AN INDUSTRIAL INTERNET OF THINGS APPLICATION FOR REAL-TIME CONDITION MONITORING

Abstract

Son yıllarda, üretim modeli dünya çapında yaygınlaşmıştır. Akıllı teknoloji ve modern otomasyon araçları, üretim ve endüstrinin çehresini giderek daha fazla değiştirmektedir. Yenilikçi bakım tekniklerinin kullanılması, kuruluşlardaki aksama ve ani duruşları azaltarak üretime katkıda bulunur. Arıza süresini azaltarak ve bakım performansını artırarak gerçekleştirilebilecek üretim maliyetlerini azaltmak en kritik görevdir. Ekipmanın çalışma koşullarının kapsamlı ve çevrimiçi bir görünümünü sunabilen düşük maliyetli akıllı cihazların yaygın kullanımı ile bu hedeflere ulaşabilir. Bu nedenlerle, bu tezde asenkron motorların izlenmesi için Nesnelerin İnterneti tabanlı bir yöntem önerilmiştir. Bu cihazlar, bir arıza sonrasında motorun toleransının koşullu ve sürekli kontrolünü sağlamak için motorun titreşim sinyallerini analiz eder. Yapay zeka, üretim ve algoritmaların bir sonucu olarak, nesnelerin internetinin uzak bulutları yöntemlerini kullanarak motorun durumunu uzaktan izlemek mümkün olacaktır. Makinenin kararlılığını değerlendiren ses veya titreşim sensörleri, uyarılar vermenin ve makinenin kararlı olup olmadığını tahmin etmenin yanı sıra, izleme merkezlerini makinede herhangi bir hasar oluşmadan önce bilgilendirerek arıza ve arızaların azaltılmasına yardımcı olur. Bu amaçla asenkron motorlardan titreşim sinyallerinin ölçülmesi ve durum analizinin uzaktan yapılabilmesi sağlanacaktır. Önerilen yaklaşım bir uzaktan algılama kiti ile titreşim sinyallerinin ölçülmesi ve yapay zeka temelli arızaların belirlenmesine dayalıdır. Önerilen yaklaşım iki yöntemden oluşmaktadır. İlk yöntem kit ile ölçülen titreşim sinyalleri ile makine öğrenmesi tabanlı mil dengesizliklerinin tespitine dayalıdır. Bu amaçla farklı makine öğrenmesi yöntemlerinin performansı karşılaştırılmıştır. İkinci yaklaşım ise motor titreşim sinyalleri üzerinde üç farklı tek boyutlu evrişimsel sinir ağları ile arıza teşhis performansının değerlendirilmesidir. Elde edilen sonuçlar gerçek ortamda motor arızlarının belirlenmesi için yöntemlerin kullanılabileceğini ve uzaktan çoklu motorların kolayca izlenebileceğini göstermektedir.

In recent years, the production model has become widespread around the world. Smart technology and modern automation tools are increasingly changing the face of production and industry. The use of innovative maintenance techniques contributes to production by reducing disruptions and sudden stops in industry. The achievable production costs by reducing downtime and increasing maintenance performance is the most critical task. It can achieve these goals with the widespread use of low-cost smart devices that can provide a comprehensive online view of equipment operating conditions. For these reasons, an Internet of Things-based method is proposed for monitoring induction motors in this thesis. These devices analyze the vibration signals of the motor to provide conditional and continuous control of the tolerance of the motor after a fault. As a result of artificial intelligence, production and algorithms, it will be possible to remotely monitor the state of the motor using the methods of remote clouds of the Internet of things. The sound or vibration sensors that evaluate the stability of the machine help to reduce breakdowns and faults by issuing warnings and predicting whether the machine is stable, by informing monitoring centers before any fault occurs to the motor. For this purpose, it will be possible to measure vibration signals from the induction motors and make condition analysis remotely. The proposed approach is based on measuring vibration signals with a remote sensing kit and identifying faults based on artificial intelligence. The approach consists of two methods. The first method is based on the detection of shaft imbalances based on machine learning with vibration signals measured with the kit. For this purpose, the performance of different machine learning methods was compared. The second approach is to evaluate the diagnostic performance of three different one-dimensional convolutional neural networks on motor vibration signals. Obtained results show that methods can be used to detect motor faults in real environment and multiple motors can be easily monitored remotely.