Search

Since bearings are machine elements that are frequently used in several industry due to their load carrying capacity, they are subjected to wear or breakage such as adhesion, abrasion and creep under overloading conditions. For this reason, condition monitoring and fault detection are an important issue for sustainability, high performance and reliability. Feature selection is a difficult task, hence, some features may change due to changing working conditions. Therefore, in this study, convolutional neural networks (ESA), which is a deep learning method in which features are determined by internal dynamics, are used for the detection of healthy bearings (SR) and bearing failures (outer ring failure-AR1, inner ring failure-AR2, rolling element failure-AR3). In order to train ESA approaches with different architectures, spectrograms of vibration signals using Short-Time Fourier Transform were obtained. The results of GoogleNet, ResNet-50, EfficientNet-B0 and AlexNet approaches that are trained with spectograms are comparatively examined. It has been seen that ESAs with complex architectures (GoogleNet, ResNet-50, EfficientNet-B0 ) detect failures with 100% accuracy and AlexNet with 90% accuracy, but it has been observed that the training time increases as the network structure changes and the number of layers increases. It is observed that the results of the study are far better than the similar papers in the literature. As a result, it is seen that the convolutional neural network method with different approaches provides high classification accuracy in the most basic bearing fault detection and is a promising method for fault diagnosis., Rulmanlar, yük taşıma kapasiteleri nedeniyle endüstride pek çok alanda sıklıkla kullanılan makine elemanları olduklarından, aşırı yükleme durumlarında adhezyon, abrazyon ve sürünme gibi aşınma türlerine ya da kırılmalara maruz kalabilirler. Bu nedenle, rulmanlarda durum izlemesi yapılması ve arızaların teşhis edilmesi, sürdürülebilirlik, yüksek performans ve güvenlik açılarından önemli bir husustur. Arıza türlerinin ayırt edilmesinde belirleyici özniteliklerin seçilmesi, farklı çalışma koşullarında bir takım öznitelikler de değişebildiğinden zor bir süreçtir. Bu nedenle, bu çalışmada sağlıklı rulmanların (SR) ve rulman arızalarının (dış bilezik arızası-AR1, iç bilezik arızası-AR2, yuvarlanma arızası-AR3) tespiti için özniteliklerin içsel dinamiklerle belirlendiği derin öğrenme yöntemi olan olan evrişimli sinir ağları (ESA) kullanılmıştır. Birbirinden farklı mimarilere sahip ESA yaklaşımlarını eğitmek için Kısa Zamanlı Fourier Dönüşümü uygulanan titreşim sinyallerinin spektrogramları elde edilmiştir. Spektogram verileri ile eğitilen GoogleNet, ResNet-50, EfficientNet-B0 ve AlexNet yaklaşımlarının sonuçları karşılaştırmalı olarak incelenmiştir. Karmaşık mimariye sahip ESA’ların (GoogleNet, ResNet-50, EfficientNet-B0 ) arızaları %100 doğrulukla, AlexNet’in ise %90 doğrulukla tespit ettiği görülmüştür, ancak ağ yapısı değiştikçe ve katman saysı arttıkça eğitim süresinin de uzadığı görülmüştür. Elde edilen sonuçların literatürdeki çalışmaların sonuçlarından üstün olduğu gözlenmiştir. Sonuç olarak, farklı yaklaşımlara sahip evrişimli sinir ağları yönteminin en temel rulman arıza tespitinde yüksek sınıflandırma doğruluğu sağladığı ve arıza teşhisi için umut vadeden bir yöntem olduğu görülmektedir.

