Yapay zekâ tekniklerini kullanarak rulmanlarda arıza ve kalan faydalı ömür tahmini
Yükleniyor...
Tarih
2025-03-05
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tez, endüstriyel makinelerin kritik bileşenlerinden biri olan rulmanların arıza teşhisi ve ömrü tahmini konularında yenilikçi yaklaşımlar sunmaktadır. Rulmanların arızalanması, makine performansında ciddi kayıplara ve yüksek ekonomik maliyetlere yol açabileceği için, bu alandaki erken teşhis ve ömür tahmin çalışmaları büyük bir önem taşımaktadır. Çalışmada, rulman arızalarının teşhisi için lazer ışını kullanarak yapay hatalar oluşturulmuş ve bu hatalar farklı hız ve yük koşullarında detaylı titreşim analiziyle incelenmiştir. Entropi tabanlı 18 farklı yöntemle öznitelikler çıkarılmış ve söz konusu öznitelikler Ekstrem Öğrenme Makinesi (ELM) modeli ile sınıflandırılmıştır. Özellikle Fuzzy Entropi ve Slope Entropi yöntemleri, sırasıyla
%98.48 ve %100 doğruluk oranlarıyla yüksek performans sergilemiştir. Önerilen yöntem, literatürdeki diğer modern yaklaşımlarla karşılaştırıldığında üstünlük göstermiştir. Çalışmanın bir diğer önemli kısmı, MM-1D-LBP yöntemi ile öznitelik çıkarımı ve 1D-CNN-LSTM tabanlı hibrit bir model kullanılarak rulman arızalarının tahmin edilmesidir. Bu yöntemle %99.31 ile
%99.65 doğruluk oranları elde edilmiştir. Literatürde sıklıkla kullanılan GRU ve LSTM tabanlı modellerle kıyaslandığında, önerilen yaklaşım daha yüksek doğruluk sunmuş ve özellikle karmaşık arıza tiplerinin sınıflandırılmasında başarılı olmuştur. Rulman ömrü tahmini kapsamında, 1D-TP ve LSTM modellerinin birleştirildiği bir yöntem geliştirilmiş ve bu yöntem, Pronostia platformundaki veri setleri üzerinde test edilmiştir. Titreşim sinyallerine dayalı olarak yapılan analizlerde, Bearing3_3 senaryosunda RMSE=0.0470 ve Score=0.6360 gibi düşük hata ve yüksek performans değerleri elde edilmiştir. Önerilen model, literatürdeki diğer yöntemlere kıyasla daha düşük hata oranları ile öne çıkmaktadır. Örneğin, Bi-LSTM (RMSE=0.2300) ve Relief-SVM (RMSE=0.2500) gibi yöntemlere kıyasla, önerilen 1D-TP+LSTM modelinin RMSE değeri 0.2074 olarak kaydedilmiş ve daha iyi bir tahmin doğruluğu sağlanmıştır. Sonuç olarak, bu çalışma, entropi tabanlı ELM ve 1D-TP+LSTM gibi yenilikçi yöntemlerle hem arıza teşhisi hem de ömür tahmini alanlarında önemli katkılar sunmaktadır. Geliştirilen modeller, endüstriyel bakım süreçlerinde daha hızlı, güvenilir ve düşük maliyetli çözümler sağlamaktadır. Çalışma bulguları hem akademik literatüre hem de endüstriyel uygulamalara değerli bir referans oluşturmaktadır. Gelecekte, farklı veri setleri ve çalışma koşullarında modelin genelleme kapasitesinin artırılması ve entropi yöntemlerinin çeşitlendirilmesi, önerilen yaklaşımların etkinliğini daha da artırabilir.
