Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13087/2352
Title: Comparison of machine learning methods for fault analysis in induction motors
Other Titles: İndüksiyon motorlarda hata analizi için kullanılan makine öğrenmesi yöntemlerinin karşılaştırılması
Authors: Germen, Emin
Çetintaş, Mehmet
Keywords: Elektrik ve Elektronik Mühendisliği
Electrical and Electronics Engineering
Issue Date: 2021
Publisher: Eskişehir Teknik Üniversitesi
Abstract: Son yıllarda indüksiyon motor kullanımı oldukça artmıştır. Bu artış sebebiyle indüksiyon motorlarının arızalanma oranları dolayısıyla artmıştır. İndüksiyon motor hatalarındaki artış birçok sürecin aksamasına, iş kaybına, ekipman kaybına hatta daha kötüsü can kaybına sebep olmaktadır. Tüm bu sebeplerden dolayı arızayı önceden tespit etmek oldukça önem kazanmıştır. Bu tezde farklı çalışma koşullarını temsil eden altı ayrı yük altında üç farklı indüksiyon motorla veri seti oluşturulmuştur. Bu veri seti oluşturulurken üzerinde bilinçli olarak on bir çeşit hata oluşturulmuş indüksiyon motorlar belirlenen yükler altında çalıştırılmıştır ve ses, titreşim ve akım verileri toplanmıştır. Bu veri seti yedi kanal ses verisi, altı kanal titreşim verisi ve üç kanal akım verisinden oluşmaktadır. Oluşturulan veri seti üzerinden dokuz çeşit zaman tabanlı ve beş çeşit frekans tabanlı öznitelik çıkartılmıştır. Oluşturulan öznitelikler yapay sinir ağı eğitiminde ve testinde önce ayrı ayrı sonra da birleştirilerek kullanılmıştır. Sonuç olarak motor tipleri ve motorlardaki hata tipleri kolayca ayırt edilmiştir.
The use of induction motors has increased considerably in recent years. Because of this increase, failure rates of induction motors have increased. The increase in induction motor errors causes disruption of many processes, loss of work, loss of equipment and even worse, loss of life. For all these reasons, it has become very significant to detect the failure beforehand. In this thesis, data sets were created with three different induction motors under six different loads, which are representing different operating conditions. While creating this data set, induction motors, which have created eleven types of errors deliberately, were operated under different loads and noise, vibration and current data were collected. This data set consists of seven channels of audio data, six channels of vibration data and three channels of current data. Nine kinds of time-based and five kinds of frequency-based features were extracted from the created data set. The features were used in Neural Network training and testing firstly separately and then combined. As a result, motor types and fault types in motors are easily distinguished.
URI: https://hdl.handle.net/20.500.13087/2352
https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=8tbPippmWV_b-Irrn9YEArg7bRmmrO2wNGHWe29oNAplgWIwBgIhTsf8ybHFGQLH
Appears in Collections:Tez Koleksiyonu

Show full item record

CORE Recommender

Page view(s)

6
checked on Oct 3, 2022

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.