Özellik Çıkarımı Ve Arıza Tanısı İçin İşaret Tabanlı Veri Madenciliği

Abstract

Bu çalışmada, işaret işleme teknikleri ve veri madenciliği yöntemleri kullanılarak özellik çıkarımı ve hata tespiti için yeni bir yöntem geliştirilmiştir. Uygulama ana olarak iki aşamadan oluşmaktadır. Bunlar sırasıyla veri ön-işleme ve yapay sinir ağı aşamalarıdır. Veri ön-işleme aşamasında asenkron bir elektrik motorunun sağlam durumundaki titreşim işareti ham veri olarak kullanılmıştır. Bu aşamada işarete ilk olarak sürekli dalgacık dönüşümü ve Fourier dönüşümü (Güç spektrumu yoğunluğu - GSY) teknikleri uygulanmıştır. Frekans domeninde temsil edilen bu yeni alt-işaret, yapay sinir ağı aşamasında bir öz-ilişkili yapay sinir ağının eğitimi için kullanılmıştır. Eğitim aşamasından sonra benzer veri kümesi ağın geri çağrılmasında kullanılmış ve bu sayede bir arıza eşik değeri belirlenmiştir. Bu yapay sinir ağı, sağlam durumdaki titreşim işaretinin güç spektrumu yoğunluğu ile test edilmiş ve eşik değerini aşan değerler arıza olarak değerlendirilmiştir. Bu model, yapay sinir ağı test aşamasında elde edilen sonuçlarla karşılaştırılıp özellik çıkarımı ve potansiyel hata tespiti açısından yorumlanmıştır. Buna ek olarak yöntem titreşim işaretinin haricinde iki adet simulasyon verisinde de uygulanmıştır. Sonuçlara bakıldığında yöntemin kullanılan tüm veriler için potansiyel arızaları belirlediği gözlenmiştir. Son olarak, çalışmada verilen işlem ve tekniklerin bir kullanıcı tarafından gerçekleştirilebilmesi amacıyla bir bilgisayar uygulaması oluşturulmuştur.In this study, a new method for fault detection and feature extaction is introduced by using signal processing and data mining techniques. The application is consisted of two main phases: data pre-processing and artificial neural network. Vibration signal measurements from the healthy state of an electric motor is used as the raw data for the application. At the data pre-processing phase, continuous wavelet transform and Fourier transform techniques are applied to the vibration signal. At the artificial neural network phase, this sub-signal is given as an input to an auto-associative neural network for training. After the training, the neural network is recalled by the same type of data for identifying a threshold value. At the test phase, the network is tested by the Fourier transform of the signal. According to the comparison with the threshold values, the faulty states are identified. The results are concluded in terms of feature extraction and fault detection of potential defects. In addition to this, the method is applied on two different types of simulation data. The method is capable of identifying the potential defects and faults for all the data provided. Finally, a computer application is developed in order to perform the method.