Fizik yönlendirmeli birleştirilmiş görüntü öğrenimi ve geliştirilmiş sıkıştırma-uyarımla çok kademeli santrifüj pompaların arıza analizleri

Daha akıllı pompa izleme neden önemli

Birçok fabrika, enerji santrali ve su sistemi arkasında, sıvıları sessizce dolaştırmaya devam eden çok kademeli santrifüj pompalar bulunur. Bu pompalar gizli hasar geliştirdiğinde şirketler onarımlara binlerce saat ve duruşlara, kazalara bağlı milyonlarca dolar kaybedebilir. Bu çalışma, fizik bilgisini modern görüntü tabanlı yapay zekâ ile birleştirmenin, sinyaller gürültülü ve işletme koşulları değişken olsa bile pompalar içindeki ince sorunları erken aşamada nasıl tespit edebileceğini gösterir.

Endüstriyel pompaların gizli yaşamı

Çok kademeli santrifüj pompalar, basınç oluşturmak ve sıvıyı borular boyunca itmek için seri halde birden fazla dönen pervane (impeller) kullanır. Gerçek tesislerde, bu pompalardaki arızalar binlerce bakım saatine ve on milyonlarca dolarlık kayıplara yol açmıştır. En sorunlu problemler genellikle “yumuşak” arızalar olarak başlar: mekanik salmastralarda küçük delikler veya çizikler ve pervanelerde erken korozyon. Bu kusurlar pompayı hemen durdurmaz, ancak performans ve güvenliği yavaşça aşındırır. Pompalar farklı basınçlarda çalıştığı ve çevrelerinde başka titreşen ekipmanlar bulunduğu için, sorunun erken işaretleri karmaşık, gürültülü titreşim verilerinin içinde gömülüdür.

Titreşimleri bilgi veren görüntülere dönüştürmek

Yazarlar, endüstriyel bir pompa temelinde bir test düzeneği kurdu ve üç gerçekçi yumuşak arıza kasıtlı olarak oluşturdu: bir salmastrada delik açılması, salmastrada çizik ve bir pervanede malzeme kaybı; ayrıca normal durum da dahil edildi. Titreşim sensörleri pompa gövdesine, salmastralara yakın ve pervaneye yakın yerlere monte edildi. Ekibin yaklaşımı tüm titreşim kaydını eşit derecede yararlı kabul etmek yerine her sinyali birçok kısa zaman penceresine böldü. Ardından bu pencereleri üç fiziksel olarak anlamlı ölçütle puanladılar: toplam enerji, impulsiflik (darbeli özellik) ve enerjinin pompa fiziğinden bilinen, arızaya duyarlı bir frekans bandında ne kadar yoğunlaştığı. En yüksek puanlı pencereler—en olası faydalı arıza bilgisini içerenler—ilerideki analiz için saklandı.

Aynı sinyalin üç görünümünü birleştirmek

Seçilen her pencereden araştırmacılar pompanın davranışının farklı yönlerini yakalamak için özel bir “birleştirilmiş” görüntü oluşturdular. Bir kanal, titreşim enerjisinin zaman ve frekans boyunca nasıl dağıldığını vurgulayan ve arızaların tipik olarak ortaya çıktığı frekans aralığına ekstra vurgu yapan fizik rehberliğinde bir Mel spektrogramı versiyonudur. İkinci kanal, Gramian Açısal Fark Alanı adı verilen bir dönüşüm, zaman sinyalini birbirine nasıl ilişkilendiğini gösteren desenli bir görüntüye çevirir; bu, düzensiz darbeleri ve doğrusal olmayan değişimleri belirginleştirir. Üçüncü kanal, Çapraz Etkileşim Haritası, diğer iki görünümün hemfikir olduğu alanları güçlendirir ve büyük olasılıkla gürültüden kaynaklananları zayıflatır. Bu üç kanalın yığılması, zaman, frekans ve zamansal yapıyı birlikte kodlayan kompakt bir görüntü üretir.

Yapay zekâyı fizik ile yönlendirmek

Bu birleştirilmiş görüntüler daha sonra belirli pompa koşullarıyla ilişkili desenleri tanımayı öğrenen kompakt bir evrişimli sinir ağına beslenir. Önemli yeniliklerden biri “geliştirilmiş sıkıştırma-uyarı” dikkat mekanizmasıdır. Basitçe söylemek gerekirse, ağ sadece öğrendiği görüntü özelliklerine bakmaz; ayrıca fiziksel olarak türetilmiş kök ortalama kare (RMS) seviyesi, impulsiflik, tepe faktörü ve arızaya duyarlı banttaki enerji payı gibi klasik titreşim göstergelerinden oluşan küçük bir yan vektör de alır. Dikkat modülü bu yan bilgiyi, hangi iç özellik kanallarının vurgulanacağı veya azaltılacağına karar vermek için kullanır; böylece ağı, verideki tesadüfi korelasyonlar yerine gerçek mekanik davranışla uyumlu desenlere odaklanmaya yönlendirir.

Yöntem ne kadar iyi çalışıyor?

Çerçeve, pompaya ait gerçek titreşim verileri üzerinde, endüstriyel kullanım için temsil edici üç basınçta—3 bar, 3.5 bar ve 4 bar—test edildi. Her basınç için model normal çalışmayı üç arıza tipinden ayırmak zorundaydı. Tüm basınçlar genelinde sınıflandırma doğruluğu yüzde 99’un üzerinde; makro F1 skoru (kesinlik ve duyarlılığın dengesi) da 0,99’un üzerindeydi ve en yüksek basınçta mükemmel skorlara ulaşıldı. Yazarlar yöntemlerini standart görüntü ağlarından transfer öğrenme, entropi tabanlı özellik çıkarımı ve diğer fizik ilhamlı derin modeller dahil olmak üzere çeşitli ileri düzey alternatiflerle karşılaştırdı. Her durumda, fizik yönlendirmeli birleştirilmiş görüntü artı dikkat çerçevesi, özellikle işletme koşulları değiştiğinde bu rakiplerle eşleşti veya onları geride bıraktı.

Gerçek dünya bakımına etkileri

Mühendisler ve tesis işletmecileri için bu çalışma, pompa fiziği anlayışlarını derin öğrenmenin desen bulma gücüyle birleştirmenin pratik bir yolunu gösterir. Titreşim sinyallerinin en bilgilendirici parçalarını dikkatle seçerek, bunları zengin ama kompakt görüntülere dönüştürerek ve ağı basit fiziksel göstergelerle yönlendirerek yöntem, felaket bir arızadan çok önce erken aşama salmastra ve pervane hasarını güvenilir şekilde işaretleyebilir. Uzun vadede, bu tür fizik farkındalıklı yapay zekâ araçları, pompaların bakımını arızadan sonraki müdahalelerden, güvenilir erken uyarılara dayalı planlı müdahalelere kaydırmaya yardımcı olabilir.

Atıf: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

Anahtar kelimeler: santrifüj pompa arızaları, titreşim izleme, fizik yönlendirmeli derin öğrenme, duruma dayalı bakım, endüstriyel teşhis