Comprehensive comparison of different early bearing fault detection techniques
Farklı rulman erken arıza tespit tekniklerinin kapsamlı karşılaştırılması
- Tez No: 898562
- Danışmanlar: Assoc. Prof. KEMALETTİN ERBATUR
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Rulmanlı yatak, Roller bearing
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Rulman arıza tespiti, dönen makineler için öngörücü bakımın bir parçası olup, beklenen arızalara ilişkin erken uyarılar sağlayarak üretimdeki ani duruşları önler. Bu çalışma, Case Western Reserve Üniversitesi (CWRU) ve HUST rulman veri kümelerini kullanarak rulman arıza tespiti için iki gelişmiş yöntem sunmaktadır: i) Grey Wolf Optimizasyonu (GWO), Parçacık Sürü Optimizasyonu (PSO) ve yeni Kepler Optimizasyon Algoritması (KOA) ile optimize edilmiş Destek Vektör Makineleri (SVM'ler) ve ii) Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM) ağlarını kullanan derin bir öğrenme yaklaşımı. Arıza tespit verimliliğini artırmak için SVM kutu kısıtlaması ve çekirdek ölçeği parametreleri GWO, PSO ve KOA ile ayarlandı. Bu sonuçlar BiLSTM tabanlı derin öğrenme modelinin sonuçlarıyla karşılaştırıldı. Karşılaştırmamız BiLSTM modelinin optimize edilmiş SVM modellerinden önemli ölçüde daha başarılı olduğunu gösterdi. Optimize edilmiş SVM'ler, optimize edilmemiş SVM modellerine göre hata tespit doğruluğu açısından önemli gelişmeler elde etmesine rağmen, hala BiLSTM modelinden daha düşük performans gösterdiler. Doğruluğa dayalı olarak değerlendirilen BiLSTM modeli, farklı hata türleri ve hata boyutlarında sürekli olarak üstün performans göstererek küçük hata boyutlarında %100 ve daha büyük olanlarda %99,92'ye varan doğruluğa ulaşmıştır. HUST Veri Kümesi'nde doğruluk oranı %99,58'e kadar çıkmaktadır. Önerilen model, rulman arıza tespiti için düzenli olarak kullanılan birçok son teknoloji ürünü modelden daha iyi performans göstermiştir. Bu araştırma, rulman arızası tespitinde derin öğrenme tekniklerinin, özellikle de BiLSTM'nin potansiyelini vurgulamaktadir. Tez, gelişmiş algoritmalarla optimize edildikleri durumda dahi geleneksel makine öğrenimi modellerine göre BiLSTM'nin avantajlarını ortaya koymakta, derin öğrenmenin tahminsel bakım sistemlerini geliştirmedeki yeteneklerini sergileyerek alana değer katmaktadır.
Özet (Çeviri)
Bearing fault detection is a part of predictive maintenance for rotating machinery to provide early warnings of pending breakdowns, preventing sudden stops in production. This study presents two advanced methods for bearing fault detection utilizing the Case Western Reserve University (CWRU) and the HUST Bearing Datasets: Support Vector Machines (SVMs) optimized by Grey Wolf Optimization (GWO), Particle Swarm Optimization (PSO), and the novel Kepler Optimization Algorithm (KOA), and a deep learning approach using Bidirectional Long Short-Term Memory (BiLSTM) networks. The SVM parameters, box constraint and kernel scale were tuned with GWO, PSO, and KOA to improve fault detection efficiency. These results were compared with those of a BiLSTM-based deep learning model. Our comparison showed that the BiLSTM model significantly outperformed the optimized SVM models. Although the optimized SVMs achieved considerable improvements over non-optimized SVM models in fault detection accuracy, they were still inferior to the BiLSTM model. Evaluated based on accuracy, the BiLSTM model consistently performed outstandingly across different fault types and sizes, reaching 100% accuracy on small fault sizes, and accuracies as high as 99.92% on bigger ones on the CWRU Dataset and accuracies as high as 99.58% on the HUST Dataset. The proposed model outperformed several modern models regularly utilized for bearing fault detection. This research highlights the potential of deep learning techniques, specifically BiLSTM, in bearing fault detection, demonstrating their advantage over traditional machine learning models even when optimized with advanced algorithms. This study adds value to the field by showcasing the capabilities of deep learning to enhance predictive maintenance systems.
Benzer Tezler
- Afet sonrasında kullanılacak geçici barınma ünitelerinin yapısal kuruluş ve malzeme özelliklerine göre ısıl performansının değerlendirilmesi
Evaluation of the thermal performance of temporary shelter units used after disasters based on their structural configuration and material properties
BEGÜM SUDE KURT
Yüksek Lisans
Türkçe
2026
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. CANER GÖÇER
- Rulmanlarda sürünme riskinin deneysel olarak incelenmesi ve rulman tasarım parametrelerinin sürünme üzerine etkisinin analizi
Experimental investigation of creep risk on bearings and analysis of bearing design parameters for creep
AHMET HAKAN BOZKURT
Yüksek Lisans
Türkçe
2026
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN TAHA ŞEN
- Comparative numerical and experimental study of homogenized and full-scale fe models for sandwich structures with re-entrant and anti-tetrachiral auxetic cores
Re-entrant ve antı-tetrachıral auxetıc çekirdekli sandviç yapıların homojenleştirilmiş ve tam ölçekli modelleri üzerine sayısal ve deneysel karşılaştırmalı bir çalışma
ÖZGÜR DEĞİRMENCİ
Yüksek Lisans
İngilizce
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAFAK YILMAZ
PROF. DR. HALİT SÜLEYMAN TÜRKMEN
- Güncel deprem yönetmelikleri gereksinimlerini sağlamayan betonarme kolonların davranışının deneysel ve sayısal olarak incelenmesi
Experimental and numerical investigation of the behavior of reinforced concrete columns nonconforming to current earthquake standards
İLKER SUBAŞI
Doktora
Türkçe
2026
İnşaat MühendisliğiSakarya Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. NACİ ÇAĞLAR
- Tekil kazıklara alternatif olarak kullanılan çoklu kazık gruplarının zemin ve malzeme parametresine bağlı olarak seçimi ve maliyet analizi
Single piles and their multi-pile group alternatives selection based on soil and material parameters and cost analysis
MEHMET YUSUF ERBİŞİM
Yüksek Lisans
Türkçe
2026
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÜMİT KARADOĞAN