algoritmasının kullanılması pek yaygın değildir. Ancak ML algoritmalarının başarısı probleme özel olabilmektedir. Diğer bir husus ise, ML algoritması ile modellenen sınıflandırıcının değerlendirilmesinde çoğunlukla yalnızca doğruluk (accuracy - Acc) metriğinin değerlendirmeye alınmasıdır [44]. Ancak tek bir ML algoritması ve bu modeli tek bir metrikle değerlendirmek, modeli doğrulamak için yeterli olmayabilir ve bu sebeple Acc metriğine ek olarak diğer metriklerin de kullanılması modelin sağlamlık (robust) ölçütlerinin sağlanmasında yararlı olacaktır [45]. ML algoritmalarına yönelik hiper parametre değerlerinin de optimize edilmesi sınıflandırma başarısını etkileyen faktörler arasında yer almaktadır [46].
Bu bölümde, endüstri 4.0’da etkin bir yere sahip olan IoT, bulut bilişim, MLve ilgili değerler dizisi ile CM konusunda ele alınan özelliklerden motorlarda kullanılan rulmanlar için mekanik titreşim, gerilim, akım, gürültü, sıcaklık ve devir hızı izleme parametrelerine yönelik incelemeler yapılmıştır.
Tuncer, “üretim tesisindeki toz emme fanı üzerinden titreşim ölçümleri alındığı ve rotor balansının düzeltildiği belirtmektedir” [47].
Tian, “titreşim üreten sistem olarak bir pompa üzerinden elde ettiği titreşim verisini kullanarak rulman kalan ömrünü hesaplayabilmek için ANN yöntemi ile gerçek zamanlı durum izleme sistemi geliştirdiğini belirtmektedir” [48].
Kurien ve Srivastava, “durum izleme tekniklerinin termik santrallerde kullanılan kazan besleme suyu, yardımcı soğutma suyu ve kondens tahliye pompalarındaki rulman hasarlarının erken tespitinde başarılı olduklarını, durum izleme tekniklerinde öznitelik olarak titreşim ivmesi, motor akımı, gürültü izleme ve aşınma kalıntısı analizleri kullandıklarını belirtmektedir” [49].
Wu ve diğerleri, “PCA ve Hilbert Huang Transform (HHT) kullanarak bilyalı rulmanlar için BD ortamında CM sistemi geliştirdiklerini belirtmektedir” [50].
Chu ve arkadaşları, “titreşim verilerini, rulmanın arızalı veya iyi durumda olup olmadığını belirleme analizinde kullandıklarını ve rulmanın iç yatak, yuvarlanma elemanı ve dış yatak
dâhil olmak üzere tüm bileşenlerinden gelen titreşim verilerini FFT ile analiz ettiklerini belirtmektedir” [51].
Rulmanlarda durum izleme ve teşhis için SVM kullanımı son zamanlarda popüler hale gelmiştir [52]. Yüksek sınıflandırma başarısına sahip olması nedeniyle durum izleme sistemlerinde tercih edilmektedir [53].
Konar ve Chattopadhyay, “asenkron motorda bulunan rulmanın hasarını tespit etmede SVM algoritması ile dalgacık dönüşümü (wavelett transform) kullanarak titreşim özelliğini incelediklerini belirtmektedir” [52].
Inturi ve arkadaşları, yaptıkları çalışmada “üç aşamalı bir dişli kutusundan üç eksen titreşim ivmesi ve mikrofon ile akustik verisi toplayarak ham veriden öncelikle dalgacık katsayıları (wavelet coefficients) elde ettiklerini belirtmektedir” [54]. Ardından “karar ağacı yöntemi ile çözüme yönelik en çok katkı sağlayacak öznitelikleri tespit ederek SVM algoritmasında analiz etmiş ve titreşim analizi ile elde edilen başarının akustik analizinden elde edilen başarıya oranla rulmanın iç ve dış bilezik hasarlarını sınıflandırmada daha iyi olduğunu belirtmektedir” [54].
Yadav ve arkadaşları, “üç fazlı asenkron motordaki rulman hasarını tespit etmek için SVM algoritmasında giriş parametresi olarak dönüş hızı, gerilim ve akım özelliklerini kullandıklarını belirtmektedir” [55].
Ruiz-Gonzalez ve arkadaşları, “titreşimin tarımsal endüstriyel makineler üzerindeki etkilerini SVM algoritmasını kullanarak gözlemlediklerini ve % 85 ortalama çapraz doğrulama doğruluğuna ulaştıklarını belirtmektedir” [56].
Sun ve arkadaşları, “rulman ömrünü tahmin etmek için SVM’yi kullanmışlar ve model girdilerinin, rulman titreşim sinyalinin öz nitelikleri ve çıktısının da rulman çalışma süresinin rulman duruş süresine oranı olduğunu belirtmektedir” [57].
Moosavian ve arkadaşları, “bir motor deney sistemindeki hasarları tespit etmek için 3 farklı koşulda rulmandan titreşim verilerini topladıklarını ve ML araçları olarak kNN ve
ANN kullanarak titreşim verilerini analiz ettiklerini ve ardından sonuçları karşılaştırdıklarını belirtmektedir” [58].
DT, sınıflandırıcıları temsil etmek için en popüler yaklaşımlardan biri olarak kabul edilmekte olup araştırmacılar tarafından kullanılan bir ML aracıdır. Kaparthi ve Bumblauskas, yaptıkları çalışmada önleyici bakımda kullanılan ML yöntemlerini incelediklerini ve “çalışmalarını DT teknikleri üzerine yoğunlaştırdıklarını ayrıca çalışma içeriğinde ML tabanlı DT ve RF tekniğini bir örnek olay üzerinde uyguladıklarını belirtmektedir” [59]. Yazarlar, en doğru sonuçları RF yöntemiyle elde ettiklerini de belirtmektedir [59].
