Motor fault detection using neural networks
Sinir ağları kullanılarak motor arızalarının belirlenmesi
- Tez No: 537341
- Danışmanlar: DOÇ. DR. EMİN GERMEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilim ve Teknoloji, Electrical and Electronics Engineering, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Anadolu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Asenkron motorlarının sık arızalanması endüstride karşılaşılan bir durum olmasından dolayı, hataların tespiti hem motorları korumak, hem de hayati önem arz eden süreçleri bölmemek adına büyük önem taşır. Bu tezde farklı yükleme koşulları altındaki asenkron motorlardan gelen titreşim verileri evrişimsel sinir ağları kullanılarak sınıflandırılmıştır. Titreşim verilerini oluşturmak adına, asenkron motorların üzerine farklı arıza tipleri kasıtlı olarak yapılmış ve farklı yükleme değerleriyle deney yapılarak veriseti oluşturulmuştur. Bir boyutlu titreşim verileri otokorelasyon değerleri kullanılarak önce iki boyutlu gri renkli imgelere sonra üç boyutlu renkli imgelere dönüştürülmüş, böylece sinir ağlarının titreşim verilerini tanımasına olanak sağlanmıştır. Evrişimsel sinir ağları sayesinde, herhangi bir özellik çıkarma yöntemine gerek duyulmadan farklı motor hataları kolaylıkla ayırt edilmiştir.
Özet (Çeviri)
Since the frequent breakdown of induction motors is a case of industry, the detection of faults is of great importance in order to protect motors and not interrupt vital processes. In this thesis, vibration data from asynchronous motors which are under different loading conditions are classified by using convolutional neural networks. In order to create vibration data, different fault types were deliberately made on asynchronous motors and dataset was created by experimenting with different loading values. The one-dimensional vibration data is transformed into two-dimensional grayscale images and then three-dimensional color images using autocorrelation values, thereby allowing the convolutional neural networks to recognize the vibration data. Different motor faults can be distinguished easily thanks to the convolutional neural network which do not need any feature extraction method.
Benzer Tezler
- Microcontroller-based real-time motor bearing fault detection and diagnosis using 1D convolutional neural networks
1B evrişimsel sinir ağları ile mikrodenetleyici tabanlı gerçek zamanlı motor rulman arızası tespiti ve teşhisi
SERTAÇ KILIÇKAYA
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİzmir Ekonomi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TÜRKER İNCE
- Yapay sinir ağları kullanarak anahtarlamalı relüktans motorlarda hata tespit ve teşhisi
Fault detection and diagnosis of switched reluctance motors using artificial neural networks
ALİ UYSAL
Doktora
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAİF BAYIR
- Sürekli mıknatıslı senkron motorda demagnetizasyon arızasının evrişimsel sinir ağı ile tespiti
Detection of demagnetization fault in permanent magnet synchronous motor with convolutional neural network
BİNNAZ GÜNDOĞAN
Yüksek Lisans
Türkçe
2022
Mekatronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA EKER
- Ayrıklaştırma yöntemleri ve yapay sinir ağı kullanarak asenkron motorlarda arıza teşhisi
Fault diagnosis in induction motors using discretization methods and artificial neural network
ZAFER DOĞAN
Doktora
Türkçe
2012
Teknik EğitimMarmara ÜniversitesiElektrik Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. İSMAİL TEMİZ
- Multi-sensor fusion for induction motor aging analysis and fault diagnosis
Başlık çevirisi yok
ALİ SEYFETTİN ERBAY