Publication: Fault dıagnosıs on gears wıth neural network and ant colony algorıthm combınatıon
Abstract
YAPAY SINIR AĞI VE KARINCA KOLONI ALGORITMALARI İLE DİŞLİLERDE ARIZA TESPİTİ Günümüzde, arızaların erken tespit edilmesi ve dişli arızalarının teşhisi makinelerin durma sürelerinin azaltılmasında önemli hale gelmiştir. Bu amaçla bazı araştırmalar da dişli arızalarının tespiti, titreşim veya ses sinyalleri kullanarak yapılmıştır. Ancak, bu tekniklerin bazı dezavantajları vardır. Bu sebeple araştırmacılar, başarılı bir arıza teşhis tekniği için etkili bir yaklaşım bulmaya çalışmışlardır. Çalışma, arızayı teşhis edecek bir yol bulmak için bu iki sinyal kullanılarak yapılmıştır ancak hala gelişmesi için yapılacaklar vardır. Bu tezde, Karınca Kolonisi Optimizasyonu (KKO) ile optimize edilmiş Yapay Sinir Ağları (YSA) ile sonsuz dişlilerde oluşan farklı arızaların teşhis edilmesi için bir yaklaşım sunulmuştur. Yaklaşımın etkinliğini artırmak için titreşim, ses ve kızılötesi sıcaklık görüntüleri kullanılan durum izleme tekniği kullanılmıştır. Önerilen yöntemin etkinliğini ve doğruluğunu ispatlamak için deneysel veriler kullanılmıştır. Sonsuz dişli arızalarını sınıflandırmak için Hızlı Fourier Dönüşümü (Fast Fourier Transformation - FFT), özellik çıkarmak için kullanılmıştır. Yüksek performanslı makine durumu sınıflandırması için ANN’in gizli katmanındaki nöron sayısı ve eğitim parametreleri KKO ile optimize edilmiştir. Bu yaklaşıma göre, geliştirilen uygulama ile kırık diş, farklı yağ seviyesi, çalışma hızı ve sonsuz dişli çalışma saatleri tespit edebiliyor. Elde edilen sonuçlar, makine durumunun teşhisinde önerilen yöntemin etkinliğini göstermektedir.
FAULT DIAGNOSIS ON GEARS WITH NEURAL NETWORK AND ANT COLONY OPTIMIZATION ALGORITHM In present days, the importance of early fault detection and diagnosis of faults in gears have become very important as it can help in reducing the machine downtime. To achieve this, some researches have been done to detect the faults in gears by using their vibration and/ or sound analysis techniques. However, both of those techniques have their drawbacks. Due to this reason, researchers have tried to find an efficient approach to a successful fault diagnosis technique. Work has been done to find a way to diagnose fault by combining those two signals but it still has room for improvement. In this thesis, an approach to diagnose different types of fault in worm gears based on Muli-Layer Perceptron pattern recognition Artificial Neural Network (ANN) optimized with Ant Colony Optimization (ACO) is presented by using the combination of vibration, sound and infrared thermography based condition monitoring techniques. An experimental set of data is used to verify the effectiveness and accuracy of the proposed method. Fast Fourier Transform (FFT) has been used to convert raw data from time domain to frequency domain. The selection of input features and the number of nodes in the hidden layers, as well as their neurons, sigma and lambda parameters of Muli-Layer Perceptron pattern recognition Artificial Neural Network (ANN) are then optimized by using Ant colony optimization technique. Based on this approach, it is possible to detect the degradation occurred in the worm gearbox, broken tooth, different level of oil, speed and the working hours of worm gearbox. The results obtained show the effectiveness of the proposed approach in diagnosis of the machine condition.
FAULT DIAGNOSIS ON GEARS WITH NEURAL NETWORK AND ANT COLONY OPTIMIZATION ALGORITHM In present days, the importance of early fault detection and diagnosis of faults in gears have become very important as it can help in reducing the machine downtime. To achieve this, some researches have been done to detect the faults in gears by using their vibration and/ or sound analysis techniques. However, both of those techniques have their drawbacks. Due to this reason, researchers have tried to find an efficient approach to a successful fault diagnosis technique. Work has been done to find a way to diagnose fault by combining those two signals but it still has room for improvement. In this thesis, an approach to diagnose different types of fault in worm gears based on Muli-Layer Perceptron pattern recognition Artificial Neural Network (ANN) optimized with Ant Colony Optimization (ACO) is presented by using the combination of vibration, sound and infrared thermography based condition monitoring techniques. An experimental set of data is used to verify the effectiveness and accuracy of the proposed method. Fast Fourier Transform (FFT) has been used to convert raw data from time domain to frequency domain. The selection of input features and the number of nodes in the hidden layers, as well as their neurons, sigma and lambda parameters of Muli-Layer Perceptron pattern recognition Artificial Neural Network (ANN) are then optimized by using Ant colony optimization technique. Based on this approach, it is possible to detect the degradation occurred in the worm gearbox, broken tooth, different level of oil, speed and the working hours of worm gearbox. The results obtained show the effectiveness of the proposed approach in diagnosis of the machine condition.