MOTOR ARIZALARININ TESPİTİ İÇİN DERİN ÖĞRENME TABANLI BİR GİRİŞİMSEL OLMAYAN MOBİL PLATFORM UYGULAMASI

Abstract

Elektrik motor arızaları, performans kaybına ve endüstriyel süreçlerin aksamasına yol açarak hem işletme verimliliğini düşürmekte hem de bakım maliyetlerini artırmaktadır. Bu arızalar genellikle pahalı ve zaman alıcı olabilen bakım veya onarım çalışmaları gerektirir. Bu nedenle arıza ve arıza riskinin en aza indirilmesi ve motorların güvenilir ve verimli çalışmasının sağlanması üretim sektörü için son derece önemlidir. Bu tez çalışmasında, motor düzeneği içerisine veya üzerine herhangi bir sensör bağlantısı gerektirmeden motor arıza sınıflandırmasını derin öğrenme tabanlı gerçekleştiren bir arıza tespit sistemi önerilmişir. Özellikle endüstride en çok kullanılan motorlardan asenkron motorun elektriksel ve mekaniksel arızalarına odaklanılmıştır. Akıllı telefonların sahip olduğu üç eksenli ivmeölçer sensörünü kullanarak titreşim verileri alabilen bir mobil uygulama Flutter kullanılarak gerçekleştirilmiştir. Arıza tespiti yapılması istenen elektrik motorunun üzerine uygulamanın yüklü olduğu akıllı telefon yerleştirilerek üç eksende (x, y, z) alınan titreşim verileri ile derin modeller eğitilmiştir. Ardından test verileri ile elektrik motoru arıza durumu ve sınıfı tespit edilmiştir. Akıllı telefonların sahip olduğu ivmeölçer sensörlerinin elektrik motoru arıza tespitindeki yeterliliğini test etmek amacıyla farklı durum ve senaryolar oluşturulmuştur. Yüklü ve yüksüz durumda farklı motor çalışma hızları altında alınan titreşim verileri ile yapılan arıza sınıflandırmasında %90'ın üzerinde doğruluk oranları elde edilmiştir. Çalışmanın en önemli özgün değeri, herhangi bir motor iç veya dış bağlantısına gerek duymadan ve minimum donanım kaynaklarını kullanarak elektrik motor arıza sınıflandırılmasını sağlayacak bir uygulamanın gerçekleştirilmiş olmasıdır. Mobil uygulama ile yapay zeka destekli elektrik motoru arıza tespiti yapan sistem, hem derin öğrenme mimarilerini kullanması hem de herhangi bir ek sensör bağlantısı gerektirmemesi açısından uzman bilgisine olan ihtiyacı minimuma indiren, hızlı ve maliyetsiz bir yaklaşımdır.Electric motor faults result in performance loss and disruptions in industrial processes, reducing operational efficiency and increasing maintenance costs. These faults typically require maintenance or repair efforts that can be expensive and time-consuming. Therefore, it is crucial for the manufacturing sector to minimize faults and fault risks and to ensure that motors operate reliably and efficiently. In this thesis, a deep learning based fault detection system is proposed for motor fault classification without the need for any sensor connections into or onto the motor assembly. It is especially focused on the electrical and mechanical faults of the asynchronous motor, one of the most used motors in the industry. The mobile application platform, which can capture vibration data using the three-axis accelerometer sensor in smartphones, was developed using Flutter. The deep models were trained using vibration data captured in three axes (x, y, z) by placing a smartphone with the application installed onto the electric motor for which fault detection is desired. Subsequently, test data were used to detect the fault status and class of the electric motor. Different scenarios and conditions were created to test the adequacy of accelerometer sensors in smartphones for detecting electric motor faults. Fault classification with vibration data obtained under various motor operating speeds in both loaded and unloaded conditions achieved accuracy rates exceeding 90%. The most significant original contribution of the study is the implementation of an application that enables electric motor fault classification without the need for any internal or external motor connections and with the use of minimal hardware resources. The system, which performs AI-supported electric motor fault detection with a mobile application, represents a fast and cost-effective approach by reducing the need for expert knowledge to a minimum, thanks to the use of deep learning architectures and the absence of additional sensor connections.