bilyeli rulmanlarda zaman uzayında İstatistiksel Öznitelik...

6
Bilyeli Rulmanlarda Zaman Uzayında İstatistiksel Öznitelik Çıkarımı ve Yapay Sinir Ağları Metodu ile Hata Boyutunun Kestirimi Samet Bayram, Kaplan Kaplan, Melih Kuncan, H.Metin Ertunç Mekatronik Mühendisliği Bölümü Kocaeli Üniversitesi, Umuttepe Yerleşkesi, İzmit, Kocaeli [email protected] [email protected] [email protected] [email protected] Özetçe Dönel makinelerde yataklama elemanı olarak kullanılan rulmanlarda meydana gelen arızalar, sistemin çalışmasını aksatan veya durduran nedenlerdendir. Bu çalışmada, bir mil- rulman sisteminde, belirli boyutlarda yapay hatalar oluşturulmuş rulmanlardan titreşim sinyalleri elde edilmiştir. Çalışmanın amacı, rulmanlarda meydana gelen arızaların boyutunu, yapay sinir ağları modelini kullanarak teşhis etmektir. Elde edilen titreşim verilerinin gerçek zamanda özellikleri çıkarılarak belirli ağırlıklarla çarpılmış, oluşturulan yapay sinir ağı modeline giriş olarak verilmiştir. Farklı arıza boyutlarına sahip rulmanların gerçek zamanda istatistiki özellikleri de farklı olmaktadır. Bu özellikler kullanılarak geliştirilen yapay sinir ağı ile rulmanlarda meydana gelen arızaların büyüklüğü, %100 bir başarı ile sınıflandırılırken, gerçek hata değerinin ise, ortalama %2 hata ile kestirildiği gözlemlenmiştir. 1. Giriş Günümüz endüstrisinde, dönel makine elemanlarına birçok makinede sıklıkla karşılaşılmaktadır. Rulmanlar, farklı mekanizmaların dönen millerine yataklık yapması için kullanılan elemanlardır. Böylelikle sürtünme en aza indirgenerek makinenin çalışması daha düzgün bir seviyeye getirilmektedir. Rulmanlar, makinelerde tahrik elemanı olarak kullanılan motor millerinde veya bunun dışında başka kritik bölgelerde yataklama elemanı olarak görev yapmaktadır. Bu elemanlarda meydana gelebilecek arızaların sisteme olumsuz etkisi kaçınılmazdır. Sistemin rulmana göre çok fazla maliyetli oluşu, otomasyon sisteminin dolayısıyla üretimin durdurulması, bakım onarım masrafları gibi durumların yanında rulmanlarda meydana gelen arızalar üretim kalitesini de etkilemekte ve rulmanlarda arıza teşhisini zorunlu kılmaktadır [1]. Çalışan her makine titreşim meydana getirir. Makinelerde çalışan parçalar arasındaki boşluğun artması, parçalardaki sürtünmelerden kaynaklanan aşınmalar, çatlak oluşması ve benzeri nedenler titreşime neden olurlar. Bunlara sebep olan en önemli faktör ise makineye etki eden iç ve dış kuvvetlerdir. Bu yüzden makineler tasarlanırken bu kuvvetlerin mümkün olduğu kadar küçük olması istenir. Düzgün bir şekilde üretilmiş bir makine bile çalışma esnasında belli seviyede titreşim oluşturur. Bu durumun pratikte önlenmesi çoğu zaman mümkün olmaz. Önemli olan bu titreşim seviyesinin kabul edilebilir bir seviyede kalacak şekilde kontrol altında tutulmasıdır. Uygun yöntemlerle sistemden ve arızadan kaynaklanan titreşim bilgileri belirlenerek arıza teşhisi yapılabilir. Literatür araştırıldığında, bu konu ile ilgili yapılmış birçok çalışma görülmektedir. Zhang vd.[2] rulmandan alınan mekanik titreşimleri dalgacık (wavelet analysis) yöntemi ve olasılıksal sinir ağları (PNN) ile hatanın boyutunu tespit ettikten sonra hatasız bir rulmandan aldıkları titreşim verileriyle karşılaştırmışlardır. Mendel vd.[3] pompalardaki rulmanlarda meydana gelebilecek hataları kurdukları sistemle frekans analizi yöntemiyle bulmaya çalışmışlardır. Lacey [4] titreşim verilerini zarf analizi yöntemini kullanarak işledikten sonra frekans bölgelerindeki değişimleri gözlemlemiştir. Yadav [5] rulmanlardaki hataları belirlemek için titreşim verilerinin zaman uzayında analiz ettikten sonra bu sonuçları yapay sinir ağları yöntemiyle analiz etmiş; rulmanlardaki hata oranını yüzdeyle belirterek kategorize etmişlerdir. Rukhande vd. [6] şok darbe izleme yöntemiyle rulmanlarda meydana gelen hataların değişimini gözlemlemiştir. Shi vd. [7] dalgacık enerji entropisi ve danışmansız öğrenme (SOM) yöntemleri ile rulmanlarda arıza teşhisine yönelik analiz yapmışlardır. Zhang vd. [8] ortak vektör yöntemiyle rulmanlarda meydana gelen hataların meydana getirdiği titreşim verilerinin özniteliklerini çıkararak, hatanın boyutunu ve oluştuğu frekansları görüntülemiştir. Girondin vd. [9] helikopterlerde kullanılan rulmanlarda meydana gelen hataları tespit etmek için frekans analizi metodunu kullanmıştır. Bu çalışmada ise, önceki çalışmalar [10,11] sonucu tasarlanmış bir rulman test düzeneği üzerinde, lazerle yapay olarak meydana getirilmiş ve değişik deney şartlarında testler yapılmıştır. Farklı hata boyutlarına sahip rulmanlardan alınan titreşim verileri, zaman uzayında öznitelik matrisi çıkarılarak yapay sinir ağları yöntemiyle analiz edilmiş, rulmanlardaki hata boyutu kestirilmeye çalışılmıştır. 2. Yapay Sinir Ağları Yapay sinir ağları, biyolojik sinir sisteminin simülasyonu olarak ortaya çıkmıştır. Bir bilgisayarın çalışma şekli beynin Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya 986

