Geliştirilmiş genişletilmiş inanç kural tabanına dayalı karmaşık sistemler için rulman arıza teşhis yöntemi

Döner makinelerin sağlıklı kalmasının önemi

Rüzgâr türbinlerinden fabrika konveyörlerine kadar birçok endüstriyel makine, yıllarca yüksek hızda dönen yuvarlanmalı rulmanlara ve dişlilere dayanır. Bu görünmeyen parçalar arızalanmaya başladığında tüm üretim hatlarını durdurabilir veya hatta tehlikeli kazalara yol açabilir. Bu makale, gerçek dünya verilerinin dağınık, gürültülü ve büyük ölçüde normal işletme lehine çarpık olduğu durumlarda bile bu tür arızaları erken ve güvenilir şekilde tespit etmenin yeni bir yolunu sunar.

Nadir arızalar ve gürültülü sinyallerin yarattığı zorluk

Günlük kullanımda rulmanlar ve dişliler çoğunlukla sağlıklıdır; bu yüzden titreşim kayıtları arızalı örneklerden çok daha fazla normal örnek içerir. Sinir ağları gibi standart veri odaklı yöntemler etkileyici desenler öğrenebilir ancak çoğunluk sınıfına odaklanma eğiliminde olup en çok önemi olan nadir arıza imzalarını gözden kaçırabilirler. Aynı zamanda titreşim sensörleri mekanik ve elektriksel gürültü ile dolu zorlu ortamlarda bulunur; bu da iç ve dış bilezik hasarı veya rulman top arızası gibi farklı arıza türlerini ayırt etmek için gereken ince ayrıntıları bulanıklaştırır. Bu sorunlar bir araya geldiğinde, laboratuvar dışındaki ortamlarda hem doğru hem de güvenilir teşhis sistemleri kurmayı zorlaştırır.

Uzman kuralları daha akıllı istatistiklerle harmanlamak

Yazarlar, “EĞER belirli özellikler böyle görünüyorsa, O ZAMAN rulman şu durumda” biçimindeki uzman kurallarını belirsizliği ifade eden olasılıklar ile birleştiren inanç kural tabanları (belief rule bases) ailesine dayanıyorlar. EBRB adı verilen genişletilmiş bir versiyon, ham sensör ölçümlerini kesin eşiklerin yerine derecelendirilmiş inanç seviyelerine (örneğin çok düşük, orta veya çok yüksek) dönüştürüyor. Bu, belirsiz veya eksik bilgilerle başa çıkmayı kolaylaştırır. Ancak önceki sürümler, yeni bir titreşim deseninin saklı bir kuralla ne kadar iyi eşleştiğine karar vermek için basit geometrik mesafeye dayandığından, sinyaller gürültülü olduğunda altta yatan olasılık dağılımlarındaki farklılıkları tam olarak yansıtmıyordu.

Mesafe yerine bilgiyi ölçmek

Titreşim desenlerindeki ince değişiklikleri daha iyi yakalamak için makale, düz mesafe yerine bilgi kuramından bir araç olan Kullback–Leibler (KL) diverjansını kullanıyor. İki noktanın uzayda ne kadar uzak olduğunu sormak yerine bu ölçüm, bir olasılık deseninin başka bir deseni taklit etmeye çalışırken ne kadar bilgi kaybı yaşandığını sorar. Gelen verinin inanç profilleri ile her bir kural arasındaki simetrik KL diverjansını hesaplayarak model, olasılık kütlesinin nasıl dağıldığına dikkat eden bir eşleştirme yapabiliyor; yalnızca büyüklüğüne değil. Bu, farklı arızalar genel güç bakımından benzer görünse bile özellik dağılımlarındaki farklılıklara özellikle duyarlı olarak daha hassas kural aktive edilmesine yol açar.

Nadir arızalara adil bir oy hakkı vermek

Daha iyi eşleştirmeye rağmen, dengesiz bir veri kümesi öğrenmeyi yine de çoğunluk olan sağlıklı durum lehine önyargılı hale getirebilir. Bunu dengelemek için yazarlar bir topluluk alt örnekleme (ensemble undersampling) stratejisi getiriyorlar. Bol miktarda bulunan sağlıklı örnekleri tekrar tekrar kırparak ve bunları mevcut tüm arıza örnekleri ile birleştirerek birkaç dengeli eğitim alt kümesi oluşturuyorlar. Her alt küme için ayrı bir genişletilmiş inanç kural modeli eğitiliyor ve ardından iç ağırlıkları karmaşık çözüm yüzeylerine uygun olan farklılaştırmalı evrim algoritmasıyla ince ayar yapılıyor. Tahmin aşamasında tüm bu alt modeller gelen aynı veriyi analiz ediyor ve bir oylama şeması nihai sağlık etiketine karar veriyor; bu sayede nadir arıza desenlerinin tanınması için birçok fırsat yaratılıyor.

Yöntemin pratikteki performansı

Araştırma ekibi yaklaşımını iki yaygın kullanılan kıyas veri setinde test ediyor: biri rulmanlar için, diğeri dişliler için. Gerçekçi koşulları taklit etmek amacıyla, bir örnekleme frekansında veya işletme koşulunda kaydedilmiş titreşim verileriyle eğitip başka bir frekans veya koşulda alınmış verilerle test ediyorlar ve her iki sette de kuvvetli sınıf dengesizliğini koruyorlar. Doğruluk, hassasiyet, geri çağırma (recall) ve F1 skor gibi çeşitli ölçütler boyunca yeni yöntem geleneksel inanç kural sistemlerini, standart makine öğrenmesi modellerini ve popüler dengesizlik işleme tekniklerini düzenli olarak geride bırakıyor. Özellikle azınlıkta olan arıza sınıflarında güçlü kazanımlar gösteriyor ve anahtar sinyal özelliklerine yapay gürültü eklendiğinde bile yüksek performansını koruyor.

Gerçek makineler için ne anlama geliyor

Uzman olmayan bir okuyucu için ana mesaj, bu yöntemin gerçek tesislerde bulunan dağınık koşullar altında rulmanlar ve dişliler için daha güvenilir bir “sağlık kontrolü” sağladığıdır. Uzman tarzı kuralları olasılık desenlerini karşılaştırmanın daha zeki bir yolu ve nadir olaylara adil bir oylama sistemiyle birleştirerek, erken hasar belirtilerinin normal veri seli ve arka plan gürültüsü tarafından boğulma riskini azaltır. Yazarlar, topluluk inanç kural tabanının doğru, yorumlanabilir ve gürültüye dayanıklı arıza teşhisi sağlayabileceğini ve yöntemin diğer dönen parçalar için genişletilmesini ve en iyi performans için kaç veri alt kümesinin gerektiğinin otomatikleştirilmesini önermektedirler.

Atıf: Yan, X., Li, N., Nan, S. et al. A bearing fault diagnosis method for complex system based on improved extended belief rule base. Sci Rep 16, 15827 (2026). https://doi.org/10.1038/s41598-026-44629-8

Anahtar kelimeler: rulman arıza teşhisi, dişli arıza teşhisi, titreşim izleme, topluluk öğrenmesi, inanç kural tabanı