Sinyal işleme ve makine öğrenmesi yöntemleri ile dönen makinelerde titreşim sinyallerinden arıza analizi ve tespiti

Abstract

Bu tez çalışmasında, endüstride sıklıkla kullanılan CNC makinesinin matkap ucunda meydana gelen hataların tespitine yönelik çalışmalar gerçekleştirilmiştir. Üretimde kullanılan her makine için zamanla arızalanma kaçınılmazdır. Arızaları meydana gelmeden önce tahmin edebilmek hem insan gücü kaybının hem de yüksek miktarlardaki onarım maliyetinin oluşmasına engel olur. Bu sebeple, makinelerde oluşan hataları analiz edebilmek uzun yıllardır uygulanan popüler bir konudur. Daha önce yapılan çalışmalar incelendiğinde, makinelerin çalışma koşullarında alınan gerilim, akım, sıcaklık ve titreşim gibi nicelikler kullanılmaktadır. Bu çalışmada, CNC makinesinin çalışması esnasında alınan titreşim sinyallerini içeren veri kümesi kullanılmıştır. Hataları teşhis edebilmek için, ham titreşim sinyallerinden özellikler çıkarılmıştır. Özellik çıkarma işlemi, büyük miktarda veri içerisinden değerli olan az miktardaki veriyi elde etmeyi sağlamaktadır. Bu bağlamda zaman alanı, frekans alanı, zaman-frekans alanı ve bu alanların birleşimi olmak üzere 4 alanda özellikler elde edilmiştir. Özellik çıkarma işleminden sonra, normalizasyon işlemi uygulanmıştır. Bu şekilde farklı değerlere sahip özelliklerin aynı anda verimli bir şekilde işlenebilmesi sağlanmıştır. Normalizasyon işleminden sonra, Uzun-Kısa Dönem Hafıza yapısı ve çeşitli derin öğrenme katmanları kullanılarak sınıflandırma işlemi gerçekleştirilmiştir.Yapılan işlemler sonucunda %99,53 doğruluk oranı elde edilmiştir. Alınan doğruluk oranının karşılaştırmasını yapabilmek için, bu alanda çok tercih edilen Destek Vektör Makineleri kullanılmıştır.Bu çalışma ile, bu alanda daha önce kullanılmayan Uzun-Kısa Dönem Hafıza yapısı ile dönen makinelerde hata analizi yapılabileceği gösterilmektedir. Ek olarak, oluşturulan yapay sinir ağına farklı katmanlar eklemenin sonuca etkileri gösterilmektedir.

In this thesis, studies were carried out to determine the faults occurring at the drill bit end of the CNC machine, which is frequently used in the industry. Failure is inevitable for each machine used in production. Prediction of failures before they occur prevents both loss of manpower and high cost of repair. For this reason, analyzing faults in machines is a popular subject that has been applied for many years.When the previous studies are examined, the quantities such as voltage, current, temperature and vibration taken under the working conditions of the machines are used. In this study, a dataset containing the vibration signals measured during the operation of the CNC machine is used. In order to diagnose faults, the features have been extracted of the raw vibration signals. The feature extraction process allows obtaining a small amount of data which is valuable from a large amount of data. In this context, features were obtained in 4 areas which are: time domain, frequency domain, time-frequency domain and the combination of these. After feature extraction, normalization was performed. In this way, the features with different values can be processed efficiently at the same time. After the normalization process, the Long-Short Term Memory structure and various deep learning layers were realized.As a result of the transactions 99,53% accuracy rate was obtained. In order to compare the obtained accuracy rate Support Vector Machines were used because of Support Vector Machines are frequently used in this area.In this study, it is shown that fault analysis can be performed on machines with Long-Short Term Memory structure which is not so used in this field. In addition, the effects of adding different layers to the generated artificial neural network are shown.