Upload: vuongdieu

Post on 19-Feb-2018

229 views

Category:

Documents


5 download

TRANSCRIPT

Page 1: Bilyeli Rulmanlarda Zaman Uzayında İstatistiksel Öznitelik ...laboratuar.kocaeli.edu.tr/sensorlab/diger/sensorlab12.11.2013_15... · Instruments 6211 veri toplama kartı(DAQ) kullanılmıştır

Bilyeli Rulmanlarda Zaman Uzayında İstatistiksel Öznitelik

Çıkarımı ve Yapay Sinir Ağları Metodu ile Hata Boyutunun

Kestirimi

Samet Bayram, Kaplan Kaplan, Melih Kuncan, H.Metin Ertunç

Mekatronik Mühendisliği Bölümü

Kocaeli Üniversitesi, Umuttepe Yerleşkesi, İzmit, Kocaeli [email protected]

[email protected]

[email protected]

[email protected]

Özetçe

Dönel makinelerde yataklama elemanı olarak kullanılan

rulmanlarda meydana gelen arızalar, sistemin çalışmasını

aksatan veya durduran nedenlerdendir. Bu çalışmada, bir mil-

rulman sisteminde, belirli boyutlarda yapay hatalar

oluşturulmuş rulmanlardan titreşim sinyalleri elde edilmiştir.

Çalışmanın amacı, rulmanlarda meydana gelen arızaların

boyutunu, yapay sinir ağları modelini kullanarak teşhis

etmektir. Elde edilen titreşim verilerinin gerçek zamanda

özellikleri çıkarılarak belirli ağırlıklarla çarpılmış, oluşturulan

yapay sinir ağı modeline giriş olarak verilmiştir. Farklı arıza

boyutlarına sahip rulmanların gerçek zamanda istatistiki

özellikleri de farklı olmaktadır. Bu özellikler kullanılarak

geliştirilen yapay sinir ağı ile rulmanlarda meydana gelen

arızaların büyüklüğü, %100 bir başarı ile sınıflandırılırken,

gerçek hata değerinin ise, ortalama %2 hata ile kestirildiği gözlemlenmiştir.

