Geri Dön

Çamaşır makinesinde yapay sinir ağları ile dengesiz yük miktarı tahmini

Estimation of unbalanced load weight in a washing machine using artificial neural networks

PDF İndir

  1. Tez No: 989774
  2. Yazar: ONURCAN GÜNDOĞAN
  3. Danışmanlar: PROF. DR. AHMET FARUK BAKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Makinaları ve Güç Elektroniği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Dengesiz yük, çamaşırların tambur içinde eşit dağılmamasından kaynaklanan bir kütle kaymasıdır ve özellikle yüksek hızlı sıkma anında ciddi titreşim, gürültü ve makine bileşenlerinin ömrünün kısalması gibi sorunlara yol açar. Bu yük miktarının doğru bir şekilde bilinmesi, pasif yöntemlere göre daha verimli olan aktif dengeleme sistemlerinin uygulanabilmesi için hayati önem taşımaktadır. Tezde geliştirilen model, maliyeti artıran ve arıza riskini yükselten harici ivmeölçer veya yük sensörlerine ihtiyaç duymayan, sensörsüz bir yaklaşımı benimsemektedir. Bu yaklaşımın teorik temeli, çamaşır makinesinin mekanik ve elektriksel sistemleri arasındaki doğrudan etkileşime dayanır. Tamburdaki mekanik kütle dengesizliği, dönme hareketi sırasında periyodik bir salınım kuvveti F_dengesizyük = m_dengesizyük*r_d*omega^2 ve buna bağlı bir yük momenti oluşturur. Modern motor kontrol sistemleri (FOC), tambur hızını sabit tutabilmek için bu salınımlı yük momentini dengeleyecek şekilde bir elektromanyetik moment talep eder. Bu moment talebi, motorun q-ekseni akımında (iq) doğrudan ölçülebilen periyodik dalgalanmalara neden olur. Dolayısıyla, tamamen mekanik bir olgu olan dengesizlik, motorun içsel elektriksel sinyalleri üzerinden izlenebilir hale gelir. Literatürde, dengesiz yükü tespit etmek için çeşitli sensörlü ve sensörsüz yöntemler araştırılmıştır. Sensörsüz yöntemler temel olarak; sistemin matematiksel modeline dayanan model tabanlı gözlemciler (örn. Kayan Rejim Gözlemcisi - Sliding Mode Observer), uzman bilgisine dayalı hibrit AI sistemleri (örn. Bulanık Mantık + YSA) ve motor sinyallerini zaman serisi olarak analiz eden derin öğrenme (örn. RNN, NARX) yaklaşımlarını içerir. Bu yöntemler yorumlanabilirlik, hesaplama yükü ve potansiyel doğruluk açısından farklılık gösterir. Bu çalışmada YSA modelinin girişine ham moment sinyali yerine, sinyalden çıkarılan üç temel özellik verilmiştir: RMS (sinyalin enerji seviyesi), Peak-to-Peak (p2p) (maksimum ve minimum farkı, genlik bilgisi) ve Mean (sinyalin ortalama seviyesi). Sinyalin zaman içindeki değişimlerini yakalamak, YSA için sabit boyutlu giriş sağlamak ve veri seti örneğini çoğaltmak amacıyla zaman serisi verisine pencereleme işlemi uygulanmıştır. Geliştirilen YSA mimarisi, ileri beslemeli bir yapıdadır. Model, 3 nöronlu bir giriş katmanına (RMS, P2P, Mean), sırasıyla 96 ve 48 nöron içeren iki gizli katmana ve 1 nöronlu bir çıkış katmanına sahiptir. 