NASA rulman verisetiyle gelişmiş derin transfer öğrenme yöntemleri kullanarak rulman hatalarının etkin tespiti

Abstract

Endüstri alanında firmalar üretim faaliyetlerini gösterirken birçok makine kullanmaktadır. Bu makinelerin devamlılığının sağlanması ve oluşabilecek hata durumlarının doğru ve zamanında teşhis edilmesi firmalar açısından hayati önem taşımaktadır. Bu nedenle makine rulmanlarına belirli periyotlarda veya ihtiyaç dahilinde bakım yapılmalıdır. Bu çalışmada, rulmanlarda oluşabilecek bozulmaların son yıllarda dikkat çeken sinir ağları teknikleri ile önceden tespiti üzerine bir analiz ve yaklaşım sunulmuştur. Bu noktada NASA Rulman Veriseti içerisinde bulunan rulman titreşim sinyalleri analiz edilirken, transfer öğrenme, derin öğrenme ve zaman-frekans dönüşümleri gibi teknolojileri içinde kullanan Evrişimli Sinir Ağları (ESA) kurulan sistemi doğrulamak için kullanılmıştır. NASA rulman veri seti içerisinde normal durum, dış bilezik yuvarlanma yolu hasarı, iç bilezik yuvarlanma yolu hasarı ve bilye hasarı durumlarına ait titreşim sinyalleri mevcuttur. Bu titreşim sinyalleri 2-Boyutlu dönüşüm ile görüntü haline getirilmektedir. 2-Boyutlu görüntüler içerisinden rulman arızalarını sınıflandırmak için AlexNet, GoogLeNet ve ResNet-50 evrişimli sinir ağları yöntemleri kullanılmıştır. Evrişimli sinir ağlarının performansının iyileştirilmesi için ise 2-boyutlu görüntüler zaman-frekans dönüşümleri uygulanmıştır. Kurulan yapı ile elde edilen sonuçlarla eski çalışmalar karşılaştırıldığında sınıflandırma konusunda önerilen yöntemin ResNet-50 evrişimli sinir ağı modeliyle %99,46 seviyesinde doğruluk oranının olduğu gözlemlenmiştir.Industrial companies use many machines during production activities. It is crucial to diagnose failures on occur time for sustainability of the machines. For this reason, periodical maintenance of machine bearings is needed. In this study, an analysis and approach is presented on the pre-detection of the defects that may occur in bearings by using neural network techniques that takes attention in recent years. All stages in Convolutional Neural Networks such as transfer learning, deep learning and time-frequency transformations were applied on the NASA bearing dataset in order to analyze vibration data. The NASA bearing dataset contains vibration signals for normal state, outer ring raceway damage, inner ring raceway damage and ball damage states. These vibration signals are converted to images by 2D transformation. AlexNet, GoogLeNet and RestNet-50 Convolutional Neural Network methods were used to distinguish and classify bearing failures from 2D images. In order to improve the performance of Convolutional Neural Networks, time-frequency transformations of 2D images are applied. When the results obtained with the established structure are compared with the previous studies, it was observed that there was a 99.46% validation accuracy by using ResNet-50.