Journals / EMO Bilimsel Dergi / 2026 / Cilt: 14 Sayı: 1

Derin Evrişimsel Sinir Ağ Mimarisi ve Zaman Frekans Gösterimini Kullanılarak Büyük Güçlü Motor Arızalarının Tespiti

İlhan Aydın(FIRAT ÜNİVERSİTESİ)0000-0001-6880-4935
Emrullah Aydın(TURGUT ÖZAL ÜNİVERSİTESİ)
Erhan Akın(FIRAT ÜNİVERSİTESİ)
Seyfullah Kaner(MUŞ ALPARSLAN ÜNİVERSİTESİ)
Pages
51–59
Publication Date
2024-01-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Yapılan testler sonucunda endüstrideki motorda oluşan kusurların %95’in üzerinde doğru bir şekilde tespit edildiği ispatlanmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Asenkron motorlar endüstride iş gücünün sağlanması açısından birçok uygulamada kullanılmaktadır.
📊
Key Findings & Data:Asenkron motorlarda oluşan arızalar mil yatağı, stator ve rotor bileşenleri ile ilgilidir.
💡
Conclusion & Impact:Yapılan testler sonucunda endüstrideki motorda oluşan kusurların %95’in üzerinde doğru bir şekilde tespit edildiği ispatlanmıştır.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Asenkron motor · mil yatağı arızaları · arıza teşhisi

Özet

Asenkron motorlar endüstride iş gücünün sağlanması açısından birçok uygulamada kullanılmaktadır. Asenkron motorlarda oluşan arızalar mil yatağı, stator ve rotor bileşenleri ile ilgilidir. Bu bileşenlerden mil yatağı arızaları en çok karşılaşılan problemlerden biridir. Bu arızaların teşhisi için genellikle titreşim sinyalleri kullanılmaktadır. Endüstriyel ortamda çalışan motor ile aynı özelliklerde bir motor bulmak zor olduğundan karşılaştırma yapılarak arızaların tespiti yapılamamaktadır. Bu çalışmada titreşim sinyallerinin zaman frekans görüntüleri oluşabilecek mil yatağı arızaları için toplanarak transfer öğrenme tabanlı bir model ile eğitilmiştir. Daha sonra endüstriyel mil arızası olan bir motordan aynı şartlarda ve benzer bir konumda alınan sinyaller kullanılarak endüstrideki büyük güçlü motordaki arıza belirlenmiştir. Yapılan testler sonucunda endüstrideki motorda oluşan kusurların %95’in üzerinde doğru bir şekilde tespit edildiği ispatlanmıştır.

🔖

Cite This Article

Aydın, İ., Aydın, E., Akın, E., Kaner, S. (2024). Derin Evrişimsel Sinir Ağ Mimarisi ve Zaman Frekans Gösterimini Kullanılarak Büyük Güçlü Motor Arızalarının Tespiti. EMO Bilimsel Dergi, Cilt: 14 Sayı: 1, 51–59. https://ajindex.com/articles/1390306

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (18)

  1. Niu, G., Dong, X., & Chen, Y. (2023). Motor Fault Diagnostics Based on Current Signatures: A Review. IEEE Transactions on Instrumentation and Measurement.
  2. Zhang, S., Zhang, S., Wang, B., & Habetler, T. G. (2020). Deep learning algorithms for bearing fault diagnostics—A comprehensive review. IEEE Access, 8, 29857-29881.
  3. Hoang, D. T., & Kang, H. J. (2019). A motor current signal-based bearing fault diagnosis using deep learning and information fusion. IEEE Transactions on Instrumentation and Measurement, 69(6), 3325-3333.
  4. Tran, M. Q., Liu, M. K., Tran, Q. V., & Nguyen, T. K. (2021). Effective fault diagnosis based on wavelet and convolutional attention neural network for induction motors. IEEE Transactions on Instrumentation and Measurement, 71, 1-13.
  5. Shao, S., McAleer, S., Yan, R., & Baldi, P. (2018). Highly accurate machine fault diagnosis using deep transfer learning. IEEE Transactions on Industrial Informatics, 15(4), 2446-2455.
  6. Aburakhia, S. A., Myers, R., & Shami, A. (2022). A hybrid method for condition monitoring and fault diagnosis of rolling bearings with low system delay. IEEE Transactions on Instrumentation and Measurement, 71, 1-13.
  7. Bapir, A., & Aydin, İ. (2021). Cloud based bearing fault diagnosis of induction motors. Computer Science, (Special), 141-146.
  8. Aburakhia, S., Tayeh, T., Myers, R., & Shami, A. (2022, December). Similarity-Based Predictive Maintenance Framework for Rotating Machinery. In 2022 5th International Conference on Communications, Signal Processing, and their Applications (ICCSPA) (pp. 1-6). IEEE.
  9. CWRU,CaseWesternReserveUniversityBearingDataCenterWebsite,Cleveland,OH,USA.Availableonline:https://engineering.case.edu/bearingdatacenter
  10. Lessmeier, C.; Kimotho, J. K.; Zimmer, D.; Sextro, W.: Condition Monitoring of Bearing Damage in Electromechanical Drive Systems by Using Motor Current Signals of Electric Motors: A Benchmark Data Set for Data-Driven Classification, European Conference of the Prognostics and Health Management Society, Bilbao (Spain), 2016
  11. Mert Sehri, Patrick Dumond. University of Ottawa Rolling-element Dataset – Vibration and Acoustic Faults under Constant Load and Speed conditions (UORED-VAFCLS).
  12. Dong, S., Wang, P., & Abbas, K. (2021). A survey on deep learning and its applications. Computer Science Review, 40, 100379.
  13. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.
  14. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D.,. & Rabinovich, A. (2014). Going deeper with convolutions (2014). arXiv preprint arXiv:1409.4842, 10.
  15. He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep residual learning for image recognition. CoRR abs/1512.03385 (2015).
  16. Mallat, S. G. A Wavelet Tour of Signal Processing: The Sparse Way. 3rd ed. Amsterdam; Boston: Elsevier/Academic Press, 2009.
  17. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D.,. & Rabinovich, A. (2014). Going deeper with convolutions (2014). arXiv preprint arXiv:1409.4842, 10.
  18. Mallat, S. G. A Wavelet Tour of Signal Processing: The Sparse Way. 3rd ed. Amsterdam; Boston: Elsevier/Academic Press, 2009.