1. Giriş

Günümüz endüstrisinde, dönel makine elemanlarına birçok

makinede sıklıkla karşılaşılmaktadır. Rulmanlar, farklı

mekanizmaların dönen millerine yataklık yapması için

kullanılan elemanlardır. Böylelikle sürtünme en aza

indirgenerek makinenin çalışması daha düzgün bir seviyeye

getirilmektedir. Rulmanlar, makinelerde tahrik elemanı olarak

kullanılan motor millerinde veya bunun dışında başka kritik

bölgelerde yataklama elemanı olarak görev yapmaktadır. Bu

elemanlarda meydana gelebilecek arızaların sisteme olumsuz

etkisi kaçınılmazdır. Sistemin rulmana göre çok fazla maliyetli

oluşu, otomasyon sisteminin dolayısıyla üretimin

durdurulması, bakım onarım masrafları gibi durumların

yanında rulmanlarda meydana gelen arızalar üretim kalitesini

de etkilemekte ve rulmanlarda arıza teşhisini zorunlu kılmaktadır [1].

Çalışan her makine titreşim meydana getirir.

Makinelerde çalışan parçalar arasındaki boşluğun artması,

parçalardaki sürtünmelerden kaynaklanan aşınmalar, çatlak

oluşması ve benzeri nedenler titreşime neden olurlar. Bunlara

sebep olan en önemli faktör ise makineye etki eden iç ve dış

kuvvetlerdir. Bu yüzden makineler tasarlanırken bu

kuvvetlerin mümkün olduğu kadar küçük olması istenir.

Düzgün bir şekilde üretilmiş bir makine bile çalışma esnasında

belli seviyede titreşim oluşturur. Bu durumun pratikte

önlenmesi çoğu zaman mümkün olmaz. Önemli olan bu

titreşim seviyesinin kabul edilebilir bir seviyede kalacak

şekilde kontrol altında tutulmasıdır. Uygun yöntemlerle

sistemden ve arızadan kaynaklanan titreşim bilgileri belirlenerek arıza teşhisi yapılabilir.

Literatür araştırıldığında, bu konu ile ilgili yapılmış birçok

çalışma görülmektedir. Zhang vd.[2] rulmandan alınan

mekanik titreşimleri dalgacık (wavelet analysis) yöntemi ve

olasılıksal sinir ağları (PNN) ile hatanın boyutunu tespit

ettikten sonra hatasız bir rulmandan aldıkları titreşim

verileriyle karşılaştırmışlardır. Mendel vd.[3] pompalardaki

rulmanlarda meydana gelebilecek hataları kurdukları sistemle

frekans analizi yöntemiyle bulmaya çalışmışlardır. Lacey [4]

titreşim verilerini zarf analizi yöntemini kullanarak işledikten

sonra frekans bölgelerindeki değişimleri gözlemlemiştir.

Yadav [5] rulmanlardaki hataları belirlemek için titreşim

verilerinin zaman uzayında analiz ettikten sonra bu sonuçları

yapay sinir ağları yöntemiyle analiz etmiş; rulmanlardaki hata

oranını yüzdeyle belirterek kategorize etmişlerdir. Rukhande

vd. [6] şok darbe izleme yöntemiyle rulmanlarda meydana

gelen hataların değişimini gözlemlemiştir. Shi vd. [7] dalgacık

enerji entropisi ve danışmansız öğrenme (SOM) yöntemleri ile

rulmanlarda arıza teşhisine yönelik analiz yapmışlardır. Zhang

vd. [8] ortak vektör yöntemiyle rulmanlarda meydana gelen

hataların meydana getirdiği titreşim verilerinin özniteliklerini

çıkararak, hatanın boyutunu ve oluştuğu frekansları

görüntülemiştir. Girondin vd. [9] helikopterlerde kullanılan

rulmanlarda meydana gelen hataları tespit etmek için frekans

analizi metodunu kullanmıştır.