96 -> 48 şeklindeki bu kademeli daralma, ağın önce karmaşık örüntüleri öğrenmesine, ardından bu bilgiyi daha kompakt bir temsile indirgeyerek aşırı öğrenmeyi önlemesine ve genelleme kabiliyetini artırmasına yardımcı olur. Gizli katmanlarda, sinyallerdeki simetrik dalgalanmaları modelleyebilmesi için hiperbolik tanjant aktivasyon fonksiyonu; çıkış katmanında ise sürekli bir değer (regresyon) tahmini için lineer aktivasyon fonksiyonu tercih edilmiştir. Modelin eğitiminde kritik bir nokta, 0 gram ile 2000 gram arasındaki çok geniş yük aralığıdır. Doğrudan gram tahmini yapıldığında, modelin küçük yüklerdeki (örn. 10 gram) büyük oransal hataları ihmal edip büyük yüklere odaklanması riski vardır. Bu sorunu aşmak için logaritmik dönüşüm uygulanmıştır. Model, doğrudan ağırlığı değil, \log(1 + ağırlık) değerini tahmin etmek üzere eğitilmiştir. Bu dönüşüm, geniş veri aralığını sıkıştırarak (0--2000g aralığı logaritmik uzayda 0--7.6 aralığına sıkışır), modelin özellikle küçük yüklerdeki değişimlere karşı daha duyarlı olmasını sağlamıştır. Formülde +1 eki, 0 gram yükün logaritmasının alınabilmesi (log(0)$ tanımsızdır) için kullanılmıştır. Modelin logaritmik çıkışı (y_log), w_dengesizyük = exp(y_log) - 1 ters dönüşüm formülü ile tekrar gram cinsine çevrilmiştir. Ağ eğitimi için, büyük veri setlerinde hızlı ve bellek açısından verimli olan Scaled Conjugate Gradient (SCG) algoritması kullanılmıştır. SCG, klasik gradyan iniş algoritmalarına kıyasla önceki adımları da dikkate alarak yerel minimumlara takılma riskini azaltan gelişmiş bir optimizasyon tekniği dir. Yapılan deneysel çalışmalar, geliştirilen YSA modelinin %1 civarında maksimum mutlak hata ile yüksek bir doğruluk sunduğunu göstermiştir. Bu bulgular, sensörsüz bir yaklaşımın endüstriyel olarak kabul edilebilir bir performans sergileyebileceğini ve çamaşır makinelerinde düşük maliyetli, güvenilir ve bakım gerektirmeyen sistemler için potansiyel vadettiğini kanıtlamıştır. İleriki çalışmalar için, veri setinin farklı yük dağılımları ve dönme hızları ile çeşitlendirilmesi, RNN veya CNN gibi farklı derin öğrenme mimarilerinin test edilmesi ve modelin gerçek zamanlı performansının değerlendirilmesi amacıyla gömülü sistemlere entegrasyonu önerilmektedir.

