Sabit mıknatıslı senkron relüktans motorlarda makine öğrenmesi tabanlı arıza teşhisi

Sabit Mıknatıslı Senkron Relüktans Motorlar, yüksek verimlilik ve moment yoğunluğu, düşük bakım gereksinimi nedeniyle endüstriyel makineler, elektrikli araçlar, fan ve pompa uygulamaları olmak üzere çeşitli kullanım alanlarına sahiptir. SMSRM'lerde meydana gelebilecek arızalar motorun düzgün çalışmasını engeller ve verimliliğin düşmesine sebep olur. Bu durum sistemde kullanılan enerji kaynaklarının daha fazla yüklenmesi ve maliyetlerin artması anlamına gelir. Bu nedenle sistemde oluşabilecek arızaların önceden tespit edilmesi oldukça önemlidir. Bu tez çalışmasında, SMSRM'de farklı çalışma ve arıza tipleri için gerçek ölçüm sonuçları paylaşımlı veri tabanlarından kullanılarak makine öğrenmesi tabanlı yapay zekâ algoritmaları ile sınıflandırma yapılmıştır. Bunun için stator iki sargı arası kısa devre arızası oluşturulmuştur. Motora ait normal çalışma ve iki farklı büyüklükte kısa devre arızası sonucu meydana gelen akım ve titreşim verileri kullanılmıştır. Elde edilen bu veriler makine öğrenmesi algoritmaları olan ICA ve XGBoost, derin öğrenme algoritmaları olan LSTM, TDL ve CNN modelleri üzerinde eğitilmiştir. Bu tez çalışmasında kullanılan titreşim ve akım verileri ile ICA analizi yapılmış ve üst üste binen sinyallerin bu yöntemle ayrılabildiği saptanmıştır. XGBoost, LSTM, TDL ve CNN algoritmalarının değerlendirilmesi için doğruluk ve F skorları kullanılmıştır. Titreşim verilerinin sınıflandırılmasında LSTM modeli ile doğruluk oranı %92,02, XGBoost için 92,31, TDL için %98.54 ve CNN için de %99.34 olarak gerçekleşmiştir. F skoru değeri ise ortalama her algoritma için 0.90 üzerinde sonuç vermiştir. Akım verileri kullanılarak yapılan analiz sonuçlarında ise doğruluk oranları LSTM ve XGBoost modelleri için %89.88 iken, TDL için %98.24, CNN için %99.09 olarak gerçekleşmiştir. F skoru ise akım verileri kullanılarak eğitilen modeller için 0.90 üzerinde çıkmıştır.