Bu çalışmada ise, önceki çalışmalar [10,11] sonucu

tasarlanmış bir rulman test düzeneği üzerinde, lazerle yapay

olarak meydana getirilmiş ve değişik deney şartlarında testler

yapılmıştır. Farklı hata boyutlarına sahip rulmanlardan alınan

titreşim verileri, zaman uzayında öznitelik matrisi çıkarılarak

yapay sinir ağları yöntemiyle analiz edilmiş, rulmanlardaki

hata boyutu kestirilmeye çalışılmıştır.

2. Yapay Sinir Ağları

Yapay sinir ağları, biyolojik sinir sisteminin simülasyonu

olarak ortaya çıkmıştır. Bir bilgisayarın çalışma şekli beynin

Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya

986

Page 2: Bilyeli Rulmanlarda Zaman Uzayında İstatistiksel Öznitelik ...laboratuar.kocaeli.edu.tr/sensorlab/diger/sensorlab12.11.2013_15... · Instruments 6211 veri toplama kartı(DAQ) kullanılmıştır

çalışmasına benzetilerek yapay sinir ağları modeli

geliştirilmiştir. Yapay sinir ağları algoritmalarında öğrenme,

daha önce edinilen tecrübelere bağlıdır. Bir sistemin

özelliklerinin çıkarıldıktan sonra sistemin çözümüne dayalı bir

algoritma olmasa veya karmaşık bir çözüm algoritması olsa

dahi, yapay sinir ağları bu sisteme uygulanabilir. Yapay sinir

ağları nöronlardan oluşmaktadır. Bu nöronlar gerçek sinir

sistemindeki gibi bir birlerine çok karmaşık bir şekilde dahi

bağlanabilmektedirler. Her bir nöronun farklı ağırlıkta girişleri

ve bir tane çıkışı bulunmaktadır. Bu amaçla farklı ağırlıktaki girişlerin toplamı şu şekilde ifade edilir [12]:

1

P

i i

i

n w x b

(1)

Burada P giriş sayısı, w girişin ağırlığı, x giriş ve b biastır.

Ağırlıklandırılmış girişler ve her nöronun biasıyla beraber

toplamları, aktivasyon fonksiyonundan geçirilir ve bunun

sonucunda o nörona bağlı çıkış elde edilir. Aktivasyon fonksiyonunu "f" ile gösterirsek:

1

( ) ( )P

i i

i

f n f w x b

(2)

Şeklinde ifade edilir. Aktivasyon fonksiyonu sistemin yapısına

uygun olarak sigmoid fonksiyonu, eşik (treshold) fonksiyonu

veya hiperbolik tanjant fonksiyonu olabilir. Çıkış elde

edildikten sonra eğer sistem çok katmanlıysa, bir nöronun

çıkışı diğer bir nöronun girişi olabilir. Bu şekilde çok katmanlı bir yapay sinir ağı modeli oluşturulur [13].

Şekil 1: Sinir hücreleri ve katmanlar [1]

Yapay sinir ağları modeli genelde üç kısımdan oluşur:

giriş katmanı, saklı katman ve çıkış katmanı. Her katman çok

fazla nörondan oluşabilir. Bilgi giriş katmanından yapıldıktan

sonra aktivasyon fonksiyonlarından geçer. Giriş katmanın

çıkışları saklı katmanın girişleri olarak devam eder. Bu

aşamadan sonra sonuç katmanında son bir defa daha

aktivasyon fonksiyonları saklı katman çıkışlarını

değerlendirerek nihai çıkış elde edilir. Şekil 1'de giriş

katmanının girişleri xj, çıkışı hj ile gösterilmiştir. hj, aynı

zamanda saklı katmanın girişi olarak gösterilmiştir.

Yapay sinir ağlarında öğrenmenin ilk adımı aktivasyon

olarak nitelendirilebilir. Sinir hücresine giren sinyallerin

toplamı o hücreyi aktif hale getirebilecek bir değere sahip olup

olmamasına göre çıkış değeri değişmektedir. Eğer toplam

sinyal hücreyi ateşleyebilecek, eşik değerini atlatabilecek

kadar yüksek ise o hücre aktiftir, aksi durumda ise o hücre

pasiftir. Sinir hücresinin aktif veya pasif durumda olmasına

göre sınıflandırma yapıp yapamadığı sonucuna ulaşılmaktadır.

