Termal görüntülerde derin ögrenme yaklasimlari ile elektrik arizalarinin siniflandirilmasi

Abstract

Asenkron motorlar, endüstriyel uygulamalarda diğer motor tiplerine olan avantajları sebebiyle sıklıkla tercih edilirler. Transformatörler ise elektrik sistemine beslenecek gerilimin ayarlanmasında kullanılan, vazgeçilemez bir diğer kategoriyi teşkil ederler. Bu ekipmanlara dair arıza teşhisi ise geleneksel elektrik bazlı ölçümleri gerektiren analizlerle (stator akım sinyallerinin, manyetik akı dağılımlarının vb. derinlemesine incelenmesiyle) yerine getirilir. Termal görüntü analizleri; yapıya doğrudan müdahale gerektirmeyen, elektrikli ekipmanların durumlarını belirlemenin kolay bir yolu olarak karşımıza çıkmaktadır. Gerçeklenen tez çalışmasında, asenkron motorların ve transformatörlerin durumlarını ayırt etmek için, termal görüntü temelli analizler ele alınmaktadır. Bu amaçla her iki ekipman koşulları birleştirilerek, yirmi farklı durumun eldesi sağlanmıştır. Bu durumlar; soğutma fanı arızası, rotor arızası, motor içinde farklı fazlarda ve çeşitli oranlarda kısa devre arızaları, trafo içinde farklı oranlarda kısa devre arızaları, yüksüz motor ve yüksüz trafo olarak tanımlanmıştır. Sınıflama problemi bir ön işleme olmaksızın, etkin derin öğrenme mimarileri (DenseNet201, MobileNetV2, ResNet50, ShuffleNet, Xception) üzerinden gerçekleştirilmiştir. Deneylerde mimarilere dair en yüksek performansların gözlenmesi için, sistem hiperparametreleri kapsamlı bir şekilde incelenmiştir. Burada transfer öğrenme görevini gerçekleştirmek, modellerin ana kısmını bozmamak ve termal görüntü sınıflaması için uygun modeli ortaya çıkarmak için dört olgu (mini parça boyutu, öğrenme oranı, LRDF değeri, optimize edici tipi) değerlendirilmiştir. Deneylerde mimarileri veri artırma olmadan karşılaştırmak için, %80-%20 eğitim-test yöntemi üzerinden sonuçlar analiz edilmiştir. Sonuç olarak, üç fazlı motora ve bir fazlı trafoya ait termal görüntülerin sınıflandırılmasında %100 doğruluk elde edilerek, tüm derin öğrenme mimarilerinde en yüksek performanslar gözlemlenmiştir. Doğruluk tabanlı analizlere ek olarak, termal görüntü sınıflamasında en uygun mimariyi ortaya çıkarmak için derinlemesine bir analiz sunulmuştur. Çalışma neticesinde, derinlemesine analizlere göre ShuffleNet mimarisinin diğer yapılardan daha üstün olduğu tespit edilmiştir.

Asynchronous motors are thoroughly preferred in industrial applications regarding their advantages in comparison with other motor types. Transformers constitute another oft-used and inevitable category for the adjustment of voltage to be fed to an electrical system. The fault diagnostics of these equipment are generally fulfilled by in-depth determinations of stator current signals, magnetic flux distributions, etc. which require comprehensive analyses of conventional electrical measurements. Herein, thermal image analyses arise as an easy way to identify the situations of electrical equipment in which there is no need for direct intervention to the structure. In thesis study, we handle the thermal image-based analyses to distinguish the situations of asynchronous motors and transformers. For this purpose, twenty different situations were obtained combining both asynchronous motor and transformer conditions. These conditions were defined as the cooling fan failure, rotor fault, short-circuit faults in different phases and in various rates inside the motor, short-circuit faults in different rates inside the transformer, no-load motor, and no-load transformer. Without a pre-processing step, classification process was performed utilizing efficient deep learning architectures (DenseNet201, MobileNetV2, ResNet50, ShuffleNet, Xception). In experiments, the hyperparameters of models are examined in a comprehensive manner to observe the highest scores of architectures that can be achieved. Herein, four phenomena (mini-batch size, learning rate, LRDF, optimizer type) are evaluated to perform the transfer learning task, not to spoil the main part of the models, and to reveal the appropriate model for thermal image classification. In trials, an 80%-20% training-test split is allowed to compare the models without data augmentation. As a result, the highest performance is observed with all deep learning architectures by attaining 100% accuracy for condition discrepancy of thermal images belonging to the three phase-motor and one phase-transformer. In addition to the accuracy-based analyses, an in-depth evaluation is presented to reveal the most appropriate architecture in thermal image classification. Regarding this, it's advised that ShuffleNet architecture seems as the most remarkable system among other transfer learning methods.