AN EXPERIMENTAL EVALUATION OF INTELLIGENT FAULT DETECTION AND CLASSIFICATION FOR INDUCTION MOTORS UTILIZING MACHINE LEARNING APPROACHES

Mahmut KASAP; Eyüp ÇİNAR; Ahmet YAZİCİ; Kemal ÖZKAN

doi:https://doi.org/10.31796/ogummf.853090

Makale detayları

AN EXPERIMENTAL EVALUATION OF INTELLIGENT FAULT DETECTION AND CLASSIFICATION FOR INDUCTION MOTORS UTILIZING MACHINE LEARNING APPROACHES

Yazarlar:

Mahmut KASAP | Eyüp ÇİNAR | Ahmet YAZİCİ | Kemal ÖZKAN

Yayıncı:

Eskişehir Osmangazi University

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Journal of Engineering and Architecture Faculty of Eskisehir Osmangazi University 2021 Vol.29 Issue 2, pp.126-136

Belge Tipi:

Makale

Yayın Tarihi:

8/2021

Belge Dili:

İngilizce

Document ID (Org No.):

2000416361

eISSN:

2630-5712

DOI:

https://doi.org/10.31796/ogummf.853090

Özet:

 

The concept of Industry 4.0 aims fully digital and autonomous production. For manufacturing systems to work properly, their maintenance must be done correctly. However, while unnecessary maintenance causes waste of money and time, skipping necessary maintenance can also cause unexpected down times in production. Predictive maintenance (PdM) aims to predict and diagnose faults at an early stage and also the time remaining for future failures of equipment which might provide significant cost savings compared to traditional maintenance approaches. Today's sensor and data collection technologies have become more accessible and reliable which paved the way for manufacturers to continuously monitor their equipment, collect and store large volume of data in their production systems. Using this data with machine learning (ML) algorithms and analyzing the fingerprints of equipment faults can help making more informed decision regarding maintenance in manufacturing which might help increasing production quality and capacity. In our study, induction motors (IM) which are widely used in factories for different purposes and their failure scenarios are targeted. Triaxial vibration data collected from two similar induction motors under different operating conditions are examined. Various features of vibration data are extracted, scaled and labeled with a status information of the operation state. The obtained dataset is analyzed with six different ML algorithms. Performances are examined and compared against each other. In this  study, we present our promising experimental results and experimentally show that the abnormal operating conditions of IMs can be successfully detected utilizing ML algorithms for a PdM application.

 

Endüstri 4.0 kavramı tamamen dijital ve otonom üretimi hedefliyor. İmalat sistemlerinin düzgün çalışması için bakımlarının doğru yapılması gerekir. Ancak, gereksiz bakım, para ve zaman israfına neden olurken, gerekli bakımın atlanması da üretimde beklenmedik duruş sürelerine neden olabilir. Kestirimci bakım (PdM), arızaları erken aşamada tahmin ve teşhis etmenin yanında geleneksel bakım yaklaşımlarına kıyasla önemli maliyet tasarrufu sağlayabilecek gelecekteki ekipman arızaları için kalan faydalı ömrü belirlemeyi de amaçlamaktadır. Günümüz sensör ve veri toplama teknolojileri daha erişilebilir ve güvenilir hale geldi, bu, üreticilerin ekipmanlarını sürekli olarak izlemelerine, üretim sistemlerinde büyük hacimli veri toplamalarına ve depolamalarına yol açtı. Bu verileri makine öğrenimi (ML) algoritmalarıyla kullanmak ve ekipman arızalarının yapılarını analiz etmek, üretim kalitesini ve kapasitesini artırmaya yardımcı olabilecek üretimde bakıma ilişkin daha bilinçli kararlar alınmasını sağlayabilir. Çalışmamızda fabrikalarda farklı amaçlarla yaygın olarak kullanılan indüksiyon motorları (IM) ve arıza senaryoları hedeflenmiştir. Farklı çalışma koşulları altında iki benzer indüksiyon motorundan toplanan üç eksenli titreşim verileri incelenmiştir. Titreşim verilerinin çeşitli öznitelikleri çıkarılarak, ölçeklenmiş ve çalışma durumuna ilişkin bir durum bilgisi ile etiketlenmiştir. Elde edilen veri seti altı farklı ML algoritması ile analiz edilmekte ve performansları birbirleriyle karşılaştırılmaktadır. Bu çalışmada, umut verici deneysel sonuçlarımızı sunuyoruz ve deneysel olarak, indüksiyon motorlarında anormal çalışma koşullarının Kestirimci Bakım uygulaması için makine öğrenimi algoritmaları kullanılarak başarıyla tespit edilebileceğini gösteriyoruz.

Makale detayları

AN EXPERIMENTAL EVALUATION OF INTELLIGENT FAULT DETECTION AND CLASSIFICATION FOR INDUCTION MOTORS UTILIZING MACHINE LEARNING APPROACHES

Yazarlar: Mahmut KASAP | Eyüp ÇİNAR | Ahmet YAZİCİ | Kemal ÖZKAN

Yayıncı: Eskişehir Osmangazi University

Ana Başlıklar: Veri işleme & bilgisayar bilimi

Dergi: Journal of Engineering and Architecture Faculty of Eskisehir Osmangazi University 2021 Vol.29 Issue 2, pp.126-136

Belge Tipi: Makale

Yayın Tarihi: 8/2021

Belge Dili: İngilizce

Document ID (Org No.): 2000416361

eISSN: 2630-5712

DOI: https://doi.org/10.31796/ogummf.853090

Sayı

Yazarlar:

Mahmut KASAP | Eyüp ÇİNAR | Ahmet YAZİCİ | Kemal ÖZKAN

Yayıncı:

Eskişehir Osmangazi University

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Journal of Engineering and Architecture Faculty of Eskisehir Osmangazi University 2021 Vol.29 Issue 2, pp.126-136

Belge Tipi:

Makale

Yayın Tarihi:

8/2021

Belge Dili:

İngilizce

Document ID (Org No.):

2000416361

eISSN:

2630-5712

DOI:

https://doi.org/10.31796/ogummf.853090