Örneğin, girdi örüntülerine 1 ya da 0 cevabini vererek

sınıflandırma yapabilen bir yapay sinir ağı hücresi, örüntüye 1

veya 0 değerini atayarak karar vermiş sayılmaktadır. “Karar

vermek” ve “sınıflandırmak”, öğrenme sürecinin temel yapı taşlarını oluşturmaktadır.[14]

3. Yöntem

3.1. Deney Düzeneği

Çalışmada kullanılan veriler, Şekil 2'de görülen bir AC servo motora bağlı rulman-mil düzeneğinden elde edilmiştir.

Şekil 2: Deney Düzeneği

Düzenekte veri toplamak için Matlab ile uyumlu National

Instruments 6211 veri toplama kartı(DAQ) kullanılmıştır.

Titreşimi, elektrik sinyallerine dönüştürmek için içerisinde

piezoelektrik malzeme bulunan titreşim sensörü (352C65)

tercih edilmiştir. Titreşim sensörü ile ilgili bilgiler Tablo 1’de

verilmiştir. Titreşim sinyallerini düzenleyip yükseltmek için

sensörle bağlantılı sinyal şartlandırıcılar da bulunmaktadır.

Tablo 1: Titreşim sensörünün özellikleri

Parametreler Değerler(SI)

Hassasiyet (±10 %) 10.2 mV/(m/s2)

Ölçüm aralığı ±491 m/s2 pk

Rezonans frekansı ≥35 KHz

Doğrusalsızlık ≤1%

Rulmanda hata boyutunu sınıflandırmak için belirli çaplarda

yapay hatalar oluşturulmuştur. Rulmanda yapay hatalar

dışında ekstra bir titreşimin olmaması için yapay hataların

özenle açılması gerekmektedir. Bunun için lazer delme

yöntemi ile mikron hassasiyetinde iç bileziğe, dış bileziğe ve

Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya

987

Page 3: Bilyeli Rulmanlarda Zaman Uzayında İstatistiksel Öznitelik ...laboratuar.kocaeli.edu.tr/sensorlab/diger/sensorlab12.11.2013_15... · Instruments 6211 veri toplama kartı(DAQ) kullanılmıştır

bilye üzerine 0.15 mm ve 0.9 mm çapında delikler açılmıştır.

Şekil 3'te lazerle oluşturulmuş yapay hatalar görülmektedir.

Şekil 3 : Lazerle oluşturulmuş yapay hatalar

3.2. Ham Titreşim Verisi ve Özellik Çıkarımı

Titreşim verileri 24 KHz örnekleme frekansında toplanmış,

1'er saniyelik kısımlara ayrılarak 20 adet veri paketi şeklinde

bilgisayar ortamında saklanmıştır. Şekil 4'te bir titreşim verisi

örneği görülmektedir.

Şekil 4: Ham titreşim verisi

Hata boyutu değiştikçe titreşim verisi üzerinde çeşitli

değişiklikler olacaktır. Bu değişiklikleri elde etmek için

titreşim verisinin zaman uzayında özellik çıkarımı yapılmıştır. Bu özellikler aşağıda verilmiştir.

RMS

Kurtosis

Standart sapma

Skewness

Maksimum

Minimum

Ortalama

Medyan

Crest faktör

Tablo 2'de küçük, orta ve büyük hatalı rulmanlardan alınmış birer titreşim verisinin örnek özellik çıkarımı görülmektedir.

Tablo 2: Zaman uzayında özellik çıkarımı ve ağırlıklar

HATA BOYUTU

ÖZELLİKLER KÜÇÜK ORTA BÜYÜK AĞIRLIK

Ortalama -0.0027 -0.0047 0.016 0.02

Maksimum 0.9364 1.4513 7.0941 0.2

Minimum -0.6598 -1.902 -4.4361 0.02

Standart Sapma 0.0994 0.1421 0.4088 0.2

Skewness 1.02 -0.05 0.974 0.01

Kurtosis 13.8513 25.1383 47.0916 0.39

Medyan -0.0047 -0.0051 -0.0048 0.01

RMS 0.0994 0.1421 0.4088 0.1

Crest faktör 9.4162 10.2113 17.3518 0.05

3.3. Yapay Sinir Ağı Modelinin oluşturulması

20'şer adet üç hata tipinde veri paketleri ve 9 adet zaman

uzayında istatistiksel özellikler ile beraber 9x60 boyutunda

özellik matrisi oluşturulmuştur Özellik çıkarımından sonra,

yapay sinir ağı modelinin girişleri için ağırlıklar belirlenmiştir.

