ASENKRON MOTORLARDA ÇOKLU ROTOR ÇUBUĞU ARIZALARININ EVRİŞİMSEL SİNİR AĞLARI YAKLAŞIMI İLE TEŞHİSİ

Abstract

Günümüz endüstriyel sürücü sistemlerinde sıklıkla kullanılan asenkron motorlar yüksek verimliliğe, sağlam yapıya, güç ve boyut çeşitliliğine sahiptirler. Çevresel şartlar ve çalışma koşullarına bağlı olarak bu motorlarda sıklıkla kırık rotor çubuğu arızaları meydana gelmektedir. Bu tür arızalar çalışma verimliğini doğrudan etkilediğinden özellikle teşhisi konusundaki çalışmalar önem kazanmaktadır. Yapılan çalışmalarda termal, akustik ve açısal hız sinyalleri kullanılsa da, stator akım sinyali ve motor titreşim sinyalinin kullanılması ön plandadır. Arıza teşhisinin otomatik yapılabilmesi için sınıflandırma işleminin gerekliliği ortaya çıkmaktadır. Son çalışmalarda sınıflandırma işlemleri için bazı sinyal işlemle tekniklerinin yanında yapay zekâ yöntemleri kullanılmaktadır. Bu çalışmada yapay zekâ kapsamında olan makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak kırık rotor çubuğu arızasının teşhisi ve sınıflandırılması için iki temel yaklaşım denenmiştir. Sinyallerden hata özelliklerini çıkarmak için hem ampirik mod ayrışımı (EMD) hem de sürekli dalgacık dönüşümü (CWT) teknikleri kullanılmıştır. İlk olarak açık erişim arızalı motor veri setinden alınan bir faz akımı ve motor titreşim sinyali filtrelenip zarflanmıştır. Denenen ilk yaklaşımda bu sinyaller EMD yöntemiyle 5 adet içsel mod fonksiyonuna (İMF) ayrıştırılıp spektral entropi ve anlık frekans öznitelikleri elde edilmiştir. Bu öznitelikler uç-uca eklenip yeni öznitelik vektörü oluşturulmuştur ve destek vektör makinesi (SVM), k en yakın komşu (KNN) ve karar ağacı (DT) makine öğrenmesi yöntemleriyle sınıflandırılmıştır. Denenen ikinci yaklaşımda aynı akım ve titreşim sinyalleri CWT ile resimlere dönüştürülmüş ve ResNet18 modeli ile özellikleri çıkartılıp sınıflandırılmıştır. İkici deneme için yapılan son çalışmada ResNet18 ile çıkarılan akım ve vibrasyon özellikleri birleştirilip SVM ile sınıflandırılmıştır. Bu sınıflandırma çalışmasında %100 ile en yüksek doğruluk elde edilmiştir. Çalışmanın sonunda denenen yaklaşımlar ile literatürde aynı veri seti için yapılan yöntemler karşılaştırılmış, en başarılı yaklaşım CWT ve transfer öğrenme ile kullanılan ResNet18 kombinasyonu olmuştur.

Asynchronous motors, which are frequently used in today's industrial drive systems, have high efficiency, robust construction, power and size diversity. Broken rotor bar failures often occur in these motors, depending on environmental and operating conditions. Since such malfunctions directly affect the working efficiency, studies on diagnosis are especially important. Although thermal, acoustic and angular velocity signals are used in the studies, it is more common to use the stator current signal and motor vibration signal. In order for fault diagnosis to be made automatically, the necessity of classification process arises. In recent studies, artificial intelligence is used in addition to some signal processing techniques for classification processes. In this study, two basic approaches are tried for diagnosis and classification of broken rotor bar failure by using machine learning and deep learning methods within the scope of artificial intelligence. Both empirical mode decomposition (EMD) and continuous wavelet transform (CWT) techniques are used to extract fault features from signals. First, a phase current and motor vibration signal from the open access faulty motor dataset is filtered and enveloped. In the first approach tried, these signals were separated into 5 intrinsic mode functions (IMF) by EMD method and spectral entropy and instantaneous frequency features were obtained. These features are added end-to-end and a new feature vector is created and classified by support vector machine (SVM), k nearest neighbor (KNN) and decision tree (DT) machine learning methods. In the second approach tried, the same current and vibration signals were converted into pictures with CWT and their features were extracted and classified with the ResNet18 model. In the last study for the second trial, the current and vibration properties extracted with ResNet18 were combined and classified with SVM. In this classification study, the highest accuracy was obtained with 100%. At the end of the study, the tried approaches and the methods made for the same data set in the literature were compared, and the most successful approach was the combination of CWT and ResNet18 used with transfer learning.