Worm gearboxes (WG) are often preferred, because of their high torque, quickly reducing speed capacity and good meshing effectiveness, in many industrial applications. However, WGs may face with some serious problems like high temperature at the speed reducer, gear wearing, pitting, scoring, fractures and damages. In order to prevent any damage, loss of time and money, it is an important issue to detect and classify the faults of WGs and develop the maintenance plans accordingly. The present study addresses the application of the deep learning method, convolutional neural network (CNN), in the field of thermal imaging that were gathered from a test rig operating on different loads and speeds. Deep learning approaches, have proven their powerful capability to exploit faulty information from big data and make intelligently diagnostic decisions. Studies concerning the condition monitoring of WGs in the literature are limited. This is the first study on WGs with infrared thermography rather than vibration and sound measurements which have some deficiencies about hardware requirements, restricted measurement abilities and noisy signals. For comparison, CNN was also trained, with vibration and sound data which were collected from the healthy and faulty WGs. The results of fault diagnosis show that thermal image based CNN model on WG has achieved 100% success rate whereas the vibration performance was 83.3 % and sound performance was 81.7%. As a result, thermal image based CNN model showed a better diagnosing performance than the others for WGs. Moreover, condition monitoring of WGs, can be performed correctly with less measurement costs via thermal imaging methods.

An effective way to improve the efficiency and extend the life of the machines is to determine the failures of the bearings during operation. Early detection of bearing failures also has critical importance in terms of production costs. Various maintenance methods are used to prevent the failures. Despite all the precautions, unexpected failures can occur and production operations can be failed. This situation, apart from conventional methods, requires a novel determination and diagnostic technique. In this study, artificial intelligence based methods are applied and models are developed in order to detect bearing failures early and to classify the type of failure. In the developed models, it is possible to detect the ring failures depending on different loads and bearing vibration information. In addition, a classification is carried out for the fault from the inner or outer race of the bearing. Determination of the fault, as well as the diagnosis of the class, will increase stability and productivity, especially in critical industrial applications.

Motor içerisinde krank mili, kam mili ve biyel kolu gibi elemanlarda meydana gelen mekanik kayıplar, toplam kaybın önemli bir kısmını oluşturmaktadır. Bu nedenle kam mekanizması, krank mili ve diğer mekanizmaların yağlanmasında kullanılan motor yağı, yüksek verim ve performans için çok önemli olmaktadır. Yağların performans karakteristiklerini geliştirmek amacıyla, motorlar ve endüstriyel makinalar sahasında kullanılan baz yağlara katkı maddeleri ilave edilmektedir. Son yıllarda bor bileşiklerinin katkı olarak kullanımı artmaktadır. Bu çalışmada, sürtünme kaybının belirlendiği test aparatı üzerinde bor katkılı yağlama yağları incelenmiştir. Bu amaçla iki tipteki bor katkısı, baz yağa ayrı ayrı, farklı oranlarda katılması incelenmiş ve sonuçlar tribofilm, sınır ya da karışık yağlama göz önünde bulundurularak değerlendirilmiştir. Bu çalışmanın bir sonucu olarak, deneyler, değişik deney şartları altında bor bileşiklerinin, sürtünme katsayısını %10 ila %50 arasında azalttığını göstermiştir. Optimum katkı oranlarının, borik asit için %3 ve bor nitrür için %4 olduğu belirlenmiştir. Deneyler, ayrıca, 170 kw' lık bir dizel motor kullanılarak her iki optimum katkı oranı ile yapılmıştır. Deneylerin sonucunda, borik asit ve bor nitrür katkılı yağların sayesinde yakıt tüketiminde sırasıyla %3,6 ve %2,7 oranında bir azalma olduğu gözlenmiştir. The mechanical losses occured within the engine, the cam mechanism, crank rod mechanism and the other mechanisms creates a significant portion of the total losses. Hence, the engine's lubricating oil used in cam and crank rod mechanism and the other mechanisms is very important criteria for efficiency and motor performance. In order to improve the performance characteristics of lubricating oils, some additives have been added to the base oil used in the field of motors and industrial machines. In recent years, the use of boron compounds as additives have been increasing. In this study, the effects of the boron compounds on lubrication oils was investigated in the test apparatus. For this purpose; base oils containing two types of boron compound were studied at different concentrations. The results were evaluated taking into account on forming a tribo film in boundary or mixed lubrication conditions. As a result of this study; the experiments showed that boron compounds reduced the coefficient of friction from 10% to 50%, under different test conditions. The optimum concentration ratio has been determined for boric acid of 3%, for hexagonal boron nitride of 4%. Experiments were also carried out for both of optimum concentration ratios using a 170 KW diesel engine. At the end of the experiments, a decrease of 3.6% and 2.7% in the fuel consumption, thanks to boric acid and boron nitride additives, was observed, respectively. 122