Hatanın değişimine hangi özelliklerin tepkisi daha belirgin ise

o girişe ait ağırlık daha büyük belirlenmiştir. Örneğin; hata

miktarı arttıkça kurtosis özelliğinin belirgin bir şekilde arttığı

gözlenmiştir. Dolayısıyla bu girişe ait ağırlık büyük

seçilmiştir. Ağırlıklar deneme-yanılma yöntemiyle

bulunmuştur. Tablo 2'de, istatistiksel özelliklere ait ağırlıklar

gösterilmiştir. Tüm girişlere ait ağırlıklar bu şekilde

belirlendikten sonra yapay sinir ağı modeli Şekil 5'e benzer bir

şekilde oluşturulmuştur.

Şekil 5: Yapay sinir ağı modeli

Girişler belirlendikten sonra, hedef çıkış matrisi belirlenir.

9x60'lık giriş matrisine karşılık, 1x60'lık hedef çıkış matrisi

belirlenmiştir. Küçük boyutlu hatalar için 0.15, orta boyuttaki

hatalar için 0.5 ve büyük boyuttaki hatalar için 0.9 değeri

verilmiştir. Verilen bu değerler varsayımsal değerlerdir ve

arızanın büyüklüğünü belirtmek için verilmiştir. Rulmanlar

güvenilir bir yöntemle hata frekans genlikleri ölçülmüş ve hata

genliklerine göre sınıflandırılmıştır. Bu büyüklükleri ve hedef

çıkış matrisindeki karşılığını belirten değerler Tablo 3'te

gösterilmiştir.

Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya

988

Page 4: Bilyeli Rulmanlarda Zaman Uzayında İstatistiksel Öznitelik ...laboratuar.kocaeli.edu.tr/sensorlab/diger/sensorlab12.11.2013_15... · Instruments 6211 veri toplama kartı(DAQ) kullanılmıştır

Tablo 3: Hata tipleri

Hata Tipi Hata Boyut Hedef Çıkış

Küçük 0-200 0.15

Orta 201-349 0.5

Büyük ≥350 0.9

3.4. Simülasyon

Yapay sinir ağı modeli Matlab üzerinde yazılan kodlarla

simüle edilmiştir. Simülasyon parametreleri Tablo 4’te

gösterilmiştir.

Tablo 4: Simülasyon parametreleri

YSA Parametreler Değerler(SI)

Transfer fonksiyonu Tansig, Purelin

Öğrenme oranı 0.55

Max Epochs 500

Hedef hata

Eğitim algoritması 1e-7

LM

Tanjant-Sigmoid (tansig) transfer fonksiyonu çok katmanlı

yapay sinir ağlarında kullanılan bir transfer fonksiyonudur. Bu

fonksiyon sistemde giriş katmanı ile saklı katman arasında

transfer fonksiyonu olarak kullanılmıştır. tansig fonksiyonu

sistemin çıkışını -1 ile +1 arasında düzenler.

Şekil 6: Tanjant-Sigmoid (tansig)Transfer Fonksiyonu

Purelin fonksiyonu, saklı katman ile çıkış katmanı arasında

kullanılan transfer fonksiyonudur. Bu transfer fonksiyonu ile

çıkış, -1 ile +1 arasında lineer olarak düzenlenir.

Şekil 7: Purelin Transfer Fonksiyonu

Öğrenme oranı, elde edilen en iyi sonuca göre 0.55 olarak

belirlenmiştir. Küçük, orta ve büyük hataya sahip

rulmanlardan alınan 20'şer adet titreşim verisi olmak üzere 60

adet titreşim verisi kullanılmıştır. Buna göre bu verilerin %55'i

yapay sinir ağımını eğitmek için, %45'i test için kullanılmıştır.