Özet (Çeviri)

An unbalanced load is a mass displacement caused by the uneven distribution of laundry inside the drum, and it leads to serious problems such as severe vibration, noise, and a shortened lifespan of machine components, especially during high-speed spinning. Accurate knowledge of this load amount is vital for implementing active balancing systems, which are more efficient than passive methods. The model developed in this thesis adopts a sensorless approach, eliminating the need for external accelerometers or load sensors, which increase cost and raise the risk of failure. The theoretical basis for this approach relies on the direct interaction between the washing machine's mechanical and electrical systems. The mechanical mass imbalance in the drum creates a periodic oscillatory force (F_unbalanced = m_unbalanced*r_d*omega^2) and a corresponding load torque during rotation. Modern motor control systems (FOC), in order to maintain a constant drum speed, demand an oscillating electromagnetic torque to counter this oscillating load torque. This torque demand causes periodic fluctuations in the motor's q-axis current (iq), which can be directly measured. Consequently, the imbalance, a purely mechanical phenomenon, becomes monitorable through the motor's internal electrical signals. In the literature, various sensor-based and sensorless methods have been investigated to detect unbalanced loads. Sensorless methods primarily include model-based observers (e.g., Sliding Mode Observer) based on the system's mathematical model, hybrid AI systems (e.g., Fuzzy Logic + ANN) based on expert knowledge, and deep learning approaches (e.g., RNN, NARX) that analyze motor signals as time series. These methods differ in terms of interpretability, computational load, and potential accuracy. Three key features extracted from the signal—rather than the raw torque signal—are fed into the ANN model: RMS (Root Mean Square, indicating the signal's energy level), Peak-to-Peak (p2p) (the difference between maximum and minimum values, providing amplitude information), and Mean (the average level of the signal). A windowing process was applied to the time-series data to capture the signal's changes over time, provide a fixed-size input for the ANN, and augment the dataset. The developed ANN architecture is a feed-forward structure. The model has an input layer with 3 neurons (RMS, P2P, Mean), two hidden layers with 96 and 48 neurons, respectively, and an output layer with 1 neuron. This gradual narrowing (a funnel structure) of 96 -> 48 helps the network first learn complex patterns and then reduce this information to a more compact representation, which helps prevent overfitting and increases its generalization capability. The hyperbolic tangent activation function was chosen for the hidden layers due to its ability to model symmetric fluctuations in signals (in the -1 to +1 range); the linear activation function was preferred for the output layer for continuous value (regression) estimation. A critical point in the model's training is the very wide load range, from 0 to 2000 grams. If estimating grams directly, there is a risk that the model might ignore large proportional errors at small loads (e.g., at 10 grams) and focus only on large loads. To overcome this problem, a logarithmic transformation was applied. The model was trained to predict the log(1 + weight) value instead of the weight directly. This transformation compresses the wide data range (the 0--2000g range compresses to 0--7.6 in logarithmic space), making the model more sensitive to changes, especially at small loads. The +1 addition in the formula is used so that the logarithm of a 0-gram load can be taken (as log(0) is undefined). The model's logarithmic output (y_log) is converted back to grams using the inverse transformation formula w_unbalanced = exp(y_log) - 1. The Scaled Conjugate Gradient (SCG) algorithm was used for network training, as it is fast and memory-efficient for large datasets. SCG is an advanced optimization technique that reduces the risk of getting stuck in local minima by considering previous steps, unlike classic gradient descent algorithms. Experimental studies have shown that the developed ANN model offers high accuracy, with a maximum absolute error of around 1%. These findings prove that a sensorless approach can exhibit industrially acceptable performance and holds promise for low-cost, reliable, and maintenance-free systems in washing machines. For future work, it is recommended to diversify the dataset with different load distributions and rotational speeds, test different deep learning architectures such as RNNs or CNNs, and integrate the model into embedded systems to evaluate its real-time performance.

Benzer Tezler

  1. Tez No

    292074

    Çamaşır makinelerinde oluşan dengesiz yükün ağırlığının, yatay ve açısal konumunun belirlenmesi

    Determining the mass, horizontal and angular position of the unbalance load in washing machine

    AHMET YÖRÜKOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ERDİNÇ ALTUĞ

  2. Tez No

    291832

    Çamaşır makinesinde çamaşır yükünün kestirimi üzerine bir çalışma

    A study on estimation of weight of laundry in washing machine

    REYHAN TÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ÖZGÜR ÜSTÜN

  3. Tez No

    594089

    Modelling residential end-use electricity consumption using statistical and artificial intelligence approaches and determining the effective saving measures

    Konut nihai elektrik tüketiminin istatistiki ve yapay zeka yaklaşımları ile modellenmesi ve etkin tasarruf yöntemlerinin belirlenmesi

    EBRU ADA

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Çevre MühendisliğiHacettepe Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MERİH AYDINALP KÖKSAL

  4. Tez No

    223819

    Çamaşır makinesinin akıllı kontrolü

    Intelligent control of washing machine

    AYLİN GÜRSES

    Yüksek Lisans

    Türkçe

    Türkçe

    2006

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF.DR. AHMET KUZUCU

  5. Tez No

    179160

    Önden yüklemeli otomatik çamaşır makinesi tamburunun dinamik modellenmesi ve sonlu elemanlar yöntemi ile analizi

    Dynamic modeling of a front loaded washing machine and finite element method analysis

    MURAT ERDİM

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    Mühendislik BilimleriGebze Yüksek Teknoloji Enstitüsü

    Tasarım ve İmalat Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ZAFER ŞENALP

Geri Dön