Ulaştırma alanında kullanılan dişli çark mekanizmalarında diş dibi çatlak hasarının ve derecesinin tespiti için makine öğrenmesi esaslı güvenilir bir izleme yönteminin geliştirilmesi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Bursa Uludağ Üniversitesi, MÜHENDİSLİK FAKÜLTESİ, MAKİNA MÜHENDİSLİĞİ, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Öğrenci: ONUR CAN KALAY

Danışman: Fatih Karpat

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Dişli çarklar modern endüstride güç ve hareket iletmek için kullanılan temel makine elemanlarıdır. Dişli çarkların sağlık durumlarının izlenmesi ise (1) güvenilir operasyonlar sağlamak, (2) plansız duruşları önlemek ve (3) insan kayıplarını en aza indirmek için son derece kritiktir. Bu bakış açısından hareketle, mevcut tez çalışması standart (simetrik) ve asimetrik evolvent düz diş dişli çark çiftlerinde meydana gelen diş dibi çatlağı hasarlarını teşhis etmek için bir tek boyutlu evrişimsel sinir ağları modeli önermiştir. Mevcut tez çalışması dâhilinde sağlıklı ve çatlaklı standart (20°/20°) ve asimetrik (20°/25° ve 20°/30°) düz dişli çiftlerinin titreşim cevabını simüle etmek için tek kademeli bir düz dişli çark mekanizmasının altı serbestlik dereceli dinamik modeli oluşturulmuştur. Erken hata teşhisi görevini karmaşık hale getirmek için elde edilen titreşim verilerine üç farklı seviyede sinyal-gürültü oranı eklenmiştir. Bu tez çalışmasının ana düşüncesi; asimetrik dişlilerin dinamik özelliklerinin incelenmesinin yanı sıra diş asimetrisinin darbe direnci, eğilme mukavemeti ve yorulma ömrü bakımından sağladığı iyileştirmelere ek olarak diş dibi çatlaklarını derin öğrenme temelli bir yaklaşım ile daha kolay tespit etmede bir avantaj sağlayıp sağlamayacağını araştırmaktır. Tez çalışması kapsamında aynı zamanda değişken çalışma koşullarının ve diş dibi çatlağı hasarının düz dişli çark çiftlerinin titreşim cevabı üzerindeki etkilerini değerlendirmek için özgün bir dişli hata tespiti deney düzeneği kurgulanmış ve üretilmiştir. Deney düzeneği (1) bir elektrik motoru, (2) iki adet torkmetre, (3) bir dişli kutusu, (4) iki adet üç eksenli ivmeölçer ve (5) bir fren ünitesinden oluşmaktadır. Bu kapsamda, geliştirilen derin öğrenme temelli algoritmanın etkinliği fiziksel bir test düzeneği aracılığı ile toplanan titreşim verileri üzerinde test edilmeden önce (1) Case Western Reserve University ve (2) Paderborn University açık erişim veri setleri üzerinde koşturulmuştur. Elde edilen bulguların diş asimetrisinin dişli dinamik özellikleri ve erken hata teşhisi üzerindeki etkilerinin daha iyi anlaşılması için önemli çıktılar sağlaması hedeflenmiştir.