Rulman titreşim verilerinden derin öğrenme tabanlı hata tespiti
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
T.C. Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Rulman titreşim analizi makinenin mekaniksel sağlığı hakkında bilgi verebilmektedir. Bu çalışmada endüstride kullanılan motorlu mekaniklerin arıza tespiti bulmak ve iş üretimi verimini artırmak için 1-Boyutlu ve 2-Boyutlu veri uzayında derin öğrenme yaklaşımları makine sağlığı için entegre edilmiştir. Uygulama kısmında geniş kapsamlı olan Case Western Reserve University (CWRU) rulman veri seti üzerinde toplamda 10 farklı sınıf üzerinden çalışılmıştır. Toplamda dış bilezik, bilye ve iç bilezik olarak 3 farklı hata ve bir sağlıklı sınıf mevcuttur. Rulman titreşim sinyali dört şekilde ele alınmış; orijinal titreşim verisini kullanmak, orijinal veriden öznitelikler çıkarmak, orijinal veriye STFT uygulanmak ve yine STFT uygulanmış veriden öznitelikler çıkartmak. Makine öğrenmesi yaklaşımlarımdan KNN, SVM, MLP, RF, GBC ve 1D WDCNN 1-B veri üzerinde uygulanmıştır. Ayrıca 2-B veri uzayında STFT dönüşümü uygulanarak EfficientNetB0, EfficientNetB1, ResNet18 ve 2D WDCNN için farklı istatiksel metrikler ile performans ölçümü yapılmıştır. 2B uzayında derin öğrenme yöntemleri ile 100% doğrulukla hata tespiti yapılmıştır.
Analysis of bearing vibrations can provide information on the overall health of a machine's mechanical components. In this study, deep learning algorithms were integrated in both 1-D and 2-D data spaces to detect defects in motor mechanics commonly utilized in industry, and to increase production efficiency. Ten different classes were studied using the popular and comprehensive Case Western Reserve University (CWRU) bearing dataset, which includes three types of faults - the outer race, the ball, and the inner race - as well as a healthy class. The bearing vibration signal was handled in four ways: using the original vibration data, extracting features from the original data, applying STFT to the original data, and extracting features from the STFT-applied data. Machine learning approaches such as KNN, SVM, MLP, RF, GBC and 1D WDCNN were applied to the 1-D data. Additionally, STFT transformation was applied in the 2-D data space, and performance measurements were made with different statistical metrics using EfficientNetB0, EfficientNetB1, ResNet18, and 2D WDCNN. In the 2-D space, deep learning methods achieved 100% accuracy.
Analysis of bearing vibrations can provide information on the overall health of a machine's mechanical components. In this study, deep learning algorithms were integrated in both 1-D and 2-D data spaces to detect defects in motor mechanics commonly utilized in industry, and to increase production efficiency. Ten different classes were studied using the popular and comprehensive Case Western Reserve University (CWRU) bearing dataset, which includes three types of faults - the outer race, the ball, and the inner race - as well as a healthy class. The bearing vibration signal was handled in four ways: using the original vibration data, extracting features from the original data, applying STFT to the original data, and extracting features from the STFT-applied data. Machine learning approaches such as KNN, SVM, MLP, RF, GBC and 1D WDCNN were applied to the 1-D data. Additionally, STFT transformation was applied in the 2-D data space, and performance measurements were made with different statistical metrics using EfficientNetB0, EfficientNetB1, ResNet18, and 2D WDCNN. In the 2-D space, deep learning methods achieved 100% accuracy.
Açıklama
Anahtar Kelimeler
Motor rulman titreşimi, Derin öğrenme, Yapay zekâ, Sinyal işleme, Sinyal sınıflandırma, Endüstriyel hata tanıma, Motor bearing vibration, Deep learning, Machine learning, Artificial intelligence, Signal processing, Signal classification, Industrial fault recognition
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Balta, M. (2024). Rulman titreşim verilerinden derin öğrenme tabanlı hata tespiti / Deep learning based fault detection from bearing vibration data. (Yayımlanmamış Yüksek Lisans Tezi). Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul.
