STFT-istatistiksel özelliklerin füzyonu ve AL-SOA ile optimize edilmiş bagging ağacı tabanlı makaralı yatak arıza teşhis yöntemi

Makine yataklarını sağlıklı tutmanın önemi

Rüzgar türbinlerinden trenlere ve uçak motorlarına kadar sayısız makine, dönen parçaların sorunsuz çalışmasını sağlamak için makaralı yataklara güvenir. Bu yataklar arızalanmaya başladığında sonuçlar maliyetli duruşlardan tehlikeli kazalara kadar uzanabilir. Bu makale, titreşimler aracılığıyla yatakları “dinlemenin” daha akıllı, daha hafif bir yolunu tanıtıyor; gürültülü makinelerde, çalışma koşulları değiştiğinde ve hesaplama kaynakları sınırlı olduğunda bile hasarın erken uyarı işaretlerini tespit etmeye yönelik bir yaklaşım sunuyor.

Titreşimleri iki tamamlayıcı şekilde dinlemek

Yazarlar, bir yatağın iç bileziği, dış bileziği veya yuvarlanan elemanları aşınmaya veya çatlamaya başladığında titreşim sinyallerinin nasıl değiştiğine odaklanıyor. Bu sinyallere tek bir bakışa dayanmak yerine, iki basit ama güçlü açıklamayı birleştiriyorlar. Birincisi, belirli tonlarda enerjinin zaman içinde biriktiğini gösteren kısa süreli frekans görünümüdür; bu, kusurların neden olduğu tekrarlı darbelerin tespitinde hassastır. Diğeri ise ortalama seviye, yayılma ve “ani atımlar” gibi hareketin ne kadar düzensiz veya enerjik olduğunu yakalayan altı zaman tabanlı istatistiğin sıkı bir kümesidir. Birlikte, bu görünümler, yatak içinde olup biteni tek başlarına verebileceklerinden daha zengin bir biçimde ortaya koyar.

Sinyal bilgisini temizleme, odaklama ve birleştirme

Gerçek makineler nadiren laboratuvar sessizliğinde çalışır; bu yüzden yöntem özenli bir sinyal temizliği ile başlar. Ham titreşim merkezlenir, yatak arızalarının en açıklayıcı olduğu bir bant korunmak üzere filtrelenir ve kısa, keskin olayları koruyan dalgacıklar (wavelet) ile gürültü giderilir. Ardından üst üste binen zaman pencereleri sürekli sinyali yaklaşık bir beşte bir saniyelik kısa, tekrarlanabilir parçalara böler. Her parçadan frekans tabanlı desen ile altı zaman tabanlı ölçü çıkarılır ve farklılıkların basit enerji değişimleri yerine yatak davranışını yansıtması için normalize edilir.

Verinin neyin daha önemli olduğunu belirlemesine izin vermek

Her özellik türüne ne kadar güvenileceğini sert kodlamak yerine, yazarlar frekans ve zaman bilgisinin hangi bölümlerinin farklı arıza tiplerini ayırt etmek için en yararlı olduğunu vurgulamayı öğrenen küçük bir “dikkat” birimi tanıtıyor. Kavramsal olarak bu birim, bilinen kusur imzalarıyla hizalandıklarında belirli frekans bantlarını ve belirli istatistikleri parlatarak, çoğunlukla gürültü taşıyanları ise karartan bir spot ışığı gibi davranır. Bu uyarlanabilir birleşimden sonra, başlıca bileşen analizi (PCA) adı verilen standart bir matematiksel araç, her parçanın 262 değerlik tanımını hâlâ faydalı varyasyonun çoğunu koruyan daha küçük bir sete sıkıştırır. Bu adım gereksiz tekrarları azaltır, öğrenmeyi hızlandırır ve doğruluğu fark edilir şekilde düşürmeden aşırı uyumu önlemeye yardımcı olur.

Verimli bir karar ormanı oluşturma ve ayarlama

Nihai karar için yazarlar ağır derin öğrenme ağlarından kaçınıp bunun yerine bagging olarak bilinen bir karar ağaçları topluluğu kullanır. Her ağaç sıkıştırılmış özellik uzayını belirli arıza tipleri veya sağlıklı çalışma ile ilişkilendirilen bölgelere bölen basit kuralları öğrenir ve topluluk nihai etikete oy verir. Fark ise bu ormanın yapısının nasıl seçildiğindedir. Ağaç sayısını ve derinliğini tahmin etmek yerine ekip, deniz kuşlarının sürü ve avlanma desenlerinden esinlenen nüfus tabanlı bir arama kullanır. Bu uyarlanabilir sürü, sınıflandırma doğruluğu, ormanın kompakt tutulması ve eğitim süresinin azaltılması olmak üzere aynı anda üç hedefi dengelerken model ayar kombinasyonlarını keşfeder. Bu hedefleri dengeleyen çözümler, pratik bir çalışma noktasının seçilebileceği bir “sınır” oluşturur.

Farklı test tezgâhlarında sağlamlığı kanıtlama

Temizleme, çift görünümlü özellik çıkarımı, dikkat tabanlı birleşim, sıkıştırma ve optimize edilmiş ağaç topluluğundan oluşan eksiksiz boru hattı, iki iyi bilinen açık veri seti ve özel deney düzeneği olmak üzere üç farklı yatak test tezgâhında test edildi. Bu farklı koşullar altında yöntem tutarlı bir şekilde yaklaşık %97–99 doğrulukla yatak arızalarını tespit etti. Özenle yapılan deneyler her ana bileşenin önemli olduğunu gösterdi: dikkat modülünün, çok amaçlı optimizatörün veya sıkıştırma adımının kaldırılması performansı biraz düşürürken, yalnızca tek tür bir özellik kullanılması özellikle gürültü ve değişen yükler altında güvenilirlikte belirgin bir düşüşe neden oldu.

Gerçek dünya makineleri için anlamı

Uzman olmayan bir dinleyici için temel mesaj, yazarların basit, anlaşılabilir yapı taşlarını — temel sinyal temizliği, titreşimin iki sezgisel görünümü ve şeffaf karar ağaçları — birleştiren, ancak bunların birlikte nasıl çalışacağını ayarlamak için dikkat ve sürü tarzı arama gibi modern fikirleri kullanan bir teşhis yaklaşımı geliştirdikleridir. Sonuç, doğru, yorumlaması görece kolay ve koruduğu makinelerin yanına yakın çalışabilecek kadar hafif bir izleme şemasıdır. Bu, koşullar gürültülü, değişken ve hesaplama gücü sınırlı olsa bile endüstriyel yatakları sürekli izleyip sorunların arızaya dönüşmeden önce erken işaretlerini yakalamak için umut verici bir aday yapar.

Atıf: Bai, H., Tong, W., Duan, C. et al. Rolling bearing fault diagnosis method based on fusion of STFT-statistical features and AL-SOA optimized bagging tree. Sci Rep 16, 10314 (2026). https://doi.org/10.1038/s41598-026-37914-z

Anahtar kelimeler: makaralı yatak arıza teşhisi, titreşim sinyali analizi, dikkat tabanlı özellik birleşimi, topluluk öğrenimi, sürü optimizasyonu