ÖZET Anahtar Kelimeler : Kestirimci bakım, titreşim analizi, yapay sinir ağlan, geri yayılım algoritması. Bir makineden en yüksek verimi almak ve bakımdan kaynaklanan üretim kayıplarım en aza indirmek için bugüne kadar değişik yaklaşımlar benimsenmiştir. Bunlardan biri, "durum izlemeye dayalı bakım", "erken uyarıcı dinamik bakım" ya da "kestirimci bakım (predictive maintanence)" denilen yeni bakım anlayışıdır. Bu bakım anlayışında, makinelerin durumu periyodik veya sürekli ölçüm yapılarak tespit edilir. Ölçüm ve kontroller ile üretimi etkileyecek arızanın oluşabileceği zaman önceden tahmin edilir. Bu kontrollere göre uygun zamanlarda makineler bakıma alınır. Toplanan datalar üzerinde yapılan analizler ile arızaların kaynağı ve gelişimleri öğrenilir. Böylece makinelerin en yüksek verimde kullanılması ve beklenmeyen arıza duruşlarının önlenmesi sağlanır. Bu çalışmada kestirimci bakım ve titreşim analizi için "ISO-2372 orta ölçekli makinaların titreşim değerlendirme standartları" tablosu kullanılarak oluşturulan' eğitim seti yapay sinir ağım (YSA) eğitmek için kullanılmıştır. Bunun için önce giriş, bir gizli ve çıkış katman olmak üzere üç katmanlı yapay sinir ağı oluşturulmuştur. Bu ağı eğitmek için ISO-2372 tablosundan 720x9'luk veri matrisi oluşturulmuştur. Test işlemi içinde gene eğitim setinin içinden 200x5 'lik veriye sahip bir matris oluşturulmuştur. Eğitme işlemi gizli katman nöron sayısı 5, 10, 15, 25, 50 ve 75 olan ağların ayrı ayrı eğitimi gerçekleştirilmiştir. Birbirleriyle karşılaştırılarak en iyi sonucu veren ağ yapısı bulunmuştur. Eğitme esnasında geri yayılım (Back- Propagation) algoritması kullanılmıştır. YSA'nın eğitiminden sonra elde edilen çıkış değerleri gerçek tablo değerleriyle karşılaştırılarak kestirimci bakımda kullanılan trend grafiklerine uyarlanmaya çalışılmış ve kullanılabilirliği saptanmıştır. X111
PREDICTIVE MAINTANENCE FUNDAMENTAL VIBRATION BASED ON ARTIFICIAL NEURAL NETWORK AT MACHINERY SUMMARY Key words: Neural Network, Back-Propagation, Predictive Maintanence, Vibration Analyze Since some approaches are approved in order to get the max yield benefit and production wastes for machinery. One of this approache is the maintanence based on monitoring situation or called as early notice dynamic maintanence or as predictive maintanence. With this respect, machinery conditions are determined by periodically and continuous measurements. Previously the breakdown period depends on manufacturing is determined by measurment and control. Considering to the controls, machines are maintanence at proper times. The reason and improvement of the breakdown is trained by the analysis obtained from data. Thus prevent the unexpected breakdown stopsa re provided. In this study, training set was composed using ISO-2372 which is the evaluation standards of medium measure machines and was applied for training of Artificial Neural Networks (ANN). Networks consist of three layers which are an input layer, a hidden layer and an output layer. First data matrix which size is 720x9 was composed the table of ISO-2372 for the network training. Nevertheless a test matrix which is 200x5 size was composed from the training set. Training was tested by changing different types of hidden layers which were consist of 5,10,15,25,50 and 75 neurons. Test results were compared with each others and the best performance was found. Back-Propagation was used in training. Suitability was determined with comparing result valiues and real table values. Finaly result graphics were obtained using output values. xiv