This study presents innovative approaches for fault diagnosis and life prediction of bearings, which are critical components of industrial machines. Bearing failures can lead to significant performance losses and high economic costs, emphasizing the importance of early diagnosis and life prediction in this field. In the study, artificial defects were created using laser beams, and these defects were analyzed in detail through vibration analysis under varying speed and load conditions. Features were extracted using 18 different entropy-based methods and classified using the Extreme Learning Machine (ELM) model. Notably, Fuzzy Entropy and Slope Entropy methods demonstrated high performance with accuracy rates of 98.48% and 100%, respectively. The proposed method outperformed other modern approaches in the literature. Another significant aspect of the study involves the use of the MM-1D-LBP method for feature extraction and a hybrid 1D-CNN-LSTM-based model for fault prediction. This method achieved accuracy rates of 99.31% to 99.65%. Compared to commonly used models in the literature, such as GRU and LSTM, the proposed approach provided higher accuracy, particularly in classifying complex fault types. For bearing life prediction, a method combining 1D-TP and LSTM models was developed and tested on datasets from the Pronostia platform. In analyses based on vibration signals, the Bearing3_3 scenario yielded low error and high performance metrics, with RMSE = 0.0470 and Score = 0.6360. The proposed model stands out with lower error rates compared to other methods in the literature. For instance, the Bi-LSTM model (RMSE = 0.2300) and the Relief-SVM model (RMSE = 0.2500) showed inferior accuracy compared to the proposed 1D- TP+LSTM model, which achieved an RMSE of 0.2074. In conclusion, this study offers significant contributions in fault diagnosis and life prediction through innovative methods such as entropy-based ELM and 1D-TP+LSTM. The developed models provide faster, more reliable, and cost-effective solutions in industrial maintenance processes. The findings of the study serve as a valuable reference for both academic literature and industrial applications. In the future, enhancing the generalization capacity of the model with different datasets and operating conditions, as well as diversifying entropy methods, could further improve the effectiveness of the proposed approaches.
This study presents innovative approaches for fault diagnosis and life prediction of bearings, which are critical components of industrial machines. Bearing failures can lead to significant performance losses and high economic costs, emphasizing the importance of early diagnosis and life prediction in this field. In the study, artificial defects were created using laser beams, and these defects were analyzed in detail through vibration analysis under varying speed and load conditions. Features were extracted using 18 different entropy-based methods and classified using the Extreme Learning Machine (ELM) model. Notably, Fuzzy Entropy and Slope Entropy methods demonstrated high performance with accuracy rates of 98.48% and 100%, respectively. The proposed method outperformed other modern approaches in the literature. Another significant aspect of the study involves the use of the MM-1D-LBP method for feature extraction and a hybrid 1D-CNN-LSTM-based model for fault prediction. This method achieved accuracy rates of 99.31% to 99.65%. Compared to commonly used models in the literature, such as GRU and LSTM, the proposed approach provided higher accuracy, particularly in classifying complex fault types. For bearing life prediction, a method combining 1D-TP and LSTM models was developed and tested on datasets from the Pronostia platform. In analyses based on vibration signals, the Bearing3_3 scenario yielded low error and high performance metrics, with RMSE = 0.0470 and Score = 0.6360. The proposed model stands out with lower error rates compared to other methods in the literature. For instance, the Bi-LSTM model (RMSE = 0.2300) and the Relief-SVM model (RMSE = 0.2500) showed inferior accuracy compared to the proposed 1D- TP+LSTM model, which achieved an RMSE of 0.2074. In conclusion, this study offers significant contributions in fault diagnosis and life prediction through innovative methods such as entropy-based ELM and 1D-TP+LSTM. The developed models provide faster, more reliable, and cost-effective solutions in industrial maintenance processes. The findings of the study serve as a valuable reference for both academic literature and industrial applications. In the future, enhancing the generalization capacity of the model with different datasets and operating conditions, as well as diversifying entropy methods, could further improve the effectiveness of the proposed approaches.
Açıklama
Anahtar Kelimeler
1D-CNN, 1D-LBP, ELM, Entropi Varyantları, LSTM, Rulman Arıza, RUL, Bearing Failure, Entropy Variants
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Akcan, E. (2025). Yapay zekâ tekniklerini kullanarak rulmanlarda arıza ve kalan faydalı ömür tahmini. (Yayınlanmamış Doktora Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
