FBEWT ve EIRVM ile yuvarlanma elemanlı rulmanların arıza teşhis yöntemi

Gizli rulman sorunlarının önemi

Tren tekerleklerinden fabrika konveyörlerine ve rüzgâr türbinlerine kadar sayısız makine, millerin düzgün dönmesini sağlayan çelik bilye ya da makaralarla dolu küçük metal halkalar olan yuvarlanma elemanlı rulmanlara dayanır. Bu parçalar çatlamaya ya da aşınmaya başladığında, erken uyarı işaretleri genellikle gürültü içine gömülü küçük titreşimlerdir. Bu ipuçlarını kaçırmak ani arızalara, pahalı onarımlara veya hatta güvenlik olaylarına yol açabilir. Bu makale, bu zayıf sinyalleri daha erken ve daha güvenilir şekilde algılamayı sağlayan ve veriler karmaşık olduğunda ya da makineler değişen yükler altında çalışırken bile işe yarayan yeni bir yöntemi sunar.

Titreşim desenlerini okumada daha akıllı bir yol

Yazarlar, ham titreşim verilerini bir rulmanın davranışını gösteren net görüntülere nasıl dönüştüreceklerine ve ardından bir bilgisayara bu görüntüleri nasıl okutacaklarına odaklanır. Sinyal analizine sabit reçetelere dayanmak yerine Fourier–Bessel ampirik dalgacık dönüşümü (FBEWT) adında bir yöntem tanıtırlar. Basitçe söylemek gerekirse, FBEWT titreşim kaydını zaman–frekans görüntüsüne dönüştürür—hangi titreşim tonlarının her an etkin olduğunu gösteren bir çeşit ısı haritası. Özel matematiksel dalgacıksal formlar (Bessel fonksiyonları) kullanıp veriye uyum sağlayarak FBEWT, eski yöntemlerin genellikle birbirine karıştırdığı örtüşen titreşim bileşenlerini ayırır. Sonuç, arıza ile ilişkili desenlerin zeminden daha belirgin şekilde öne çıktığı daha keskin, daha temiz bir görüntüdür.

Görüntüleri belirgin dokulara dönüştürmek

Titreşim verileri zaman–frekans görüntülerine dönüştürüldükten sonra bir sonraki adım, bir sınıflandırıcının işleyebileceği kompakt sayısal parmak izleri çıkarmaktır. Araştırmacılar bunu her görüntüyü dokulu bir fotoğraf gibi ele alıp piksel parlaklıklarının görüntü boyunca nasıl birlikte göründüğünü ölçerek yaparlar. Bu sözde doku ölçüleri, hasarlı rulman yüzeylerinin yarattığı tekrarlayan şok desenlerini yansıtan kontrast, düzgünlük ve düzenlilik gibi özellikleri yakalar. Ortalama ya da varyans gibi basit istatistiklerle karşılaştırıldığında, bu doku tanımlayıcıları iç yol, dış yol veya yuvarlanma elemanlarındaki çatlaklarla ilişkili daha ince, yerel yapıyı daha iyi korur.

Çevik, yalın bir öğrenme makinesi

Bir rulmanın hangi sağlık durumunda olduğuna karar vermek için makale, Relevance Vector Machine (RVM) olarak bilinen olasılıksal bir modeli yükseltir. Geliştirilmiş artımlı RVM (EIRVM), hangi eğitim örneklerinin gerçekten bilgilendirici olduğunu öğrenir ve yalnızca az sayıda alt küme olan relevance vector'ları tutarak hem bellek kullanımını hem de hesaplamayı azaltır. Kritik olarak, yeniden baştan eğitmek yerine yeni veriler geldikçe kendini güncelleyebilir; bu, sanayide çevrimiçi izleme için pratik bir gerekliliktir. Örnekler arasındaki benzerliği ölçen çekirdeğin (kernel) en hassas ayarını—genişliğini—ince ayarlamak için yazarlar, gri kurtların avlanma davranışından esinlenen ve kaos teorisiyle desteklenen bir meta-sezgisel arama prosedürü (CGWO) kullanır. Bu zekice arama stratejisi, olası ayar alanını verimli şekilde keşfederek ikinci en iyi seçeneklere erken sıkışmayı önler.

Yöntemin teste tabi tutulması

Önerilen FBEWT–EIRVM hattı, laboratuvar test tezgâhlarından alınmış birkaç yaygın rulman arıza veri seti ile işletmede olan bir endüstriyel kurulumdan elde edilen gerçek ölçümler üzerinde değerlendirilir. Her durumda yöntem, iç yol, dış yol veya bilyalarda kusur olan rulmanları sağlıklı olanlardan ayırt etmek zorundadır ve bunu farklı yükler altında ve yapay gürültü ilavesiyle gerçekleştirmelidir. Tüm senaryolarda yeni yaklaşım, geleneksel ampirik dalgacık analizinin standart RVM’lerle eşleştirildiği yöntemler ve hatta konvolüsyonel ile rekürent sinir ağlarının modern derin öğrenme kombinasyonları dahil olmak üzere rakip tekniklerden daha yüksek sınıflandırma doğruluğu sağlar. Önemli olarak, güçlü gürültü veri içine enjekte edildiğinde performansı neredeyse değişmeden kalır; bu da girişimlere karşı sağlam bir direnç gösterdiğini işaret eder.

Günlük makineler için anlamı

Uzman olmayan bir okuyucu için mesaj şudur: bu çalışma dönen makineler için daha güvenilir bir stetoskop sunar. Rulmanların nasıl titreştiğine dair daha net görüntüler üreterek ve bunları kompakt, kendi kendini güncelleyen bir öğrenme algoritmasıyla birleştirerek FBEWT–EIRVM çerçevesi, sinyaller zayıf ya da gürültülü olsa bile erken aşama arızaları yüksek güvenle tespit edebilir. Pratik açıdan bu, bakım ekiplerinin sorunları daha erken yakalayabilmesi, onarımları daha akıllıca planlayabilmesi ve ulaşım sistemlerinden enerji santrallerine kadar kritik ekipmanlarda hem arıza süresini hem de riski azaltabilmesi anlamına gelir.

Atıf: Zheng, Q., Li, Y., Chen, Y. et al. Fault diagnosis method of rolling-element bearings via FBEWT and EIRVM. Sci Rep 16, 14532 (2026). https://doi.org/10.1038/s41598-026-44164-6

Anahtar kelimeler: rulman arıza teşhisi, titreşim analizi, makine sağlık izlemesi, zaman–frekans görüntüleme, akıllı bakım