Gürültü giderme için EMD ile serpiştirme arama algoritmasıyla optimize edilmiş LSTM çerçevesiyle yuvarlanan eleman rulmanlarının kalan faydalı ömrü tahmini

Makinaların Ne Zaman Arızalanacağını Bilmenin Önemi

Fabrika hatlarından rüzgâr türbinlerine kadar birçok makine, hareketli parçaların düzgün çalışmasını sağlamak için rulman adı verilen dönen metal halkalara dayanır. Bir rulman habersiz arızalandığında, tüm bir üretim hattını durdurabilir; bu da maliyetli kesintilere ve hatta güvenlik risklerine yol açar. Bu makale, sinyaller gürültü içinde gömülü olsa bile bir rulmanın arızalanana kadar ne kadar ömrü kaldığını öngörmenin yeni bir yolunu sunar. Yöntem, akıllı sinyal temizleme, beyin esinli bir tahmin ağı ve riske ilişkin istatistiksel bir modeli harmanlayarak bakım ekiplerine daha erken ve daha güvenilir uyarılar sağlar.

Gürültülü Titreşimlerde Gizli İpuçları

Rulmanlar, küçük çatlaklar ve yüzey aşınması zamanla büyüdükçe sessice yaşlanır. Mühendisler bu süreci titreşim sensörleriyle izler, ancak gerçek fabrikalarda bu sinyaller dağınıktır: güçlü arka plan gürültüsü ve birbiriyle örtüşen birden fazla titreşim paterni erken hasarı tespit etmeyi son derece zorlaştırır. Yazarlar bunu önce ham titreşim sinyalini Ampirik Mod Ayrışımı (Empirical Mode Decomposition) adı verilen bir teknikten geçirerek ele alır; bu teknik karmaşık hareketi otomatik olarak daha basit birkaç yapı taşına böler. Ardından her bir bileşendeki enerjiye bakar ve hasarın birikimini en iyi izleyen bileşeni belirlerler. Bu bileşen, rulmanın durumunu "yeni"den "arızaya yakın"a kadar özetleyen temel "sağlık göstergesi" olur.

Aşınmayı İzlemek İçin Dijital Bir Hafızayı Eğitmek

Rulmandaki hasar düzgün bir şekilde artmaz: hızlanabilir, yavaşlayabilir veya gerilmeler azaldığında ya da yağlama iyileştiğinde kısa süreliğine "iyileşme" gibi görünebilir. Bu tür uzun vadeli, düzensiz desenleri yakalamak geleneksel eğilim çizgilerinden fazlasını gerektirir. Çalışma, bir zaman serisinde uzak geçmişten önemli bilgileri hatırlamak üzere tasarlanmış bir derin öğrenme modeli türü olan Uzun Kısa Süreli Hafıza (Long Short-Term Memory, LSTM) ağını kullanır. Ağ, sağlık göstergesinin son geçmişi ile kalan faydalı ömrü arasındaki ilişkiyi öğrenir. Bu ağın performansı öğrenme hızı ve iç birim sayısı gibi ayarlara güçlü biçimde bağlı olduğundan, yazarlar el ile deneme-yanılma yapmaktan kaçınır ve bunun yerine en iyi yapılandırmayı otomatik olarak aramak için bir optimizasyon şeması kullanırlar.

Modeli İnce Ayarlamak İçin Sanal Bir Serçe Sürüsüne İzin Vermek

Tahmin ağını ince ayarlamak için makale, yiyecek ararken aynı zamanda tehlikelerden sakınmayı taklit eden doğadan esinlenen bir yöntem olan Serçe Arama Algoritması'nı (Sparrow Search Algorithm) kullanır. Bu dijital versiyonda her "serçe" ağ ayarlarının aday bir kümesini temsil eder. Bazı serçeler maceracı kâşifler gibi davranır, bazıları umut verici izleri takip eder ve birkaç tanesi aramayı kötü bölgelere hapseden kötü seçimlere karşı gözlem yapar. Bu kolektif arama birçok tur boyunca ilerledikçe sürü, hafıza ağı için yakın-optimal bir hiperparametre kümesine yakınsar. Bu otomatik ayarlama, modelin karmaşık bozunma desenlerini daha doğru öğrenmesine ve geleneksel yaklaşımlara göre daha az boşuna eğitim çalışmasıyla bunu başarmasına yardımcı olur.

