Elektrik Jeneratörlerinden Alınan Ses ve Sensör Verıleri İle Tınyml Kullanılarak Kestirimci Bakım Ve Arıza Tespiti

Creative Commons License

Elmalı N., Sarp S.

YOBU Uluslararası Orta Anadolu Sempozyumu, Yozgat, Türkiye, 16 - 18 Mayıs 2024, ss.11-22

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: Yozgat
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.11-22
  • Yozgat Bozok Üniversitesi Adresli: Evet

Özet

Endüstriyel uygulamalarda ve kritik sektörlerde; sistemin etkin bir şekilde çalışması ve görevini yerine getirebilmesi için sisteme düzenli bakım ve onarım yapılması gerekmektedir. Düzenli bakımların yanı sıra arızaların öngörülebilmesi için çeşitli tespitler yapan sistemlerin kurulması ve tespitler doğrultusunda kestirimci bakımların yapılması hayati öneme sahiptir. Bu çalışmanın temel amacı savunma sanayisinde, kritik alt bileşenlerden olan elektrik jeneratörlerinin, işletme verimliliğini artırmak, işten düşme sürelerini en aza indirmek ve tümleşik bir yaklaşım kullanarak potansiyel sorunlarını önceden tahmin edebilmektir. Yapılan çalışmada savunma sanayisinde kullanılan jeneratör üniteleri çevresine stratejik olarak yerleştirilecek mikrofon ve sensor entegrasyonu ile hem arızalı hem de normal çalışan jeneratörlerin işleyişiyle ilgili ses ve çeşitli sensör verileri kaydedilmektedir. Bu sayede sensör verileri, ses analizi ve makine öğrenimine dayalı öngörüsel analitikleri birleştiren ve bunları Raspberry pi gibi gömülü sistem cihazlarında koşturarak kapsamlı bir kestirimci bakım çözümü sunulmaktadır. Daha sonra veri özenle işlenerek kestirimci bakım için özel olarak tasarlanmış Tensorflow ve Keras ile Evrişimsel sinir ağları (CNN) modeli geliştirilmektedir. Literatürdeki adı TinyML olarak geçen gömülü makine öğrenimi ile, ses ve sensör verileri bir arada kullanılarak akustik anormallikler ve desenler tanımlanarak, belirli mekanik sorunlar ve bakım gereksinimleri gösterilmektedir. Devamında yapılan test ve analizlerle geliştirilen öngörüsel bakım sisteminin etkinliğinin ve güvenilirliğinin doğrulanması için kapsamlı bir dizi değerlendirme ile geriye dönük gerekli iyileştirmeler ve düzenlemeler yapılmaktadır. Tasarlanan sistem sayesinde jeneratörden alınan ses ve sensör verileri işlenerek; jeneratörün sağlık durumu hakkında daha detaylı bilgi elde edilmektedir., Geleneksel izlemede fark edilemeyen olası sorunları önceden tespit etme, yapay zekâ modeli kullanılarak yaklaşan arıza ve bakım ihtiyaçlarını belirleme ve jeneratör ömrünü uzatma gibi faydaların elde edilmesi öngörülmektedir.

In industrial applications and critical sectors; In order for the system to work effectively and fulfill its duty, regular maintenance and repairs are required. In addition to regular maintenance, it is vital to establish systems that make various detections in order to predict malfunctions and to perform predictive maintenance in line with the detections. The main purpose of this study is to increase the operating efficiency of electrical generators, which are critical sub-components in the defense industry, to minimize downtime and to predict potential problems using an integrated approach. In the study, sound and various sensor data related to the operation of both faulty and normally operating generators are recorded with the microphone and sensor integration to be strategically placed around the generator units used in the defense industry. In this way, a comprehensive predictive maintenance solution is offered by combining sensor data, audio analysis and predictive analytics based on machine learning and running them on embedded system devices such as Raspberry pi. Then, the data is carefully processed and a Convolutional neural networks (CNN) model is developed with Tensorflow and Keras, specifically designed for predictive maintenance. With embedded machine learning, also known as TinyML in the literature, acoustic anomalies and patterns are identified by using sound and sensor data together to indicate specific mechanical problems and maintenance requirements. In order to verify the effectiveness and reliability of the predictive maintenance system developed through subsequent tests and analyses, necessary retroactive improvements and adjustments are made through a comprehensive series of evaluations. Thanks to the designed system, sound and sensor data received from the generator are processed; More detailed information is obtained about the health status of the generator. It is envisaged to obtain benefits such as detecting possible problems that cannot be noticed in traditional monitoring, determining upcoming malfunctions and maintenance needs using the artificial intelligence model, and extending the life of the generator.