Deep Learning Based Bearing Fault Detection and Classification Via Diversified Inputs

Abstract

Elektrik motorları, sabit performansları ve kullanım kolaylıkları sayesinde pek çok endüstriyel alanda tercih edilmektedir. Ancak, rulman arızaları, motor bozulmaları içinde en sık karşılaşılan sorunlardan birisidir. Rulman bozukluklarının erken aşamalarda ve doğru bir şekilde teşhisi, maliyetli arızaların önlenmesi ve operasyonel verimlilik için kritik önem taşımaktadır. Arıza teşhis tekniklerinin geliştirilmesi, arızalanmış parçaların düşük maliyetle değiştirilmesine veya yerinde en etkin şekilde onarılmasına olanak sağlayarak, motorun ömrünü uzatır ve bakım masraflarını azaltır. Mevcut literatürdeki çalışmalar genellikle basit kategorizasyonlar ve hata tespiti için temel yöntemleri esas almıştır. Bu yaklaşımlar çoğunlukla az sayıda sensör verisi kullanmaktadır ve bu da teşhis sürekliliği ve doğruluğu konusunda sınırlamalara sebep olmaktadır. Bu çalışma kapsamında, Dallas üniversitesinde geliştirilmiş özel bir sensör seti kullanılarak, motor ve rulmanlardan elde edilen sekiz çeşit veri üzerinden analiz yapılmıştır. Hedefimiz, rulmanlardaki beş farklı arıza tipi yanında bir sağlıklı durum olmak üzere altı farklı durumu doğru şekilde sınıflandırmaktır. Bu amaç doğrultusunda elde ettiğimiz deneysel verilere dayanarak, hangi giriş verilerin daha informatik ve öngörülebilir olduğunu değerlendirip, farklı girdi kombinasyonları ve modelleme teknikleri ile performans ve doğruluk oranları incelenmiştir. Böylece, rulman arızalarının teşhisi ve izlenmesi konusunda, mevcut literatürdeki eksikliklerin giderilmesi ve alanın ilerlemesine katkıda bulunacak yeni ve daha kapsamlı bir metodoloji sunulmuştur. Bu çalışmanın sonuçları, endüstriyel uygulamalarda kullanılan elektrik motorlarının güvenilirliğini artırarak, arıza yönetimi ve bakım stratejilerinin optimizasyonuna önemli bir katkı sağlayacaktır.

Electric motors are preferred in many industrial areas due to their stable performance and ease of use. However, bearing faults are among the most common problems within motor failures. The early and accurate diagnosis of bearing disorders is critically important for preventing costly failures and for operational efficiency. The development of fault diagnosis techniques enables malfunctioned parts to be replaced at low cost or to be repaired effectively on-site, thus extending the motor's lifetime and reducing maintenance expenses. Studies in the current literature have generally relied on basic categorizations and rudimentary methods for fault detection. These approaches often use a limited number of sensor data, which leads to limitations in the continuity and accuracy of diagnoses. Within the scope of this study, a special sensor board developed at the University of Dallas will be used to analyze eight types of data obtained from motors and bearings. Our goal is to accurately classify six different conditions, including five different types of bearing faults as well as a healthy state. Based on the experimental data obtained for this purpose, we will assess which data are more informative and predictable, and examine performance and accuracy rates with different input combinations and modeling techniques. Thus, the current study will present a new and more comprehensive methodology that addresses gaps in the existing literature and contributes to the advancement of the field in the diagnosis and monitoring of bearing faults. The results of this study will significantly contribute to increasing the reliability of electric motors used in industrial applications and to the optimization of failure management and maintenance strategies.