Makine öğrenmesi yöntemleri kullanılarak Diyarbakır içme suyu şebekesindeki yatay milli su pompası sesinden arıza tahmini
Yükleniyor...
Tarih
2024-07-25
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Makineler, mekanik bileşenlerinin doğrusal veya döner hareketinin bir sonucu olarak gürültü üretir. Çalışma sırasında, ses, makineyi oluşturan bileşenlerin eksenel yanlış hizalanması, aşırı gerilmesi ve aşınması sonucu değişir. Sınıflandırma modellerini eğitmek için doğrudan seslerden elde edilen dizileri veya görüntüleri kullanmanın yanı sıra, zaman ve frekans değerlerinden özellikler çıkarılarak modeller için çoklu diziler oluşturulur. Bu çalışmada, CNN (Convolutional Neural Network) gibi derin öğrenme modellerinde kullanılacak verileri oluşturmak üzere her ses için MFCC'lerden (Mel-Frequency Cepstral Coefficients) oluşan 15 adet 1D (tek boyutlu) dizi ve 15 adet 2D (iki boyutlu) görüntü kullanılmıştır. Makine öğrenmesi modellerinde ise her sesten Genlik-zaman, Mel-spektrogram, MFCC'ler, ZCR'ler (Sıfır Geçiş Oranları) ve RMS (Ortalama Enerji Karekökü) özelliklerinden 18 özellik çıkarılarak bir veri kümesi oluşturulmuştur. Makine öğrenme modellerinde SVM (Destek Vektör Makinesi), KNN (K-En Yakın Komşular) ve Ensemble Öğrenme modelleri kullanılmıştır. Ensemble öğrenme modeli SVM, KNN ve RF (Random Forest) modellerini birleştirmektedir. Pompa fanı için en yüksek doğruluk oranı %98,83 ile topluluk modelinde, en düşük doğruluk oranı ise %63,38 ile DVM modelinde, pompa ön yatağı için en yüksek doğruluk oranı %99,68 ile topluluk modelinde, en düşük doğruluk oranı ise %84,08 ile DVM modelinde elde edilmiştir. Buna ek olarak, pompa arka yatağı için en yüksek doğruluk topluluk modelinde %99,66 ve en düşük doğruluk DVM modelinde %89,53'tür ve pompa motoru fanı ve yatağı için en yüksek doğruluk KNN modelinde %98,19 ve en düşük doğruluk DVM modelinde %75,60'tır. Tüm sistem için en yüksek doğruluk topluluk modelinde %93,57 ve en düşük doğruluk DVM modelinde %65,11 olarak hesaplanmıştır. Bu sonuçlar, bir santrifüj pompanın erken arıza teşhisinin sağlanabileceğini ve arızaların önlenebileceğini göstermektedir. Çalışma sırasında bozulan veya arızalanan makinelerin neden olduğu arızaları önlemek için erken arıza teşhisi ve kestirimci bakım planlamasının uygulanması önemli bir ekonomik ve enerji tasarrufu sağlamaktadır.
Machines generate noise as a result of the linear or rotary motion of their mechanical components. During operation, the sound changes as a result of axial misalignment, over-stressing and wear of the components that make up the machine. In addition to using sequences or images obtained directly from sounds to train classification models, multiple sequences are created for the models by extracting features from time and frequency values. In this study, 15 1D (one-dimensional) sequences of MFCCs (Mel-Frequency Cepstral Coefficients) and 15 2D (two-dimensional) images were used for each voice to create data to be used in deep learning models such as CNN (Convolutional Neural Network). In machine learning models, a dataset was created by extracting 18 features from Amplitude-time, Mel-spectrogram, MFCCs, ZCRs (Zero Crossing Ratios) and RMS (Root Mean Square Energy) features from each sound. SVM (Support Vector Machine), KNN (K-Nearest Neighbours) and Ensemble Learning models were used in the machine learning models. Ensemble learning model combines SVM, KNN and RF (Random Forest) models. The highest accuracy for the pump fan is 98.83% in the ensemble model and the lowest accuracy is 63.38% in the SVM model, and the highest accuracy for the pump front bearing is 99.68% in the ensemble model and the lowest accuracy is 84.08% in the SVM model. In addition, the highest accuracy for the pump rear bearing is 99.66% in the ensemble model and the lowest accuracy is 89.53% in the SVM model, and the highest accuracy for the pump motor fan and bearing is 98.19% in the KNN model and the lowest accuracy is 75.60% in the SVM model. The highest accuracy for the complete system is calculated as 93.57% in the ensemble model and the lowest accuracy was calculated as 65.11% in the SVM model. These results show that early fault diagnosis of a centrifugal pump can be achieved and faults can be prevented. The implementation of early fault diagnosis and predictive maintenance planning to prevent failures caused by broken or malfunctioning machines during operation is an important economic and energy saving.
Machines generate noise as a result of the linear or rotary motion of their mechanical components. During operation, the sound changes as a result of axial misalignment, over-stressing and wear of the components that make up the machine. In addition to using sequences or images obtained directly from sounds to train classification models, multiple sequences are created for the models by extracting features from time and frequency values. In this study, 15 1D (one-dimensional) sequences of MFCCs (Mel-Frequency Cepstral Coefficients) and 15 2D (two-dimensional) images were used for each voice to create data to be used in deep learning models such as CNN (Convolutional Neural Network). In machine learning models, a dataset was created by extracting 18 features from Amplitude-time, Mel-spectrogram, MFCCs, ZCRs (Zero Crossing Ratios) and RMS (Root Mean Square Energy) features from each sound. SVM (Support Vector Machine), KNN (K-Nearest Neighbours) and Ensemble Learning models were used in the machine learning models. Ensemble learning model combines SVM, KNN and RF (Random Forest) models. The highest accuracy for the pump fan is 98.83% in the ensemble model and the lowest accuracy is 63.38% in the SVM model, and the highest accuracy for the pump front bearing is 99.68% in the ensemble model and the lowest accuracy is 84.08% in the SVM model. In addition, the highest accuracy for the pump rear bearing is 99.66% in the ensemble model and the lowest accuracy is 89.53% in the SVM model, and the highest accuracy for the pump motor fan and bearing is 98.19% in the KNN model and the lowest accuracy is 75.60% in the SVM model. The highest accuracy for the complete system is calculated as 93.57% in the ensemble model and the lowest accuracy was calculated as 65.11% in the SVM model. These results show that early fault diagnosis of a centrifugal pump can be achieved and faults can be prevented. The implementation of early fault diagnosis and predictive maintenance planning to prevent failures caused by broken or malfunctioning machines during operation is an important economic and energy saving.
Açıklama
Anahtar Kelimeler
Erken Arıza Teşhisi, Santrifüj Pompa, Ses Özniteliklerin Çıkartılması, Sınıflandırma Modelleri, Yapay Zekâ, Artificial Intelligence, Audio Feature Extraction, Centrifugal Pump, Classification Models, Early Fault Diagnosis
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Saçaklıdır, İ. (2024). Makine öğrenmesi yöntemleri kullanılarak Diyarbakır içme suyu şebekesindeki yatay milli su pompası sesinden arıza tahmini. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
