Yuvarlanmalı rulmanların kalan faydalı ömrünü tahmin etmek için çift boyutlu karşıt öz-gözetimli öğrenmeye dayanan yeni bir çerçeve

Aşınma oluşmadan önce tahmin etmenin önemi

Rüzgâr türbinlerinden hızlı trenlere, fabrika robotlarından birçok makineye kadar sayısız sistem, millerin düzgün dönmesini sağlayan küçük metal bileşenler olan yuvarlanmalı rulmanlara dayanır. Bir rulman beklenmedik şekilde arızalandığında bunun sonucu maliyetli duruşlar veya tehlikeli kazalar olabilir. Bu çalışma, büyük miktarda titreşim verisi ve modern yapay zekâ kullanarak bir rulmanın ne kadar faydalı ömrü kaldığını daha akıllıca tahmin etmenin bir yolunu sunuyor. Yaklaşım, birçok mevcut yöntemden daha doğru, gürültülü koşullara karşı daha sağlam ve insan etiketlemesine daha az bağımlı olacak şekilde tasarlanmıştır.

Arızayı öngörmek için küçük titreşimleri dinlemek

Rulman yaşlandıkça mikroskobik çatlaklar ve aşınma, titreşim davranışını kademeli olarak değiştirir. Mühendisler makinelerin üzerine sensörler yerleştirip bu titreşim sinyallerini kaydeder ve rulmanın arızaya ne kadar yakın olduğunu—kalan faydalı ömür olarak bilinen bir büyüklüğü—çıkarımaya çalışırlar. Geleneksel olarak bu ya derin uzman bilgisi gerektiren fizik temelli formüllerle ya da çok sayıda eksiksiz arıza verisi gerektiren istatistiksel modellerle yapılmıştır. Son dönemde ise derin öğrenme sistemleri ham sinyalleri doğrudan ömre eşleyen modellere eğitilmiştir. Ancak bu sistemler sıklıkla kara kutu gibi davranır: veriye uyabilirler ama iç temsilleri zaman içinde düzensiz, tutarsız ve yorumlanması zor olabilir; bu da gerçek dünya uygulamalarında güvenilirliği zedeler.

Cihazlara etiketlenmemiş veriden öğrenmeyi öğretmek

Yazarlar, DCSSL adını verdikleri ve sinir ağlarının etiketlenmemiş veriden kendilerine öğretmesine olanak tanıyan öz-gözetimli öğrenmeye dayanan yeni bir çerçeve öneriyor. Model, insan tarafından girilmiş ömür etiketleriyle başlamaktansa önce ham titreşim kayıtlarını inceler; sinyalin eksik kısımlarını çevresinden tahmin etmeyi ve bir rulmanın durumunu diğerinden ayırt etmeyi öğrenir. Bu ön-eğitim, karşıt (contrastive) bir stratejiyle yönlendirilir: sisteme aynı temel sinyalin birbirine hafifçe farklı iki dilimi gösterilir ve bunların ilişkili olarak ele alınması teşvik edilir; farklı rulmanlara veya zamanlara ait dilimler ise ayrı kabul edilir. Böylece model, herhangi bir açık ömür sayısı verilmeden çok önce mekanik sağlığın nasıl değiştiğini yansıtan düzgün, kademeli desenleri keşfeder.

Aynı anda zaman içinde ve rulmanlar arasında yakınlaştırma

Ana yenilik, öğrenme hedefinin "çift boyutlu" doğasıdır. İlk olarak, zaman ekseni boyunca model, tek bir rulmanın durumunun nasıl evrildiğini anlamaya çalışır: aynı sinyalin örtüşen segmentleri kırpılır ve bazı zaman noktaları bilerek maskelenir. Ağ, eksik davranışı yakın noktalarından yeniden yapılandırmak zorundadır; bu, rastgele gürültü yerine kademeli bozulmayı yakalamasına yönelik bir baskı uygular. İkinci olarak, farklı rulmanlar arasında sistem, bunların bireysel izlerini birbirinden ayırt etmeyi öğrenir; bunlar biraz farklı hızlarda yaşlansalar bile ayırt edilebilmelidir. Zaman içinde düzgün değişim ile makineler arasında net ayrıma dair bu iki baskıyı dengeleyerek, öğrenilen temsil hem yorumlanabilir hem de gelecekteki aşınmayı öngörür hâle gelir.

Aşınmanın daha hızlı ve daha sadık bir görünümü

Sıraları verimli modellemek için çerçeve, genişletilmiş nedensel konvolüsyon ağı (dilated causal convolution) kullanır. Geleneksel tekrarlı modellerin yavaş ve eğitimi zor olabilmesinin aksine, bu yapı geçmişe uzak noktalara "bakabilir" ve yine de nedenselliğe saygı gösterir—şimdiki tahminler sadece mevcut ve geçmiş sinyallere dayanır, geleceğe değil. Öz-gözetimli aşamadan sonra basit bir tahmin katmanı eklenir ve bilinen arıza zamanlarına sahip daha küçük bir titreşim kaydı seti üzerinde ince ayar yapılır. Yöntem, kontrollü yük ve hızlarda rulmanların arızaya kadar çalıştırıldığı yaygın bir rulman kıyaslama veri setinde test edilmiştir. Önde gelen birkaç derin öğrenme tabanlı yaklaşımla karşılaştırıldığında, yeni yaklaşım daha düşük hatalar ve daha istikrarlı tahminler üretmiş; özellikle yaşamın başı veya sonuna yakın uç yanlış değerlendirmelerden kaçınmıştır.

Gerçek makineler için anlamı

Uzman olmayan biri için sonuç şudur: DCSSL, bir rulmanın nasıl aşındığına dair daha net ve daha düzgün bir tahmin sunar ve manuel etiketleme yapılmamış hâlde hâlihazırda toplanan verinin çok daha fazlasını kullanabilir. Tahminleri gerçek bozulma eğrisini daha sadık biçimde izler: sağlıklı çalışma sırasında düz, hasar biriktikçe kademeli olarak düşen ve düzensiz sıçramalar göstermeyen bir profil. Bu, mühendislerin sorunlar kritik hâle gelmeden önce bakımı planlamasını kolaylaştırır; böylece duruşlar azalır ve güvenlik artar. Mevcut çalışma tek bir veri kümesi ve sabit işletim koşullarına odaklanırken, temel fikir—makinelere ömür tahmini öğrenmeden önce bozulma desenlerini kendi kendilerine öğretme imkânı verme—çeşitli endüstriyel ekipmanlarda daha güvenilir, veri açısından verimli sağlık izleme için ümit verici bir yol sunar.

Atıf: Shen, Z., Yang, C., Cheng, L. et al. A novel dual-dimensional contrastive self-supervised learning-based framework for rolling bearing remaining useful life prediction. Sci Rep 16, 13364 (2026). https://doi.org/10.1038/s41598-026-38417-7

Anahtar kelimeler: rulman kalan faydalı ömür, öz-gözetimli öğrenme, karşıt öğrenme, titreşim koşul izleme, öngörücü bakım