Asenkron motorlardan elde edilen titreşim sinyalleri kullanılarak arıza tespiti

Abstract

Asenkron motorlar, verimlilikleri ve düşük maliyetleri sebebiyle endüstriyel uygulamalarda sıklıkla kullanılmaktadır. Ancak, bu motorlarda meydana gelebilecek arızalar, işletmedeki tüm süreci etkileyeceği için bu arızaların erken tespiti büyük önem taşımaktadır. Bu arızaların tespiti için genellikle akım, titreşim ve akustik sinyaller kullanılmaktadır. Bu tez çalışmasında, asenkron motorun rulmanlarından alınan titreşim sinyalleri kullanılarak arıza tespiti yapılmıştır. Hem literatürde sıklıkla kullanılan bir hazır veri seti kullanılarak, hem de laboratuvar ortamında bir veri seti oluşturularak titreşim sinyalleri elde edilmiştir. Elde edilen titreşim sinyallerine 4 farklı öznitelik çıkarma yöntemi uygulanarak öznitelik vektörleri oluşturulmuştur. Elde edilen bu öznitelik vektörlerinden en değerli öznitelikleri elde edebilmek ve boyut indirgemek için Temel Bileşen Analizi (TBA) ve Genetik Algoritma (GA) yöntemleri kullanılmıştır. Hem öznitelik seçimi yapılmadan, hem de öznitelik seçimi yapıldıktan sonra elde edilen öznitelik vektörleri 5 farklı sınıflandırıcıya (k-En Yakın Komşuluk (k-EYK), Ortak Vektör Yaklaşımı (OVY), Destek Vektör Makineleri (DVM), Yapay Sinir Ağları (YSA) ve Fisher'in Doğrusal Ayırtaç Analizi (FDAA)) uygulanmış ve sınıflandırıcıların tanıma performansları test edilmiştir.

Induction motors are widely used in industrial applications by the reason of their efficiency and low cost. Since, faults on these motors may influence the whole process in operation, early detection of these faults has great importance. Current, vibration and acoustic signals are generally used for detection of these faults. In this thesis, fault detection is performed using vibration signals collected from ball bearings of induction motor. Vibration signals are obtained both using an open database which has been used in the literature enormously and constructing a database in the laboratory. Feature vectors are constructed by applying 4 different feature extraction method to obtained vibration signals. Principal Component Analysis (PCA) and Genetic Algorithm are used in order to obtain most valuable features and reduce dimension. Both with feature selection and without feature selection, feature vectors are applied to 5 different classifiers (k-Nearest Neighbor (k-NN), Common Vector Approach (CVA), Support Vector Machines (SVM), Artificial Neural Network (ANN) and Fisher's Linear Discriminant Analysis (FLDA)) and recognition performances of classifiers are tested.