Rulman arızası teşhisi için çift dallı uzaysal-zamansal grafik ağı

Dönen Makinelerin Sağlığını İzlemek

Rüzgâr türbinlerinden fabrika konveyörlerine kadar sayısız makine, rulman adı verilen küçük metal bileşenler tarafından desteklenen dönen millere dayanır. Bir rulman arızalanmaya başladığında, sessizce ekipmana zarar verebilir, üretkenliği düşürebilir ve hatta kazalara yol açabilir. Bu makale, rulmanların ince titreşimlerini dinlemenin ve sinyaller gürültülü olduğunda ve çalışma koşulları değişken kaldığında bile sorunları erken ve güvenilir şekilde saptamanın yeni bir yolunu sunuyor.

Rulmanların Teşhisinin Neden Zor Olduğu

Modern endüstri, genellikle zorlu ortamlarda uzun saatler çalışan dönen makinelere dayanır. Rulmanlar bu sistemlerin merkezinde yer alır ve arızaları plansız duruşların önemli bir nedenidir. Mühendisler uzun zamandır titreşim sinyallerinden rulman sağlığını okumaya çalıştı; önce insan duyuları ve basit araçlarla, sonra daha gelişmiş sinyal işleme yöntemleriyle ve son zamanlarda makine öğrenmesi ve derin öğrenme ile. Yine de bu yaklaşımlar, hız değiştiğinde, gürültü güçlü olduğunda veya arızaya ait örnekler az olduğunda hâlâ zorlanıyor. Bir sorun, birçok yöntemin titreşim verilerini düz zaman serileri veya görüntüler olarak ele alması; oysa hasarı işaret edebilecek farklı zaman ve frekans noktaları arasındaki zengin ilişkileri göz ardı ediyorlar.

Titreşimleri Bağlantılı Desenlere Çevirmek

Yazarlar yeni bir bakış açısı öneriyor: titreşimi düz bir sinyal olarak görmek yerine, zamanı ve frekansı boyunca evrilen bağlı noktalar ağı olarak ele almak. Önce ham titreşimi kısa parçalara ayırıyorlar ve her parçayı zaman-frekans boyunca enerjinin nasıl dağıldığını gösteren bir haritaya dönüştürmek için kısa zamanlı Fourier dönüşümü uyguluyorlar. Ardından bu haritaları, arızaya ilişkin enerji zirvelerinin normal davranıştan ayrıştığı yerleri vurgulayan güç spektrumlarına çeviriyorlar. Her işlenmiş örnek bir "uzaysal-zamansal" ağda bir düğüm oluyor ve spektral desenleri benzer olan düğümler arasında bağlantılar çekiliyor. Bu tam bağlantılı yapı, erken veya nadir arızaları işaret edebilecek frekanslar ve zaman anları arasındaki ince ilişkileri koruyor.

Aynı Anda İki Görünüme Öğrenme

Bu ağı analiz etmek için araştırmacılar çift dallı uzaysal-zamansal grafik ağı (DBSGN) kuruyorlar. Temelinde, bağlantılar boyunca mesaj akışı sağlayabilen ve komşu düğümlerden bilgi birleştirebilen grafik verileri için tasarlanmış bir sinir ağı türü bulunuyor. Ekip, hesaplamayı aşırı yüklemeksizin çok adımlı komşuluk örüntülerini yakalamaya izin veren, Chebyshev polinomlarına ve grafın Laplasyen matrisine dayanan matematiksel olarak verimli bir grafik konvolüsyonu çeşidi kullanıyor. Kritik olarak, öğrenmeyi iki ayrı dala ayırıyorlar: biri tüm örnekler üzerinde eğitiliyor ve normal ile arızalı davranışın geniş desenlerini yakalıyor; diğeri sadece arıza örnekleriyle eğitilerek farklı hasar türlerini ve şiddetlerini ayırt eden daha hassas özelliklere uzmanlaşıyor.

Modelin Hangi Dala Güveneceğine Kendi Karar Vermesine İzin Vermek

Normal ve arızalı koşullar modelden çok farklı gereksinimler istediğinden, iki dalı basitçe ortalamak altoptimal olurdu. Bunun yerine yazarlar, her örnek için her iki dalın çıktısına bakan ve bunlara uyarlanabilir ağırlıklar atayan öğrenilmiş bir dikkat mekanizması sunuyor. Açıkça sağlıklı sinyaller için birleşim, tüm veriler üzerinde eğitilmiş dala daha çok yaslanır; belirgin arızalar için arıza-odaklı dala ağırlık verir; sınırda veya hafif arızalar için iki dalı dengeleyerek kullanır. Bu füzyon, tüm sistemin sağlıktan şiddetli hasara kadar her sınıfın tanınmasını geliştirmek üzere birlikte çalışması için dikkatle tasarlanmış bir birleşik kayıp fonksiyonu ile her iki dalle birlikte eğitiliyor.

Yöntemi Gerçek Test Yataklarında Kanıtlamak

Ekip DBSGNyi Case Western Reserve University, Paderborn University ve University of Ottawadan gelen üç yaygın rulman veri seti üzerinde değerlendiriyor. Bu test yatakları, farklı makineleri, sensörleri, yükleri, hızları ve zamanla değişen dönüş hızları dahil çeşitli kusur tiplerini kapsıyor. Altı standart performans ölçütü—doğruluk, kesinlik, geri çağırma (recall), F1-skora, ROC eğrisi altındaki alan ve Matthews korelasyon katsayısı—boyunca önerilen yöntem; geleneksel makine öğrenimi boru hatları, konvolüsyonel sinir ağları, zaman serileri için transformatörler ve önceki grafik tabanlı yaklaşımlar dahil güçlü rakipleri eşliyor veya geride bırakıyor. Bir veri setinde DBSGN tüm örnekleri doğru tanımlayarak mükemmel skorlar elde ediyor. Öğrenilen özelliklerin görselleştirilmesi, füzyondan sonra farklı rulman koşullarının iyi ayrılmış kümeler oluşturduğunu gösteriyor; bu da modelin veride açık iç yapı keşfettiğine işaret ediyor.

Günlük Makineler İçin Anlamı

Basitçe söylemek gerekirse, bu çalışma titreşim verilerini ilişkili olayların canlı bir ağı olarak ele almanın — ve iki uzmanlaşmış modelin görüşlerini tartışıp birleştirmesine izin vermenin — arıza teşhisini hem daha doğru hem de daha kararlı kılabileceğini gösteriyor. Tesis işletmecileri ve bakım ekipleri için böyle bir sistem, rulman sorunlarına dair daha erken ve daha güvenilir uyarılar, daha az beklenmedik arıza ve kritik makinelerin daha güvenli işletimi vaat ediyor. Yazarlar, mevcut grafik oluşturma ve spektral özelliklerin hâlâ bazı el ile ayarlanmış seçimlere dayandığını ve gelecekteki çalışmaların bu adımları otomatikleştirebileceğini ve zenginleştirebileceğini belirtiyor. Yine de çift dallı uzaysal-zamansal grafik yaklaşımı, modern sanayiyi besleyen dönen donanımın daha akıllı ve daha dayanıklı izlenmesi yolunda umut verici bir adımı temsil ediyor.

Atıf: Wang, Y., Li, Y., Li, C. et al. Dual-branch spatio-temporal graph network for bearing fault diagnosis. Sci Rep 16, 13184 (2026). https://doi.org/10.1038/s41598-026-42504-0

Anahtar kelimeler: rulman arızası teşhisi, dönen makineler, graf sinir ağları, titreşim analizi, öngörücü bakım