Yüzde oranları deneme-yanılma ile bulunmuş en iyi

değerlerdir.

4. Deneysel Sonuçlar

Şekil 8'de kestirilen değerlerin hedeflenen değerlere göre

dağılımı görülmektedir. Kestirilen değerler, 0.15(küçük hata),

0.5 (orta hata) ve 0.9 (büyük hata) civarında toplanmıştır.

Kestirilen değerlerin dağılımı ±%5 bandı içerisinde olması

hedeflenmiştir. Kestirim sonucunda ortalama hata ve

korelasyon değerleri hesaplanarak gösterilmiştir. Ortalama

hata ve korelasyon katsayısı formülleri Denklem 3 ve 4

verilmiştir.

Ortalama Hata(%)

1

1001 i i

ii

N pa

N a

(3)

Korelasyon, R(a,p)( , )

( , ) ( , )

Cov a p

Cov a a Cov p p (4)

a ve p değerleri, sırasıyla gerçek ve kestirilen değerlerdir.

Cov(a,p) ise a ile p arasındaki kovaryansı ifade eder. [13].

Öngörülen ve kestirilen değerler ±%5 lik bir bandın içerisinde

kalması arzulanmıştır. Şekil 8'de, %99.76'lık bir başarıyla

öngörünün gerçekleştiği görülmektedir.

Şekil 8: Hedeflenen ve kestirilen çıkışların dağılımı

Her seferinde verilerin %55 i rastgele olarak seçilmiş ve yapay

sinir ağı eğitilmiştir. Hedef çıkış ve kestirilen çıkışın beraber

çizdirildiğinde Şekil 9'daki sonuç ortaya çıkmaktadır. Eğitim

ve test için seçilen değerler rastgele olduğu için sonuç her

seferinde farklı ama Şekil 9'daki sonuca benzer çıkmaktadır.

Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya

989

Page 5: Bilyeli Rulmanlarda Zaman Uzayında İstatistiksel Öznitelik ...laboratuar.kocaeli.edu.tr/sensorlab/diger/sensorlab12.11.2013_15... · Instruments 6211 veri toplama kartı(DAQ) kullanılmıştır

Şekil 9: Hedef çıkış ile kestirilen çıkış

Şekil 9'daki mavi değerler hedef çıkışı, kırmızı değerler ise

yapay sinir ağı modeli ile kestirilen sonuçları göstermektedir.

Grafiğe bakarak, hata boyutunun sınıflandırılması %100 lük

bir başarıyla gerçekleştiği görülmektedir. Grafikteki değerler

sadece test verileri içindir. Diğer bir ifadeyle, yapay sinir

ağının eğitimi aşamasında kullanılan veriler test aşamasında

kullanılmamıştır.

Şekil 10'da simülasyonun performans grafiği görülmektedir.

Hataların karelerinin ortalaması, belli bir değerin(10-7) altına

düştüğünde Matlab iterasyona son vermektedir.

Şekil 10:Performans grafiği (Hataların karelerinin

ortalaması)

5. Genel Sonuçlar

Bu çalışmada, küçük, orta ve büyük hata miktarlarına

sahip rulmanlardan elde edilen titreşim verilerinin zaman

uzayında istatistiksel öznitelikleri çıkartılmış, yapay sinir ağı

modeli oluşturulmuş ve hata boyutunun tespiti, sınıflandırma

olarak değerlendirildiğinde, %100 lük bir başarı sağlanmış ve

gerçek hata değerinin ise %2’lik bir ortalama hata ile

kestirildiği gözlemlenmiştir.

Yapay sinir ağları sayesinde, rulmanda meydana gelmiş

hatanın boyutu, titreşim sinyallerinden zaman uzayında elde

edilen özniteliklere dayanılarak kestirilmiştir.

Teşekkür

Bu çalışma Kocaeli Üniversitesi Mekatronik Mühendisliği

Bölümü Sensör Laboratuarında 106M208 kodlu Tübitak

projesi kapsamında altyapısı oluşturulan deney düzeneğinde

yapılmıştır. Bu bildirinin yazarları, hibe edilen rulmanlardan

dolayı Ortadoğu Rulman Sanayi'ne (ORS), rulmanlarda yapay

hataların oluşturulmasına katkılarından dolayı Lazer

Teknolojileri Araştırma ve Uygulama Merkezine (LATARUM) ve TÜBİTAK'a teşekkür ederler.

