Konik dişlilerde yapay sinir ağı yöntemiyle arıza teşhisi

Abstract

KONİK DİŞLİLERDE YAPAY SİNİR AĞI YÖNTEMİ İLE ARIZA TEŞHİSİ Bir mekanik sistemden en yüksek verimi almak ve arızalardan kaynaklanan üretim kayıplarını en aza indirmek için bugüne kadar değişik yaklaşımlar benimsenmiştir. Bunlardan biri de kestirimci bakım olarak adlandırılan yaklaşımdır. Dişliler döner makine sistemlerinin güç ve hareket iletimi açısından önemli parçalarını oluşturmakta ve dişli arızalarının teşhisi kestirimci bakım çalışmalarında önem arz etmektedir. Bu tez çalışmasında, zamana bağlı konik dişli arızalarının doğru tespiti için titreşimin yoğun olduğu noktalardan titreşim ve ses verilerinin elde edilebildiği genel amaçlı bir konik dişli arıza teşhis sistemi geliştirilmiştir. Zamana bağlı ortaya çıkan frekans düzlemindeki titreşim ve ses verilerinin özellikleri çıkarılıp sınıflandırılması ile arıza teşhisi gerçekleştirilmiştir. İvmeölçer ve mikrofondan alınan titreşim ve ses verileri, deney süresince belirli zaman dilimlerinde dişli yağı içerisine aşındırıcı eklenerek farklı yük, hız ve yağ seviyelerinde elde edilmiştir. Dişli yağına belirli zaman dilimlerinde eklenen aşındırıcı sonucu oluşan dişli aşınmalarına bağlı olarak ortaya çıkan titreşim ve ses verilerinin analizi ile elde edilen genlik ve frekans değerleri, arızanın sınıflandırılmasına yardımcı olmuştur. Hızlı Fourier Dönüşümü ve Güç Spektrum Yoğunluğu gibi veri özelliklerini ortaya çıkaran etkin yöntemler MATLAB ortamında başarıyla kullanılmıştır. Konik dişli arızalarının teşhisi için geri beslemeli bir yapay sinir ağı modeli kullanılmıştır. Yapay sinir ağı sayesinde hızlı ve yüksek doğrulukta çalışan en uygun modeli bulmak için harcanan deneme-yanılma süresi önemli ölçüde azalmaktadır. Titreşim ve ses sinyallerinin frekans düzleminde işlenmesi ile elde edilen verilerin yapay sinir ağına uygulanarak konik dişlilerde oluşabilecek arızaların tespitinde başarılı olduğu deneysel çalışmalarla gösterilmiştir.

FAULT DIAGNOSIS ON BEVEL GEARS WITH ARTIFICIAL NEURAL NETWORKS To obtain the highest efficiency and to keep the loss of production caused by fault at minimum levels, many different approaches have been adopted. One of them is the approach named predictive maintenance. Gears are important components of the rotary machines due to their power and motion transmission, and diagnosis of gear fault has importance in predictive maintenance. In this thesis, for the accurate determination of the time-dependent bevel gear fault, a general purpose bevel gear fault diagnosis system was develop in which sound signals and vibration datas could be obtained from the intense vibration points. Fault diagnosis was perfomed by feature extraction of time-dependent vibration and sound data from frequency plane and classification of these data. Vibration and sound signal obtained from accelerometer and microphone were recorded for different levels of oil, speed and load by adding abrasive into gear oil throughout a deliberate experimantation process. The level of amplitude and frequency obtained through analysis of vibration and sound data recorded by periodic addition of abrasive into the gear oil, paved the way for classification of faults. Efficient techniques that bring out properties as Fast Fourier Transform and Power Spectral Density were successfully used in MATLAB platform. For diagnosis of bevel gear faults, artificial neural network model with a back propagation was used. With the assistance of artificial neural network, the trial-error period for finding the most suitable model functioning fast and highly accurate is considerably reduced. It was shown that using the data obtained by processing frequency domain vibration and sound signals in artificial neural network is successful in diagnosing bevel gear faults.