AN EXPERIMENTAL EVALUATION OF INTELLIGENT FAULT DETECTION AND CLASSIFICATIONFOR INDUCTION MOTORS UTILIZING MACHINE LEARNING APPROACHES

MAKİNE ÖĞRENMESİ YAKLAŞIMLARI İLE İNDÜKSİYON MOTORLARI İÇİN AKILLI HATA TESPİTİ VE SINIFLANDIRMADA DENEYSEL BİR DEĞERLENDİRME

Abstract

Maintenance planning is critical for efficient operations of manufacturing systems. While unnecessary maintenance causes waste of money and time, skipping necessary maintenance can also cause unexpected down times in production. Predictive maintenance activities which focus on both detection and classification of equipmentfaults at an early stage are classified under Condition-Based Maintenance. On the other hand, forecasting remaining useful life of equipment is classified under Prognostics. In our study, fault detection and diagnosis of induction motors which are widely used in factories for different purposes are targeted. Triaxial vibration data collected from two similar induction motors under different operating conditions are examined for potential failure scenarios. Various features of vibration data are extracted, scaled and labeled with operational status information. The obtained dataset is analyzed with six different machine learning algorithms. Model performances are examined and compared against each other. Our experimental results show that the abnormal operating conditions of induction motors can be successfully detected utilizing machine learning algorithms.

Özet

İmalat sistemlerinin verimli çalışması için bakım planlanma önemlidir. Gereksiz bakım,para ve zaman israfına neden olurken, gerekli bakımın atlanması da üretimdebeklenmedik duruş sürelerine neden olabilir. Kestirimci bakım faaliyetleri içinde erkenaşamada ekipman arızalarının tespiti ve sınıflandırılması Koşul-Tabanlı Bakım altındaele alınmaktadır. Ekipmanın kalan faydalı ömrünün tahmin edilmesi ise Prognostikler altında ele alınmaktadır. Çalışmamızda fabrikalarda farklı amaçlarla yaygın olarakkullanılan endüksiyon motorlarının arıza tespiti ve teşhisi hedeflenmektedir. Farklıçalışma koşulları altında iki benzer endüksiyon motorundan toplanan üç eksenli titreşimverileri, olası arıza senaryoları için incelenmiştir. Titreşim verilerinin çeşitli öznitelikleriçıkarılarak, ölçeklenmiş ve çalışma durumuna ilişkin bir durum bilgisi ile etiketlenmiştir.Elde edilen veri seti, altı farklı makine öğrenme algoritması ile analiz edilmiş, modelperformansları incelenmiş ve birbirleriyle karşılaştırılmıştır. Deneysel sonuçlarendüksiyon motorlarının anormal çalışma koşullarının makine öğrenme algoritmalarıkullanılarak başarıyla tespit edilebileceğini göstermektedir.