Elektrik Motorlarında Dalgacık Analizi Yaklaşımı İle Rulman Arıza Tanısı Ve Yapay Zeka Tabanlı Bir Durum İzleme Sistemi

Abstract

Bu çalışmada asenkron motorlarda öngörülü bakım amaçlı olarak rulman arıza gelişimi üzerine bir inceleme gerçekleştirilmiştir. Rulman arızaları, hızlandırılmış eskitme süreçleri ile yapay olarak oluşturularak motor titreşim ve akım işaretleri toplanmış ve işaret tabanlı rulman arıza tanısı yapılmıştır. Dalgacık analizi kullanılarak, rulman arızasına ilişkin özellik çıkarımı yapılmış ve ayrıca titreşim işaretlerinin istatistiksel analizi gerçekleştirilerek erken arıza tanısı için bir kriter geliştirilmiştir. Motor akım ve titreşim işaretlerinin bir arada değerlendirilmesi ile frekans uyumluluğu fonksiyonu tanımlanmış ve bu yolla rotor eksenel bozukluğunu gösteren en baskın frekans değeri ve hatanın rulmanın bilyelerinde olduğunu gösteren frekans değeri belirlenmiştir. Bu anlamda motor titreşim ve akım işaretleri arasındaki ilişki, oto-asosiyatif bir yinelemeli yapay sinir ağına öğretilerek, arıza frekanslarının bu ağ ile kolayca belirlenebildiği gösterilmiştir. Genetik algoritma yaklaşımı da yinelemeli yapay sinir ağı çıkışlarındaki maksimum hatayı bulmak için kullanılmıştır. Böylece yinelemeli yapay sinir ağı ve genetik algoritma tabanlı hibrit bir yapay zeka durum izleme sistemi oluşturulmuştur.

In this study an examination was performed on incipient bearing failure detection in induction motors as predictive maintenance purpose. Bearing failures was constituted artificially with accelerated aging process, and motor current and vibration signals was acquired, and bearing failure diagnosis based on signal processing was done. Bearing failure feature extraction was done using wavelet analysis, and an early fault detection criterion was determined by statistical analysis of motor vibration signals. Coherence function was defined by evaluating motor current and vibration signals together and thus the most dominant frequency which shows rotor eccentricity and the frequency which shows the fault is on bearing balls was determined using coherence function. The relationship between motor vibration and current signals was used as training set of an auto-associative recurrent neural network and with this way bearing failure frequencies was determined. Genetic Algorithm approach was also used to find maximum error in the recurrent neural network outputs. Thus a hybrid artificial intelligence monitoring system based on recurrent neural network and genetic algorithm was developed.