Kaynakça

[1] K. Al-Raheem," Wavelet Analysis and Neural

Networks for Bearing Fault Diagnosis," Caledonian College of Engineering, Oman.

[2] ZHANG Jingyi, WANG Lan, ZHU Meichen, ZHU

Yuanyuan, YANG Qing, "Fault diagnosis based on

wavelet packet energy and PNN analysis method for

rolling bearing", School of Information Science and

Engineering Shenyang Ligong University Shenyang 110159, China,2012

[3] E. Mendel, T. W. Rauber, F. M. Varejao and R. J.

Batista” Rolling Element bearing fault diagnosis in

rotating machines of oil extraction rigs”, 17th European Signal Processing Conference (EUSIPCO 2009)

[4] Dr. S. J. Lacey,” An Overview of Bearing Vibration

Analysis”, Nov / Dec 2008,maintenance & asset management vol 23 no 6

[5] Manish yadav, Dr. Sulochana wadhwani,”Vibration

analysis of bearing for fault detection using time domain

features and neural network”, International Journal of

Applied Research in Mechanical Engineering, Volume-1, Issue-1, 2011

[6] Sanjay Rukhande, Shamim Pathan, Pratik Lahane, Vijay

Patil, Devendra Mhatre, Ashish Gosavi, “Condition

Monitoring for Fault Diagnosis of Bearings”,

Proceedings of the NCNTE-2012, Third Biennial National Conference on

Nascent Technologies Fr. C. Rodrigues Institute of

Technology, Vashi, Navi Mumbai, Feb 24-25, 2012

[7] Shuai Shi, Laibin Zhang, Wei Liang,” Condition

Monitoring and Fault Diagnosis of Rolling Element

Bearings Based on Wavelet Energy Entropy and SOM “,College of Mechanical and Transportation Engineering

China University of Petroleum Beijing, China,2012

[8] BinZhang, GeorgiosGeorgoulas, MarcosOrchard,

AbhinavSaxena, DouglasBrown, GeorgeVachtsevanos,

StevenLiang,” Rolling Element Bearing Feature

Extraction and Anomaly Detection Basedon Vibration

Monitoring”, 16th Mediterranean Conference on Control and Automation

[9] Victor Girondina, Komi Midzodzi Pekpea, Herve

Morelb, Jean-Philippe Cassar," Bearings fault detection

in helicopters using frequency readjustment

andcyclostationary analysis", "Mechanical Systems and Signal Processing NA, NA (2013) NA

Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya

990

Page 6: Bilyeli Rulmanlarda Zaman Uzayında İstatistiksel Öznitelik ...laboratuar.kocaeli.edu.tr/sensorlab/diger/sensorlab12.11.2013_15... · Instruments 6211 veri toplama kartı(DAQ) kullanılmıştır

[10] H.Metin Ertunç, Hasan Ocak, Muhammet Merdoğlu,

Samet Bayram, Mesut Çavuş,"Vibration Analysis Based

Localized Bearing Fault Diagnosis Under Different Load

Conditions " 12.International Workshop on Research and Education in Mechatronics,2011,Kocaeli, Turkey

[11] Kaplan Kaplan, Samet Bayram, Mel h Kuncan, H.Met n

Ertunç,"Farklı Rulman Hatalarından Elde Ed len T treş m

S nyaller Üzer ndek Radyal Yükler n Etk s " Otomatı k

Kontrol Ulusal Toplantisi, TOK-2012, 11-13 Ekim 2012,

Niğde

[12] Haykin S (1994) Neural networks—a comprehensive foundation.

[13] H.Metin Ertunç, Hasan Ocak, Cüneyt Aliustaoğlu," ANN- and ANFIS-based multi-staged decision algorithm

for the detection and diagnosis of bearing faults" Neural Comput & Applic,2012

[14] Fausett L.," Fundamentals Of Neural Networks",1994

Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya

991