Rulman titreşim verilerinden derin öğrenme tabanlı hata tespiti

Basit Öğe Kaydı
dc.authorid0000-0003-3878-7040en_US
dc.contributor.advisorOğuzay, Engin
dc.contributor.authorBalta, Murat
dc.date.accessioned2024-07-12T22:37:51Z
dc.date.available2024-07-12T22:37:51Z
dc.date.issued2024en_US
dc.date.submitted2024-02en_US
dc.departmentEnstitüler, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.description.abstractRulman 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.en_US
dc.description.abstractAnalysis 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.en_US
dc.identifier.citationBalta, 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.en_US
dc.identifier.urihttps://hdl.handle.net/20.500.12415/12649
dc.language.isotren_US
dc.publisherT.C. Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmzKT2766en_US
dc.subjectMotor rulman titreşimien_US
dc.subjectDerin öğrenmeen_US
dc.subjectYapay zekâen_US
dc.subjectSinyal işlemeen_US
dc.subjectSinyal sınıflandırmaen_US
dc.subjectEndüstriyel hata tanımaen_US
dc.subjectMotor bearing vibrationen_US
dc.subjectDeep learningen_US
dc.subjectMachine learningen_US
dc.subjectArtificial intelligenceen_US
dc.subjectSignal processingen_US
dc.subjectSignal classificationen_US
dc.subjectIndustrial fault recognitionen_US
dc.titleRulman titreşim verilerinden derin öğrenme tabanlı hata tespitien_US
dc.title.alternativeDeep learning based fault detection from bearing vibration dataen_US
dc.typeMaster Thesisen_US
dspace.entity.typePublication

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Murat_Balta_Rulman_Titreşim_Verilerinden.pdf
Boyut:
3.02 MB
Biçim:
Adobe Portable Document Format
İndir

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu