Geri Dön

Rüzgâr türbinlerinin güç aktarım elemanlarının ve kanatlarının bilgisayarlı görü tabanlı hasar tanı ve analiz sistemi

Computer vision-based damage diagnosis and analysis system for wind turbine drive train components and blades

PDF İndir

  1. Tez No: 1013192
  2. Yazar: OĞUZHAN YAVUZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÇAĞDAŞ KARATAŞ, PROF. DR. FEMİN YALÇIN KÜÇÜKBAYRAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Makine Mühendisliği, Enerji, Mühendislik Bilimleri, Mechanical Engineering, Energy, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İzmir Katip Çelebi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Rüzgâr türbinlerinin güç aktarım elemanları (özellikle dişli kutusu ve ana yatak bölgeleri) ile kanatlarının periyodik kontrolleri; kısıtlı erişim, değişken görüş mesafesi, yetersiz/heterojen aydınlatma, hareket bulanıklığı ve sıkıştırma kaynaklı kalite kayıpları gibi saha koşulları altında toplanan görüntülerle yürütülür. Bu durum, arka ofis mühendislik değerlendirmelerinde zaman kaybına ve gözlemciler arası yorum farklılıklarına yol açarak bakım karar süreçlerini zorlaştırabilir. Bu tez çalışması, gerçek saha görüntüleri üzerinde çok sınıflı hasarların otomatik olarak yerelleştirilmesi ve sınıflandırılmasını hedefleyen, nesne tespiti tabanlı bir karar destek yaklaşımı önermektedir. Yaklaşım; raporlanabilir bulgular üreterek bakım/onarım karar iş akışlarını hızlandırmayı amaçlamaktadır. Çalışma kapsamında gizlilik esaslarına uygun şekilde iki ayrı saha veri seti oluşturulmuştur. Güç aktarım elemanları tarafında, endoskop/boreskop ile çekilmiş muayene fotoğraflarından oluşan bir veri seti üzerinde beş hasar sınıfı tanımlanmıştır: çatlak, makro çukurlaşma, çentik/kalıntı, mikro çukurlaşma ve düşük şiddetli işletim izi. Varsayılan veri seti 2.665 görüntü ve 4.665 sınır kutusu örneği içermekte olup, veri sızıntısını önleyecek şekilde kontrollü çevrimdışı veri artırma stratejisi ile 24.175 görüntü ve 47.362 örneğe ölçeklenmiştir. Kanat tarafında ise İHA (UAV), iple erişim ve yer tabanlı fotoğraflardan derlenen veri seti; yapısal çatlak, delaminasyon, erozyon, yüzeysel çatlak ve yüzey boşlukları sınıfları ile etiketlenmiştir. Sınırlı ham veriyi güçlendirmek üzere 10 teknikten oluşan çevrimdışı artırma paketiyle veri seti 729 görüntü (1.001 örnek) seviyesinden 5.828 görüntüye (8.615 örnek) genişletilmiştir. Her iki alt problem için iki aşamalı (R-CNN türevleri) ve tek aşamalı (YOLO varyantları, RetinaNet, EfficientDet ve hafif dedektörler) mimariler tutarlı taban koşullar altında kıyaslanmış; hedeflenen endüstriyel inceleme senaryosunda hız–doğruluk dengesi açısından YOLOv8s güçlü bir temel model olarak öne çıkmıştır. Saha kaynaklı bozulmalara dayanıklılığı artırmak amacıyla eğitim sırasında olasılıksal ×2 süper çözünürlük (Real-ESRGAN), kenar/kontrast iyileştirme (CLAHE ve gradyan tabanlı yöntemler) ve batch seviyesinde keskinleştirme (unsharp masking) gibi görüntü iyileştirme modülleri entegre edilmiştir. Ayrıca güç aktarım elemanları probleminde çatlak sınıfına yönelik yanlış pozitifleri azaltmak için sınıflandırma kaybı içinde çatlak odaklı zor negatif yeniden ağırlıklandırma stratejisi uygulanmıştır. Elde edilen nihai konfigürasyonlar; güç aktarım elemanları tarafında doğrulama kümesinde Precision 0,953, Recall 0,802, mAP50 0,871 ve mAP50–95 0,695 değerlerine ulaşmış; ayrılmış test kümesinde ise ortalama IoU 0,826 ve medyan IoU 0,914 ile güçlü yerelleştirme doğruluğu göstermiştir. Kanat tarafında en iyi doğrulama yapılandırması Precision 0,955, Recall 0,802, mAP50 0,873 ve mAP50–95 0,700 değerlerine ulaşmış; ayrılmış test kümesinde ortalama IoU 0,624 elde edilmiştir. Son olarak sistem, PyQt5 tabanlı hafif bir grafik arayüz ile operasyonelleştirilerek tek görüntü veya klasör bazlı test, etiketli çıktı görselleri ve standart PDF/Excel rapor üretimi yetenekleriyle saha–mühendislik karar süreçlerine doğrudan entegre edilebilir bir yapıda gösterilmiştir.

