| Tez Türü | Doktora |
| Ülke | Türkiye |
| Üniversite | Tokat Gaziosmanpaşa Üniversitesi |
| Enstitü | Lisansüstü Eğitim Enstitüsü |
| Anabilim Dalı | Elektrik-Elektronik Mühendisliği Ana Bilim Dalı |
| Tez Onay Yılı | 2025 |
| Öğrenci Adı ve Soyadı | Hadi ESMERAY |
| Tez Danışmanı | DOÇ. DR. ZAFER DOĞAN ; DOÇ. DR. İSMAİL İŞERİ |
| Türkçe Özet | Son yıllarda, çevre dostu özellikleri ve ekonomik avantajları sayesinde Hafif Elektrikli Araçlar (HEA), ulaşım alanında önemli bir popülerlik kazanmıştır. Özellikle şehir içi kısa mesafeli ulaşımda elektrikli scooter'ların yaygınlaşması HEA motorlarının yüksek performansla ve güvenilir biçimde çalışmasını zorunlu hale getirmiştir. HEA'larda yaygın olarak Fırçasız Doğru Akım Motorları kullanılmaktadır. Dış ortamlarda kullanılan bu motorlar, çevresel koşulların yanı sıra termal, manyetik ve mekanik zorlanmalar sonucunda zamanla arızalanmaktadır. Bu durum, erken ve güvenilir arıza tespiti ihtiyacını ön plana çıkarmaktadır. Bu tez çalışmasında, elektrikli scooter üzerinde gerçekleştirilen deneylerle elde edilen çok boyutlu ve hiyerarşik bir veri seti kullanılarak, motor arızalarının sınırlı veri koşullarında yüksek doğrulukla tespiti amacıyla iki farklı derin öğrenme yaklaşımı değerlendirilmiştir. Çalışmada; sağlam, rulman arızalı, mıknatıs arızalı ve çoklu (rulman-mıknatıs) arızalı motor durumları incelenmiştir. Her bir motor durumuna ait sinyaller, akı, akım, akustik, gerilim ve titreşim olmak üzere beş sensör ile kaydedilmiştir. Veri setinin hiyerarşik yapısı, arıza tipi ve sensör bilgisini içeren iki katmanlı klasör yapısıyla oluşturulmuş, böylece hem arıza türünün tespiti hem de her arıza için en ayırt edici sensör tipinin belirlenmesi sağlanmıştır. Toplanan bu veri setinin derin öğrenme modelleri için kullanılabilmesi amacıyla çok aşamalı bir sinyal işleme süreci uygulanmıştır. Tek boyutlu zaman serisi sinyalleri Uyarlanabilir Gürültü ile Komple Topluluk Görgül Kip Ayrıştırması yöntemiyle İçsel Mod Fonksiyonlarına (IMF) bileşenlerine ayrıştırılmış, daha sonra her IMF satırı Kısa Zamanlı Fourier Dönüşümü kullanılarak iki boyutlu spektrogramlara dönüştürülmüş ve veri artırma teknikleriyle çoğaltılmıştır. Üretilen bu veri seti üzerinde iki farklı derin öğrenme yaklaşımı uygulanmıştır. İlk yaklaşımda, Parçacık Sürü Optimizasyonu (PSO) algoritması kullanılarak Evrişimli Sinir Ağının (CNN) mimari yapısı sıfırdan tasarlanmıştır. Bu süreçte katman sayısı, katman tipleri, katman sıralaması, filtre boyutları ve eğitim hiperparametreleri PSO tarafından optimize edilmiş, elde edilen mimari eğitilmiştir. İkinci yaklaşımda ise, önceden büyük ölçekli veri setlerinde eğitilmiş GoogLeNet, MobileNet-v2 ve ResNet-50 gibi derin ağ mimarileri Transfer Öğrenme (TL) yöntemlerinden fine-tuning (ince ayar) ile hedef veri setine uyarlanmıştır. Modellerin performansı, beş katlı çapraz doğrulama ile test edilmiş; doğruluk (accuracy), kesinlik (precision), duyarlılık (recall) ve F1 skoru (F1 Score) metrikleri kullanılarak değerlendirilmiştir. Deneysel bulgular, hem PSO ile optimize edilen CNN mimarisinin hem de TL uygulanan ön eğitimli modellerin, çoklu motor arıza türlerinin sınıflandırılmasında yüksek başarı sağladığını ortaya koymuştur. Bu çalışma, sinyal işleme, optimizasyon ve TL yöntemlerinin bütüncül biçimde ele alınmasıyla, sınırlı veri koşullarında dahi güvenilir bir sınıflandırma performansı ortaya koyarak HEA motor arızalarını tespit etmede özgün bir çözüm sunmaktadır. |
| İlgilizce Özet | In recent years, Light Electric Vehicles (LEVs) have gained increasing popularity in the transportation industry due to their eco-friendly features and cost benefits. The widespread use of electric scooters, particularly for short-distance urban travel, has necessitated that LEV motors operate reliably and with high performance. Brushless Direct Current Motors are commonly used in LEVs. These motors, used in outdoor environments, fail over time due to environmental conditions as well as thermal, magnetic, and mechanical forces. This situation underscores the importance of early and reliable fault detection. In this thesis study, two different deep learning approaches were evaluated to detect motor faults with high accuracy under limited data conditions, using a multidimensional and hierarchical dataset obtained from experiments conducted on an electric scooter. The study examined healthy motor conditions, bearing failures, magnet failures, and multiple (bearing-magnet) failures. Signals for each motor condition were recorded using five sensors: flux, current, acoustic, voltage, and vibration. The hierarchical structure of the dataset was created using a two-layer folder structure, which contains fault type and sensor information, thereby enabling both the detection of fault type and the determination of the most distinctive data type for each fault. A multi-stage signal processing procedure was applied to enable the use of this collected dataset for deep learning models. One-dimensional time series signals were decomposed into Intrinsic Mode Function (IMF) components using the Complete Ensemble Empirical Mode Decomposition with Adaptive Noise method. Subsequently, each IMF row was converted into two-dimensional spectrograms using the Short-Time Fourier Transform and replicated using data augmentation techniques. Two different deep learning approaches were applied to this generated dataset. In the first approach, the architecture of the Convolutional Neural Network (CNN) was designed from scratch using the Particle Swarm Optimization (PSO) algorithm. During this process, the number of layers, layer types, layer order, filter sizes, and training hyperparameters were optimized by PSO, and the resulting architecture was trained. In the second approach, deep network architectures such as GoogLeNet, MobileNet-v2, and ResNet-50, which were previously trained on large-scale datasets, were adapted to the target dataset using fine-tuning methods from Transfer Learning (TL). The performance of the models was evaluated using five-fold cross-validation, with metrics including accuracy, precision, recall, and F1 score. Experimental findings reveal that both the CNN architecture optimized with PSO and the pre-trained models with TL achieve high success in classifying multiple motor failure types. This study offers a unique solution for detecting LEV motor failures by comprehensively addressing signal processing, optimization, and TL methods, delivering reliable classification performance even under limited data conditions. |