Tek Bir Sayıdan Tam Risk Eğrilerine

Birçok tahmin aracı kalan ömür için yalnızca tek bir sayı verir; bu da doğası gereği belirsiz durumlarda kesinlik yanılsaması yaratır. Bu çalışmada yazarlar daha ileri giderek ağın çıktısını olasılıksal bir çerçeve içine yerleştirir. Sağlık göstergesinin belirli bir arıza eşik değerine doğru belli bir rastgelelikle sürüklendiğini varsayarlar; bu, sabit bir itme ve rastgele sarsıntılar altında dolaşan bir parçacığa benzetilebilir. Bu varsayımla, rulmanın arıza seviyesine ulaşmasının süresi belirli bir olasılık yasasına uyar. Bu yöntem sayesinde sadece beklenen kalan ömrü değil, aynı zamanda bu değerin etrafındaki dağılımı, bakım planlaması ve risk yönetimi için doğrudan yararlı olan sağkalım eğrilerini ve tehlike (hazard) oranlarını sağlayabilmek mümkün olur.

Yeni Yöntemin Performansı Nasıl

Yazarlar hibrit çerçevelerini farklı hızlar ve yükler altında toplanmış yaygın kullanılan bir rulman ömrü veri kümesi üzerinde test ederler. Yaklaşımlarını—sinyal ayrıştırma, serçe tabanlı ayarlama ve hafıza ağlarını birleştiren yöntemlerini—benzer ağları ayarlamak için genetik algoritmalar ve parçacık sürüsü optimizasyonu kullanan iki yerleşik alternatifle karşılaştırırlar. Hesaplama çabası dikkatle eşleştirildiğinde, yeni yöntem daha keskin tahminler, görülmemiş verilerde daha düşük hata ve hata dağılımında daha dar yayılımlar sunar. Özellikle rulman hızlı aşınma aşamalarına girdiğinde gerçek bozunma eğilimini daha sadık bir şekilde izler; bu da daha iyi gürültü giderme ve daha akıllı parametre aramasının fayda sağladığını gösterir.

Gerçek Dünyadaki Makineler İçin Anlamı

Basitçe söylemek gerekirse, bu çalışma rulmanlar için daha güvenilir bir "sağlık göstergesi" ve "gelecek tahmini" sunar. Titreşim sinyallerini temizleyerek, bunları okumayı öğrenen hafıza tabanlı bir model eğiterek ve sonuçları risk farkındalıklı bir istatistiksel kabuk içine koyarak, yöntem bakım ekiplerine yalnızca bir rulmanın ne zaman arızalanma olasılığı olduğunu değil, aynı zamanda bu tahminin ne kadar güvenilir olduğunu da söyleyebilir. Mevcut çalışma tek bir veri kümesiyle sınırlı ve küçük cihazlarda gerçek zamanlı kullanım için hâlâ ağır olsa da, plansız duruşları azaltabilecek ve kritik makinelerin ömrünü uzatabilecek daha akıllı, daha güvenilir öngörücü bakım sistemlerine doğru bir yol gösterir.

Atıf: Li, Q., Zhang, B. & Fang, X. A sparrow search algorithm-optimized LSTM framework with EMD denoising for rolling element bearing remaining useful life prediction. Sci Rep 16, 8676 (2026). https://doi.org/10.1038/s41598-026-41852-1

Anahtar kelimeler: öngörücü bakım, rulman arızası, titreşim izleme, derin öğrenme, kalan faydalı ömür