., Akın, E., Kaner, S. (2024). Derin Evrişimsel Sinir Ağ Mimarisi ve Zaman Frekans Gösterimini Kullanılarak Büyük Güçlü Motor Arızalarının Tespiti. EMO Bilimsel Dergi, 14(1), 51-59.
- Berghian-Grosan, C., Isik, S., Porav, A. S., Dag, I., Ay, K. O., ve Vithoulkas, G. (2024). Ultra-high dilutions analysis: Exploring the effects of potentization by electron microscopy, Raman spectroscopy and deep learning. Journal of Molecular Liquids, 401, 124537.
- Caesarendra, W., ve Tjahjowidodo, T. (2017). A Review of Feature Extraction Methods in Vibration-Based Condition Monitoring and Its Application for Degradation Trend Estimation of Low-Speed Slew Bearing. Machines, 5(4), 1-28. https://doi.org/10.3390/machines5040021
- Carvalhoa, T. P., Soares, F. A., Vita, R., Francisco, R. d., Basto, J. P., ve Alcalá, S. G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137. https://doi.org/10.1016/j.cie.2019.106024"
- Ertarğın, M., Yıldırım, Ö., ve Orhan, A. (2023). Motor Yataklarında Meydana Gelen Arızaları Tespit Etmek için Yeni Bir Tek Boyutlu Konvolüsyonel Sinir Ağı Modeli. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 35(2), 669-678. https://doi.org/10.35234/fumbd.1292390
- Eren, L., Ince, T., ve Kiranyaz, S. (2019). A Generic Intelligent Bearing Fault Diagnosis System Using Compact Adaptive 1D CNN Classifier. Journal of Signal Processing Systems, 91, 179–189. doi:s11265-018-1378-3
- Fawaz, H. I., Forestier, G., Weber, J., Idoumghar, L., ve Muller, P.-A. (2019). Deep learning for time series classification: a review. Data Mining and Knowledge Discovery, 33, Lhassane Idoumghar & Pierre-Alain Muller. doi:10.1007/s10618-019-00619-1
- Han, S., ve Jeong, J. (2020). An Weighted CNN Ensemble Model with Small Amount of Data for Bearing Fault Diagnosis. Procedia Computer Science, 175, 88-95. doi:j.procs.2020.07.015
- Hendrickx, K., Meert, W., Mollet, Y., Gyselinck, J., Cornelis, B., Gryllias, K., ve Davis, J. (2020). A general anomaly detection framework for fleet-based condition monitoring of machines. Mechanical Systems and Signal Processing, 139, 1-21. doi:j.ymssp.2019.106585
kapsamında lisanslanmıştır.