Termal görüntülerde derin öğrenme yaklaşımları ile elektrik arızalarının sınıflandırılması

Asenkron motorlar, endüstriyel uygulamalarda diğer motor tiplerine olan avantajları sebebiyle sıklıkla tercih edilirler. Transformatörler ise elektrik sistemine beslenecek gerilimin ayarlanmasında kullanılan, vazgeçilemez bir diğer kategoriyi teşkil ederler. Bu ekipmanlara dair arıza teşhisi ise geleneksel elektrik bazlı ölçümleri gerektiren analizlerle (stator akım sinyallerinin, manyetik akı dağılımlarının vb. derinlemesine incelenmesiyle) yerine getirilir. Termal görüntü analizleri; yapıya doğrudan müdahale gerektirmeyen, elektrikli ekipmanların durumlarını belirlemenin kolay bir yolu olarak karşımıza çıkmaktadır. Gerçeklenen tez çalışmasında, asenkron motorların ve transformatörlerin durumlarını ayırt etmek için, termal görüntü temelli analizler ele alınmaktadır. Bu amaçla her iki ekipman koşulları birleştirilerek, yirmi farklı durumun eldesi sağlanmıştır. Bu durumlar; soğutma fanı arızası, rotor arızası, motor içinde farklı fazlarda ve çeşitli oranlarda kısa devre arızaları, trafo içinde farklı oranlarda kısa devre arızaları, yüksüz motor ve yüksüz trafo olarak tanımlanmıştır. Sınıflama problemi bir ön işleme olmaksızın, etkin derin öğrenme mimarileri (DenseNet201, MobileNetV2, ResNet50, ShuffleNet, Xception) üzerinden gerçekleştirilmiştir. Deneylerde mimarilere dair en yüksek performansların gözlenmesi için, sistem hiperparametreleri kapsamlı bir şekilde incelenmiştir. Burada transfer öğrenme görevini gerçekleştirmek, modellerin ana kısmını bozmamak ve termal görüntü sınıflaması için uygun modeli ortaya çıkarmak için dört olgu (mini parça boyutu, öğrenme oranı, LRDF değeri, optimize edici tipi) değerlendirilmiştir. Deneylerde mimarileri veri artırma olmadan karşılaştırmak için, %80-%20 eğitim-test yöntemi üzerinden sonuçlar analiz edilmiştir. Sonuç olarak, üç fazlı motora ve bir fazlı trafoya ait termal görüntülerin sınıflandırılmasında %100 doğruluk elde edilerek, tüm derin öğrenme mimarilerinde en yüksek performanslar gözlemlenmiştir. Doğruluk tabanlı analizlere ek olarak, termal görüntü sınıflamasında en uygun mimariyi ortaya çıkarmak için derinlemesine bir analiz sunulmuştur. Çalışma neticesinde, derinlemesine analizlere göre ShuffleNet mimarisinin diğer yapılardan daha üstün olduğu tespit edilmiştir.