Kompleks elektro-mekanik sistemlerde arıza teşhisi için hiyerarşik ağaç yapılı inanç kural tabanı

Makineler için daha akıllı güvenlik kontrolleri

Modern trenler, fabrikalar ve uçaklar, çok sayıda sensör ve kontrol devresiyle donatılmış karmaşık elektro-mekanik sistemlere dayanır. Gizli bir arıza gözden kaçtığında sonuçlar maliyetli ya da hatta tehlikeli olabilir. Bu makale, mühendislik içgörüsünü makinelerden gelen verilerle harmanlayan ve uzmanların anlayıp güvenebileceği kadar şeffaf mantığı koruyan katmanlı bir akıl yürütme sistemi kullanarak bu tür sorunları erken tespit etmenin yeni bir yolunu sunuyor.

Neden gizli arızaları yakalamak zor

Yüksek hızlı trenlerdeki kalıcı mıknatıslı motorlar gibi büyük makineler çok güvenilir olacak şekilde tasarlanır. Gerçek arızalar nadirdir, bu yüzden standart makine öğrenmesi modellerini eğitmek için az sayıda arıza örneği vardır. Aynı zamanda bu sistemlerden gelen sinyaller zengin ve karışıktır: çok sayıda sensör, çoklu çalışma koşulları ve sabit, yavaşça büyüyen ya da ani ve rastgele olabilen arızalar. Geleneksel fizik tabanlı modeller ayrıntılı şekilde oluşturmak için çok zahmetli olabilir; saf veri tabanlı modeller ise sebebini açıklamadan doğru sonuçlar verebilen kara kutular gibi davranabilir. Uzman kurallar ile veriyi karıştırmaya çalışan mevcut kural tabanlı sistemler ise farklı bir duvara çarpar: sensör özelliklerinin sayısı arttıkça olası kural sayısı patlar ve yaklaşım pratik kullanım için çok hantal hale gelir.

İnsan dostu kurallardan oluşan katmanlı bir ağaç

Yazarlar bu kural patlamasına, kuralların nasıl düzenlendiğini yeniden şekillendirerek doğrudan müdahale ediyor. Özelliklerin her kombinasyonunu deneyen tek büyük, düz bir kural tablosu yerine daha küçük kural bloklarından oluşan bir ağaç inşa ediyorlar. Her küçük blok yalnızca dikkatle seçilmiş birkaç özelliğe bakar ve makinenin hangi arıza durumunda olduğuna dair bir inanç çıktısı verir. Bu bloklar hiyerarşi içinde düzenlenir; üst düzey bloklar en bilgilendirici özellikleri ele alırken alt düzey bloklar kararı ek ayrıntılarla rafine eder. Evrimsel bir arama süreci birçok olası ağaç düzenini otomatik olarak keşfeder ve doğruluk ile sadelik arasında denge kuran yapıları korur, böylece mühendislerin tüm yapıyı elle tasarlaması gerekmez.

İzlenecek doğru sinyallerin seçilmesi

Ağacı oluşturmadan önce yöntem en faydalı sensör özelliklerini seçmeye çalışır. Her özelliğin arıza tipleriyle ne kadar güçlü ilişkili olduğunu bilgi kuramından esinlenen fikirlerle ölçer, ardından bu puanları akımlar, titreşimler ve diğer sinyaller üzerinde arızaların gerçekten nasıl etkili olduğuna dair uzman bilgisiyle ayarlar. Örneğin, genellikle hız veya yükle değişen ama arızalarla değişmeyen bir özellik düşürülürken, belirli bir arıza desenini izlediği bilinen bir özellik yükseltilir. Her özelliğin nihai puanı veri kanıtı, fiziksel içgörü ve farklı çalışma koşullarındaki geçmiş deneyimlerin bir karışımıdır. Sadece en yüksek sıralı özellikler korunur; böylece giriş uzayı daraltılır ve gereksiz kuralların baştan oluşturulması engellenir.

Çakışan ipuçlarını çift saymadan birleştirmek

Ağaçta ilgili sinyallere dayanan birkaç kural bloğu bulunduğundan, bunların çıktıları bağımsız değildir. Bu örtüşme görmezden gelinirse, standart bir füzyon yöntemi aynı kanıt parçasını birkaç kez sayabilir ve nihai teşhisi çarpıtabilir. Bunu önlemek için yazarlar, farklı blokların çıktılarının benzerliğini, ince doğrusal olmayan bağlantılar dahil, ölçen MAKER adlı bir çerçeveyi uyarlıyor. Her bloğa geçmiş doğruluğuna dayalı bir güvenilirlik, önemini yansıtan bir ağırlık ve bilgisinin ne kadarının başkalarında zaten mevcut olduğunu gösteren bir korelasyon ölçüsü atanır. Bu faktörler birlikte kullanılarak her bloğun nihai karara ne kadar etki edeceği ayarlanır; böylece güçlü ama gereksiz ipuçları zayıflatılırken benzersiz, güvenilir ipuçları daha fazla ağırlık taşır.

Yöntemin gerçek motorlarda sınanması

Yaklaşımı test etmek için araştırmacılar, yüksek hızlı demiryolunda kullanılanlara benzer bir kalıcı mıknatıslı senkron motor etrafında kurulu gerçek bir elektrik tahrik sistemi kullandılar. Akım ölçümlerine dört tip sensör arızası enjekte ettiler: sabit sapma, hatalı kazanç, zaman içinde yavaş sürüklenme ve rastgele aralıklı sivri artışlar; bunların yanında sağlıklı bir durum da vardı. Akımın enerji ve tepedeşle ilgili ölçüler gibi basit zamana dayalı istatistiklerinden yöntem altı özellikten oluşan kompakt bir seçki yaptı ve hiyerarşik bir kural ağacı oluşturdu. Sadece 480 veri örneği üzerinde, geleneksel bir inanç kural sisteminden çok daha az kural kullanırken ve akıl yürütmenin her adımını izlenebilir tutarken, birkaç gelişmiş makine öğrenmesi modelinin doğruluğuna eşdeğer veya daha iyi sonuçlar elde etti. Ağaç yapısı ayrıca endüstriyel izleme için önemli olan eğitim ve gerçek zamanlı çıkarımı da hızlandırdı.

Bu, daha güvenli makineler için ne anlama geliyor

Düz bir ifadeyle, çalışma gösteriyor ki karmaşık makineler yönetilebilir kalan, seçimlerini açıklayan ve az sayıda arıza örneğiyle iyi çalışan bir kural sistemi ile izlenebilir. Önce en bilgilendirici sinyalleri seçip, sonra küçük kural bloklarını bir ağaca düzenleyerek ve çıktıları korelasyon farkındalığıyla birleştirerek yöntem, kural sayısındaki olağan patlamadan ve birçok öğrenme modelinin opaklığından kaçınıyor. Trenlerin, fabrikaların ve diğer güvenlik kritik sistemlerin işletmecileri için bu, doğru ve anlaşılır arıza teşhis araçlarına doğru bir yol sunuyor; böylece insan uzmanlar otomatik uyarılara körü körüne inanmak yerine onlara güvenip bu uyarıları geliştirebilirler.

Atıf: Chen, M., Su, T., Cheng, C. et al. Hierarchical tree-structured belief rule base for fault diagnosis of complex electromechanical systems. Sci Rep 16, 15267 (2026). https://doi.org/10.1038/s41598-026-45997-x

Anahtar kelimeler: arıza teşhisi, elektro-mekanik sistemler, inanç kural tabanı, sensör arızaları, hiyerarşik modelleme