Özet (Çeviri)

Inspections of wind turbine drive-train components (especially gearbox and main-bearing regions) and blades are commonly performed under practical field constraints, including limited access, heterogeneous illumination, variable stand-off distances, motion blur, and compression artifacts. Such conditions often produce low-contrast and degraded imagery, creating bottlenecks in back-office engineering assessments and increasing inter-observer variability in maintenance decision-making. This thesis proposes an object-detection-based decision-support framework that automatically localizes and classifies multi-class damage patterns in real-world inspection images and generates reportable outputs to accelerate maintenance workflows. Two confidential field datasets were constructed in compliance with authorization and confidentiality requirements. For the drive-train dataset, endoscope/borescope inspection photographs were compiled and annotated with five damage classes: crack, macropitting, indentation/debris, micropitting, and low-severity operational marks. The default dataset (2,665 images; 4,665 bounding-box instances) was expanded through a controlled offline augmentation strategy to 24,175 images and 47,362 instances, with strict split-level leakage prevention. For the blade dataset, a collection assembled from UAV, rope-access, and ground-based photographs was annotated with five practically relevant classes: structural crack, delamination, erosion, superficial crack, and surface voids. To address limited raw data, the blade dataset was expanded from 729 images (1,001 instances) to 5,828 images (8,615 instances) using an offline augmentation suite comprising 10 techniques. Multiple detector families were benchmarked under aligned baselines, including two-stage R-CNN derivatives and one-stage architectures such as YOLO variants, RetinaNet, EfficientDet, and lightweight detectors. For the targeted industrial inspection setting, one-stage models, particularly YOLOv8s, provided the most favorable speed–accuracy trade-off. To improve robustness to field degradations, training-time image enhancement modules were integrated, including probabilistic ×2 Real-ESRGAN super-resolution, CLAHE/gradient-based edge enhancement, and batch-level unsharp masking, complemented by conservative online augmentation settings. In the drive-train task, a crack-focused hard-negative reweighting strategy was additionally incorporated into the classification loss to mitigate crack-related false positives. The final configurations reached drive-train validation metrics of Precision 0.953, Recall 0.802, mAP50 0.871, and mAP50–95 0.695; on the held-out drive-train test set, mean IoU was 0.826 and median IoU was 0.914. For blades, the best validation configuration achieved Precision 0.955, Recall 0.802, mAP50 0.873, and mAP50–95 0.700, with a mean IoU of 0.624 on the held-out test set. Finally, the pipeline was operationalized through a lightweight PyQt5-based GUI that supports rapid single-image and batch assessment and exports annotated evidence together with standardized PDF and Excel reports, thereby bridging deep learning research and industrial maintenance engineering.

Benzer Tezler

  1. Tez No

    959774

    Değişken hızlı rüzgâr türbinleri için rezonans güç dönüştürücülü maksimum güç noktası izleyici geliştirilmesi

    Development of a resonant power converter-based maximum power point tracker for variable-speed wind turbines

    TUFAN VOLKAN KÜÇÜK

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiKarabük Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SELİM ÖNCÜ

  2. Tez No

    559137

    Rüzgar enerjisi türbinleri yüzeysel temellerinin geoteknik tasarımı

    Geotechnical design of shallow foundation for windenergy turbines

    YILDIRIM BAYAZIT

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BERRAK TEYMÜR

  3. Tez No

    411548

    Çift beslemeli asenkron generatör tabanlı değişken hızlı rüzgâr türbinlerinin kontrolü

    Control of doubly fed induction generator based vari̇able speed wi̇nd turbi̇nes

    MAHMUT ÇAĞRI CEYLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. İLKER ÜSTOĞLU

  4. Tez No

    469034

    Rüzgar türbinlerinde deneysel tork ölçümü için farklı kontrol algoritmalarının karşılaştırılması

    Comparison of different control algorithms for experimental torque measurement in wind turbines

    HAYDAR ÜLKER

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Enerjiİzmir Katip Çelebi Üniversitesi

    Sistem ve Kontrol Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ZİYA HAKTAN KARADENİZ

  5. Tez No

    352577

    Rüzgâr enerjisi üretim sistemlerinde izleme ve hata kontrol sistemleri

    Monitoring and fault control systems on wind energy production systems

    GÖKSEL GÖKKUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik Eğitimi Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET DEMİRTAŞ

Geri Dön