Asenkron Motorlarda Sıcaklık, Akım, Titreşim Verilerinin Analizi Ve Adaptif Ağ Tabanlı Bulanık Çıkarım Sistemi Uygulaması

Abstract

Asenkron motorlar hemen hemen her çeşit endüstriyel süreçte sıkça kullanılan elemanlardandır. Elektrik motorlarındaki anormal durumun erken tanısı ve önlenmesi, endüstriyel sürecin ekonomik ve güvenli işletimi bakımından son derece önemlidir. Bu nedenle öngörülü bakım amaçlı durum izleme çalışmaları yapılır. Durum izleme ile elde edilen bulgularla gereken bakım aktiviteleri en uygun zamanda gerçekleştirilerek süreçteki ani ve beklenmeyen kesintiler önlenir. Asenkron motorlarda arıza dağılımları üzerine yapılan istatistiksel çalışmalara göre, motor arızalarının %41’i rulman hatalarından kaynaklanmaktadır. Bu tezde, rulmanın yapısı, rulmanın ömrünü etkileyen faktörler, durum izleme ve hata teşhisi yöntemleri anlatılmıştır. Kimyasal, termal ve elektriksel yapay eskitme yapılan 3 fazlı, 4 kutuplu, 5 HP asenkron motorun sıcaklık, akım ve titreşim verilerine istatistiksel ve spektral analiz yöntemleri uygulanarak rulman arıza özelliği çıkartılmıştır. Daha sonra esnek hesaplama yöntemlerinden biri olan adaptif ağ tabanlı bulanık çıkarım sistemi (ANFIS) hakkında bilgi verilerek sıcaklık, akım ve titreşim verilerini kullanarak eğitilen ANFIS modellerinin rulman arıza tanısındaki başarımları karşılaştırılmıştır.

Induction motors are the most frequently used components in almost every type of industrial process. Early detection and isolation of faults in electrical or mechanical part of electric motors are important for the safe and economic operation of an industrial process. For this reason, condition monitoring studies are performed for predictive maintenance purposes. With the information gathered from condition monitoring studies, instantaneous and unscheduled downtimes are prevented by performing the correct maintenance activities just right on time. According to the statistical studies on induction motor failure distribution, 41% of all induction failures are caused by bearing faults. In this thesis the structure of bearing, factors which effect the life of bearing, condition monitoring and fault diagnosis methods are explained. Bearing fault diagnosis is done according to the temperature, vibration and current data of a 3 phase, 4 poles, 5 HP induction motor which is chemically, thermally and electrically aged with artificial methods. Then, one of the soft computing methods called Adaptive Network Based Fuzzy Inference System (ANFIS) is explained and ANFIS models which are trained by using temperature, current and vibration data compared according to bearing fault diagnosis performance.