Asenkron motorlarda çoklu rotor çubuğu arızalarının evrişimsel sinir ağları yaklaşımı ile teşhisi

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.