Sinyal işleme ve genetik-yapay sinir ağları ile rulman arızalarının teşhisi


Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Türkiye

Tezin Onay Tarihi: 2014

Tezin Dili: Türkçe

Öğrenci: Muhammet Ünal

Eş Danışman: MUSTAFA ONAT, HALUK KÜÇÜK

Özet:

SİNYAL İŞLEME ve GENETİK-YAPAY SİNİR AĞLARI ile RULMAN ARIZALARININ TEŞHİSİ Rulmanlar birçok mekanik sistemin önemli hareketli parçalarını oluşturmakta ve rulman arızalarının teşhisi kestirimci bakım sistemleri için önem arz etmektedir. Bu sebeple, rulman arızasının doğru teşhisi ve hassas ölçüm cihazları ile titreşimin oluştuğu noktalardan titreşim ve ses verilerinin elde edilebilmesi için genel amaçlı bir rulman arıza teşhis sistemi geliştirilmiştir. Otomotiv sektöründeki entegrasyon mühendislerinin, araç bakım ve arıza tespit uzmanlarının aracın çalışması sırasında etrafa yaydığı sesleri inceleyerek arıza hakkındaki yorum ve teşhisleri bu tez çalışmasının ilham kaynağı olmuştur. Rulman arıza teşhis sisteminde çeşitli rulman arızaları oluşturularak ortaya çıkan titreşim ve ses sinyallerinin (verilerinin) zaman ve frekans düzlemindeki analizlerinden elde edilen çeşitli verilerin özelliklerinin sınıflandırılması ile rulman arıza teşhisi gerçekleştirilmiştir. Rulmanın oluşturduğu titreşim ve sesler, ivmeölçer ve mikrofon kullanılarak arızasız (normal), iç ve dış bilezik arızaları için farklı yük ve hızlarda ölçülmüştür. Tel erozyon yöntemi ile rulman iç ve dış bileziklerinde oluşturulan farklı boyutlardaki rulman arızalarına bağlı olarak ortaya çıkan titreşim ve ses sinyallerinin analizi ile elde edilen genlik ve frekans değerleri, arıza sınıflandırmasının temelini teşkil etmektedir. Zaman düzleminde uygulanan istatistiksel kriterler ve frekans düzleminde gerçekleştirilen Hilbert Dönüşümlü zarf gösterimi ve Hızlı Fourier Dönüşümü gibi veri özelliklerini ortaya çıkaran etkin yöntemler MATLAB ile gerçekleştirilmiştir. Rulman arızalarının teşhisi için genetik algoritma (GA) tabanlı ileri beslemeli bir yapay sinir ağı (YSA) modeli kullanılmıştır. Hedef ve YSA çıkışı arasındaki ortalama kare hatasını minimize eden ve mimarisinde mümkün olduğunca az sayıda gizli katman ve nöron bulunduran YSA modeli elde edilmiştir. GA ve YSA yöntemlerinin birleştirilmesi ile yüksek doğrulukta ve maksimum hızla yakınsama sonucu hedeflenen modele ulaşmada deneme yanılma süresi önemli ölçüde azaltılmıştır. Önerilen GA-YSA tabanlı sınıflandırma algoritmasının performansı, yapay rulman arızaları oluşturularak değişik yüklerde ve farklı devir hızlarında çalıştırılan rulmanlarda test edilmiştir. Titreşim ve ses verilerinden elde edilen özelliklerin, GA-YSA algoritması kullanılarak döner makinelerde oluşabilecek rulman arızalarının tespitinde başarılı olduğu deneysel çalışmalarla gösterilmiştir. ABSTRACT DIAGNOSIS OF BEARING FAULTS BY SIGNAL PROCESS AND GENETIC-NEURAL NETWORK Bearing rolling elements constitute the major moving parts of many mechanical systems and bearing faults diagnosis is important for predictive maintenance systems. Therefore, a general purpose bearing failure diagnostic system has been developed for accurate diagnosis of bearing failure and obtaining vibration and sound data with precision measuring devices from vibration points where vibration occurs. Reviews and diagnostics of integration engineers, car maintenance and fault detection experts in automotive industry who examine the sounds emitted during operation of the car has been the source of inspiration for this thesis. In bearing fault diagnostic system the bearing diagnostics was carried out with the classification of extractions of various data obtained from the analysis in the time and frequency domain, resulting vibration and sound signals (data) by forming various bearing faults. The vibrations and sounds generated by the bearing for trouble-free (normal), inner and outer ring faults are measured using the accelerometer and microphone at different load and speeds. The amplitude and frequency values obtained by analysis of the vibration and sound signals resulting depending on bearing faults that are formed in different sizes on inner and outer rings of the bearing, using electrical discharge machining (EDM) method, constitutes the basis of fault classification. Effective methods extracting data features such as statistical criteria applied in the time domain and an envelope representation based Hilbert transform and Fast Fourier Transform in frequency domain are implemented by MATLAB. A feed-forward neural network model based Genetic Algorithm (GA) is used for fault diagnostic of rolling element bearing. An ANN model which minimizes the mean square error between the target and ANN output and keeps the number of hidden layer and neurons as low as possible is obtained. The trial and error time is significantly reduced by combining GA and ANN methods resulting with the high accuracy and maximum convergence rate in succeeding the target model. The proposed GA-ANN based classification algorithm performance is tested in the bearing rolling elements at different speeds and loads, forming artificial bearing faults. The features obtained from vibration and sound data in diagnosing bearing faults that may occur in rotary machines, by using the GA-ANN algorithm, is shown to be successful with experimental studies.