Asenkron motor rulman hatalarının uzun-kısa süreli bellek tipi derin sinir ağları ile sınıflandırılması

Abstract

Asenkron motorlar güvenilir, hesaplı ve dayanıklı olmaları nedeniyle endüstride yaygın olarak tercih edilmektedir. Asenkron motorların rulman bileşenlerinin iç bilezik, bilye ve dış bilezik bölgelerinde sıklıkla hatalar meydana gelmektedir. Bu sebepten ötürü, asenkron motorlarının verimini arttırmak için rulman hatalarının önceden tespiti ve sınıflandırması oldukça önemlidir. Bu tez çalışmasında, Case Western Reserve University (CWRU) rulman veriseti ile Mendeley Rulman Titreşim verisetindeki titreşim verileri kullanılarak, asenkron motor rulmanlarının iç bilezik, dış bilezik ve bilye bölgelerinde oluşan hatalarının otomatik sınıflandırılması için iki yönlü uzun-kısa süreli bellek tipi (IY-UKSB) tipi derin sinir ağlarına dayalı bir yöntem önerilmektedir. Tez kapsamında verisetleri üzerinde yürütülen deneysel analizlerde, sağlıklı (normal) ve sağlıksız (hatalı) rulmanlara ait titreşim verileri 128, 256, 512 ve 1024 gibi farklı boyutlarda pencerelere ayrılarak, anlık frekans ve spektral entropi gibi çeşitli özellik çıkarımı yöntemleri sonucunda elde edilen veriler ile önerilen IY-UKSB ağının performansı değerlendirilmiştir. Çalışmada normal ve hatalı rulman verilerinden hazırlanan veriseti üzerinde farklı pencere genişliklerinde test kümesi üzerinde IY-UKSB ağının doğruluğunun CWRU verisetinde ortalama %60 civarında kaldığı, Mendeley Rulman Titreşim verisetinde ise ortalama %75 civarında olduğu hesaplanmıştır . Normal ve hatalı rulman verilerinin sınıflandırılmasında anlık frekans ve spektral entropi ile özellik çıkarımı sonrası IY-UKSB ağının ortalama doğruluğunun CWRU verisetinde ortalama %95’in üzerine, Mendeley Rulman Titreşim verisetinde ise %99’un üzerinde olduğu görülmüştür. Sonuç olarak, önerilen IY-UKSB ağının normal ve hatalı rulman titreşim verilerinin ayrımı için güçlü bir sınıflandırıcı olduğu değerlendirilmiştir. Çalışmanın diğer adımında hatalı verilerin konumunun sınıflandırılması ve hata büyüklüğünün sınıflandırılması da sağlanmıştır. Yapılan deneysel çalışmalarda özellik çıkarımı uygulanan IY-UKSB ile iki farklı veriseti üzerinde asenkron motor rulman hatalarının sınıflandırılmasında, yüksek performans elde edildiği doğrulanmıştır.

Induction motors are widely preferred in the industry because they are reliable, economical and durable. The various faults often occur in the inner ring, ball and outer ring regions of the bearing components of induction motors. Therefore, it is very important to detect bearing faults at an early stage in order to increase the efficiency of operation of induction motors. In this thesis, using Case Western Reserve University (CWRU) bearing dataset and Mendeley bearing vibration dataset, bi-directional long-short-term memory type (Bi-LSTM) deep neural networks are proposed for automatic classification of faults in the inner race, outer race and ball regions of induction motor bearings on vibration data. In the study, the performance of the proposed Bi-LSTM network is evaluated as a result of feature extraction using instantaneous frequency and spectral entropy, by dividing the vibration data of normal bearing and faulty bearing into windows of different sizes such as 128, 256, 512 and 1024. In the study, it is achieved that the accuracy of the Bi-LSTM network on the test set with different window widths on the dataset prepared from normal and faulty bearing data is around 60% on average in the CWRU dataset, while it is around 75% on the Mendeley Bearing Vibration dataset. In the classification of normal and faulty bearing data, the average accuracy of the Bi-LSTM network after feature extraction with instantaneous frequency and spectral entropy is obtained to be above 95% in the CWRU dataset and over 99% in the Mendeley Bearing Vibration dataset. As a result, the proposed Bi-LSTM network is considered to be a powerful classifier for the separation of faulty and normal bearing vibration data in induction motors. In the latter step of the study, classification of the location of the faulty data and classification of the fault size experiments are carried out. In the experimental studies, it has been confirmed that high performance is obtained in the classification of induction motor bearing errors on two different datasets with Bi-LSTM, where feature extraction is applied.