Son yıllarda hata tespiti için makine öğrenmesi modellerinin kullanımı yaygınlaşmıştır. Amacı, kalıcı mıknatıs destekli senkron relüktans motor ilgili sorunları tanımlamak ve düzeltmektir. Bu araştırmanın temel amacı, hataları erken aşamalarında tanımlamak ve sınıflandırmaktır. Bağımsız Bileşen Analizi ve Derin Öğrenme modelleri gibi makine öğrenimi yaklaşımlarını kullanarak motor arızalarını sınıflandırdık. Bağımsız Bileşen Analizi (ICA) kullanarak titreşim ve akım sinyallerini motor sinyallerinden elde ettik. Sıfırdan tasarladığımız evrişimsel sinir ağı (CNN) mimarisini ve Transfer Öğrenme tekniğini kullanarak birden fazla mimari üzerinde denemeler yaptık ve elde ettiğimiz sinyalleri kullanarak oluşturduğumuz iki farklı veri setini test ettik. Deneysel bulgulara göre, önerilen sıfırdan CNN modeli, sınıflandırmada son derece iyi performans göstererek akım sinyallerle %98,7 ve titreşim sinyalleriyle %99,4’e ulaşmıştır.
In recent years, the use of machine learning models for fault detection has become commonplace. Its goal is to identify and fix problems with permanent magnet synchronous reluctance motors. This research’s primary goal is to identify and categorize errors in their early stages. We classified winding faults using machine learning approaches, such as Independent Component Analysis and Deep Learning models. We could distinguish between vibration and current signals from the engine signals by using Independent Component Analysis (ICA). We experimented on multiple architectures using the convolutional neural network (CNN) architecture we designed from scratch and the Transfer Learning technique, testing two distinct datasets we generated using the signals we got. According to experimental findings, the suggested scratch CNN model performed exceptionally well in classification, achieving 98.6% with current signals and 99.4% with vibration signals.
