GAF tabanlı teknikler kullanarak hassas rulman arızası sınıflandırması ve şiddet tespiti için SA-ConSinGAN ve rezervuar hesaplaması füzyonu

Makine arızalarının hepimiz için neden önemi var

Fabrika zeminlerinden rüzgar tarlalarına ve trenlere kadar sayısız makine, dönen parçaların sorunsuz kalmasını sağlamak için rulman adı verilen küçük metal bileşenlere dayanır. Bu parçalar aşındığında ilk belirtiler genellikle insanların hissedemeyeceği küçük titreşimlerdir—ancak gözden kaçarsa ani arızalara, maliyetli duruşlara ve hatta tehlikeli kazalara yol açabilir. Bu makale, gelişmiş veri odaklı yöntemlerle bu gizli uyarı işaretlerini daha akıllıca “dinlemenin” bir yolunu araştırıyor; amaç, herhangi bir arıza meydana gelmeden önce hem rulman arızasının türünü hem de şiddetini tespit edebilmek.

Titreşimlerden gizli hasarın görüntülerine

Titreşim verilerini zaman içindeki dalgalanmalar olarak ele almak yerine yazarlar bu sinyalleri daha belirgin desenleri açığa çıkaran renkli görüntülere dönüştürüyor. Tek boyutlu titreşim sinyallerini iki boyutlu dokulara çeviren Gramian Angular Fields (GAF) adlı teknik ailesini kullanıyorlar; burada tekrarlayan darbeler, düzensizlikler ve hareketteki ince değişimler belirgin görsel desenler olarak ortaya çıkıyor. Toplama temelli, fark temelli ve daha gürültüye dayanıklı bir varyant olmak üzere üç ilişkili versiyon aynı temel davranışın biraz farklı görünümlerini sunuyor. Bu görüntü tabanlı görünüm, rulmandaki olayların zamanlamasını ve kuvvetini korurken, resimler için tasarlanmış modern algoritmaların hangi arıza türünün mevcut olduğunu tanımasını kolaylaştırıyor.

Gerçek veriler kıt olduğunda daha fazla örnek oluşturmak

Sektörde büyük bir zorluk, ciddi arızaların nadir olması ve veri toplamak için ekipmana kasıtlı zarar vermenin pahalı veya riskli olmasıdır. Bunu aşmak için çalışmada SA-ConSinGAN adlı üretici bir model kullanılıyor; bu model sadece birkaç özgün görüntüden çok sayıda gerçekçi varyasyon üretebiliyor. Dahili bir “self-attention” mekanizması, üretecin küresel yapı ve dokuyu tutarlı tutmasına yardımcı oluyor; böylece sentetik görüntüler rastgele gürültü yerine gerçek arıza desenleri gibi görünmeye ve davranmaya devam ediyor. Veriyi bu kontrollü şekilde genişleterek yazarlar nadir ve yaygın arıza türleri arasında denge kuruyor ve sınıflandırıcılarına fiziksel rulman arızalanma mantığını ihlal etmeden çok daha zengin bir eğitim seti sağlıyor.

Hafif, beyin ilhamlı modellerin arıza hakemliği

Büyük, tamamen eğitilmiş derin ağlar yerine yazarlar rezervuar hesaplama olarak bilinen verimli model ailesine dayanıyor. Bu sistemlerde karmaşık iç bağlantılar önceden sabitlenir; yalnızca basit bir çıkış katmanı eğitim sırasında ayarlanır, bu da onları zorlu zaman sinyallerinde bile hızlı ve kararlı kılar. Makale, hem standart hem derin echo state ağları, beyin aktivitesinden ilham alan spiking modeller ve Random Vector Functional Link (RVFL) adlı rastgele-projeksiyon modelini içeren birkaç varyantı test ediyor. Her GAF görüntüsü için ekip önce pürüzsüzlük, kontrast ve düzensizlik gibi doku ve istatistiksel özellikleri çıkarıyor ve sonra bu kompakt özetleri hangi arızanın mevcut olduğunu ve şiddetini belirlemek üzere rezervuar modellerine besliyor.

Yöntem gerçekte ne kadar iyi çalışıyor?

Araştırmacılar iş akışlarını yaygın kullanılan bir kıyas seti üzerinde değerlendiriyor: Case Western Reserve University’den bir rulman test tezgâhı; burada rulmanın çeşitli kısımlarına farklı boyutlarda kontrollü kusurlar yerleştiriliyor ve farklı hızlarda çalıştırılıyor. GAF dönüşümleri uygulanıyor, SA-ConSinGAN ile binlerce sentetik görüntü üretiliyor ve ardından her model on katlı çapraz doğrulama ile kapsamlı şekilde test ediliyor. RVFL sınıflandırıcısı GAF varyantlarından biriyle birleştiğinde neredeyse kusursuz bir performans sergiliyor; test edilen tüm koşullar altında her arıza türünü ve her şiddet seviyesini doğru şekilde tanımlıyor. Derin echo state ağları da son derece iyi performans gösterirken, daha biyolojik ayrıntılı spiking modeller biraz geride kalıyor. Gürültüye dayanıklı bir GAF varyantı özellikle tekrarlı rezervuarların küçük kusurlar ve hafif hız değişimleriyle başa çıkmasına yardımcı oluyor; sinyaller zayıf ve karmaşık olduğunda güvenilirliği artırıyor.

Bu gerçek makineler için ne anlama geliyor

Basitçe söylemek gerekirse çalışma, titreşim verilerini özenle tasarlanmış görüntülere dönüştürmenin, bunları gerçekçi sentetik örneklerle zenginleştirmenin ve verimli rezervuar tabanlı modellerle analiz etmenin rulman sorunlarına neredeyse mükemmele yakın erken uyarı sağlayabileceğini gösteriyor. Yaklaşım pratik olacak kadar hızlı, gerçek dünya verisine göre nispeten az veri gerektiriyor ve yalnızca bir rulmanın arızalı olup olmadığını değil aynı zamanda hasarın ne kadar ilerlediğini de ayırt edebiliyor. Bu, küçük bir kusur maliyetli veya tehlikeli bir arızaya dönüşmeden parçaların tam zamanında onarımı veya değiştirilmesi istenen öngörücü bakım sistemleri için güçlü bir aday yapıyor.

Atıf: Shah, A., Vakharia, V., Kumar, Y. et al. SA-ConSinGAN and reservoir computing fusion for accurate bearing fault classification and severity identification using GAF-based techniques. Sci Rep 16, 9027 (2026). https://doi.org/10.1038/s41598-026-39807-7

Anahtar kelimeler: rulman arızası teşhisi, öngörücü bakım, titreşim analizi, rezervuar hesaplama, veri artırma