Development of the intelligent machine conditition monitoring model for Servo Systems

Endüstriyel servo sistemlerin devreye alınması ve parametrelerinin belirlenmesi işlemleri, devreye alan kişinin yetenek ve bilgisi ile sınırlıdır. Ayrıca devreye alınmış sistemler çevresel etkilerin veya yüklerin değişmesi halinde genellikle tekrar optimize edilmezler. Bu tez çalışmasında servo sistemler için oransal, integral ve türev (PID) parametrelerinin sürekli optimum şekilde çalışmasını hedefleyen bir yapay sinir ağı (YSA) modeli geliştirilmesi amaçlanmıştır. Bu işlem için de servo sistemlere girilen parametrelerin kontrolü ve yeniden düzenlenmesi için endüstriyel bir kontrolcü üzerinde servo sistemden elde edilecek anlık üretilen akım, tork, güç, pozisyon gibi verileri kullanan YSA tekniği ile oluşturulmuş bir makine durum izleme algoritması oluşturulmuştur. Bu oluşturulan algoritma ile servo sistemin hız ve akım PID’lerinin parametrelerinin yük karakteristiğinin değişmesi durumunda güncellenmesi sağlanmıştır. İlgili algoritmayı oluşturmak için Siemens S120 servo sürücü ile bir deney düzeneği hazırlanmış ve farklı karakteristikte yükler ile yapılan testler sonucunda eğitim verileri elde edilmiştir. Elde edilen veriler Matlab neural fitting tool box’ı kullanılarak yapay sinir ağlarının eğitiminde kullanılmıştır. Elde edilen model endüstride sıklıkla tercih edilen bir kontrolcü olan Siemens S7-1500 serisi bir programlanabilir lojik kontrolcüye (PLC) entegre edilmiştir. PLC’ye entegre edilen yapay sinir ağları algoritmasına veri beslemek için servo sürücüden veriler ProfiNET “isochrom real time” protokolü kullanılarak toplanmıştır, bu protokol servo sistemin içerisinden düzenli ve eş zamanlı veriler elde etmeyi garanti etmektedir. Elde edilen anlık akım, tork, güç, pozisyon gibi veriler işlendikten sonra PLC üzerinde çalışan yapay sinir ağları algoritmasını beslemek için kullanılmıştır. İlgili algoritmanın üretmiş olduğu yeni servo parametreleri yine ProfiNET protokolü ile servo sürücüye yüklenmesi sağlanmıştır. İlgili deney düzeneğinde yapay sinir ağları tekniği ile geliştirilmiş algoritmanın üretmiş olduğu yeni PID değerlerinin sürücü üzerinden elde dilen hız ve akım değerleri ile klasik Ziegler-Nichols modu kullanılarak elde edilmiş PID değerlerinin kullanılarak tekrarlanan deney sonuçları karşılaştırılmıştır.The commissioning of industrial servo systems and the determination of their parameters are limited to the skills and knowledge of the commissioner. In addition, commissioned systems are often not re-optimized if environmental influences or loads change. In this thesis, it is aimed to develop an artificial neural network model for servo systems that golas to continuously optimize the PID parameters. In order to control and rearrange the parameters entered into the servo systems in this process, a machine condition monitoring algorithm created with the artificial neural network technique using the instantaneously produced data such as current, torque, power, position to be obtained from the servo system on an industrial controller was created. With this algorithm, the parameters of the speed and current PIDs of the servo system are updated in case the load characteristic changes. In order to create the related algorithm, an experimental setup was prepared with Siemens S120 servo drive and training data were obtained as a result of tests with loads of different characteristics. The obtained data were used in the training of artificial neural networks using the Matlab neural fitting tool box. The resulting model is integrated into a Siemens S7-1500 series PLC, which is a frequently preferred in the industry. The data from the servo driver is collected using the ProfiNET isochrom real time protocol to feed data to the artificial neural networks algorithm integrated into the PLC, this protocol guarantees to obtain regular and simultaneous data from within the servo system. After the data such as instantaneous current, torque, power, position are processed, it is used to feed the artificial neural networks algorithm running on the PLC. The new servo parameters calculated by the relevant algorithm then loaded to the servo driver with the ProfiNET protocol. In the relevant experimental setup, the speed and current values obtained from the driver of the new PID values calculated by the algorithm developed with the artificial neural network technique, and the repeated experiment results using the PID values obtained using the classical Ziegler-Nichols mode were compare