Huda ve Taib yaptıkları çalışmada, “kızılötesi teknolojisini kullanarak elektronik cihazlar üzerinde önleyici bakım uygulaması gerçekleştirdiklerini, sınıflandırma için LDA ile ANN kullandıklarını ve LDA doğruluğunun nispeten iyi olduğunu belirtmektedir” [60].
Khorsheed, doktora tezi çalışmasında “endüstriyel üretim sürecinde yer alan pompaların rulmanlarına yönelik titreşim ve sıcaklık verisini PLC yardımıyla toplayıp ML tekniklerinden, DT, RF, SVM, GBT ve DL ile analiz ettiğini belirtmektedir” [61].
Demir ve Müştak, “ORS 6208 tipi rulmandan titreşim ve gürültü ölçümü yaparak topladıkları verileri zaman ve frekans bölgesinde incelediklerini ayrıca Hilbert dönüşümü kullanılarak zarf analizi yaptıklarını ve bu analizler sonucunda rulman hasarlarını tespit ettiklerini belirtmektedir” [62].
Yiğit, “üretim tesisinde çalışan pompa ve yağlama motoruna ait titreşim ve sıcak verisi topladığını ve NB, KNN, SVM, DT, RF ve GLM gibi ML algoritmaları kullanarak analiz gerçekleştirdiğini ve Acc, F1, PPV, TPR, AUC metrikleri ile değerlendirme yaptığını belirtmektedir” [63].
Yurtsever, “CNC makinelerinde bindirme hatasının tespiti için ADXL345 üç eksen ivmeölçerden veri toplayarak SVM, NB, KNN, DT, DL sınıflandırıcılarının başarılarını 4 metrik ile değerlendirdiğini belirtmektedir” [64].
Aydın, “üretim hatlarına ait kayıp verilerinden yola çıkarak titreşim, sıcaklık, basınç vb.
herhangi bir öznitelik kullanmadan ML algoritmalarından GLM, ANN, RF, GBT kullanarak tahmine dayalı bakım modeli önerdiklerini belirtmektedir” [65].
Kaner, “tren tahrik motorundan elde ettiği titreşim verisinden SVM, NB, KNN, DT, DL algoritmaları kullanarak kestirimci bakım uygulaması gerçekleştirdiğini belirtmektedir”
[66].
Çeşitli öznitelikler, yöntemler ve analiz araçları ile yapılan farklı amaçlara yönelik kestirimci bakım uygulamalarının kullanıldığı bilimsel çalışmaların bazıları Çizelge 2.1’de yer almaktadır.
Çizelge 2.1. Çalışma alanına yönelik yapılan benzer bilimsel çalışmaların bazıları
Yıl Ref. Çalışmanın Amacı Yöntem Metrik Öznitelik Analiz
Aracı
2022 [47] Titreşim analizi ile fanlardaki
dengesizlik arızasının tespiti FFT - G Sinyal
Analizörü
2021 [61] AI teknikleri ile sensör tabanlı gerçek zamanlı bakım tahmini yapılması
DT, RF, SVM, GBT,
DL
Acc, F1, PPV,
TPR, AUC G, T Python
2021 [62] Rulman arızalarının gürültü ve
titreşim analizi ile tespiti FFT, HT - G, S MATLAB
2021 [63] Pompa motoru ve yağlama motoru için kestirimci bakım yapılması
NB, KNN, SVM, DT, RF, GLM
Acc, F1, PPV,
TPR, AUC G, T Python
2020 [64] CNC makinelerinde bindirme hatasının titreşim analizi ile tespiti
SVM, NB, KNN, DT, DL
Acc, F1, PPV,
TPR G Python
2021 [65]
Üretim hatlarına ait kayıp verilerinden yola çıkarak tahmine dayalı bakım modeli önerilmesi
GLM, ANN, RF, GBT
MSE, RMSE,
MAE vd. - -
2021 [66] Tren tahrik motorunda titreşim ile kestirimci bakım
SVM, NB, KNN, DT, DL
Acc, F1, PPV,
TPR G MATLAB
2021 [67] Elektrik motorlarında titreşim tabanlı
rulman arıza tespiti DL
Acc, TPR, TNR, PPV,F1,
AUC
G Python
2019 [68] Rüzgâr türbini yatak arızalarının
teşhisi SVM Acc G ?
2018 [69] Asenkron motorlarda rulman arızası
ve eksen kaçıklığının teşhisi FFT - G Sinyal
Analizörü
Çizelge 2.2. (Devam) Çalışma alanına yönelik yapılan benzer bilimsel çalışmaların bazıları
2018 [70] IoT kullanarak kompresör sağlığı
izleme FFT - G, T IoT
Platform
2015 [71] Konik dişlilerde arıza teşhisi ANN S, G MATLAB
2015 [72] ORS 6205 bilyalı rulmanın
hasarlarının titreşim analizi ile tespiti FFT - G, R Sinyal Analizörü
2014 [73] Kompresörlerde titreşim analizi ile
kestirimci bakım FFT - G Sinyal
Analizörü
2013 [74] Pompalarda rulman hasarlarının
tespiti FFT - G Sinyal
Analizörü
2012 [75] Fan motoru arıza teşhisi ANN G, T, V MATLAB
2012 [76] Egzoz fanında arıza teşhisi FFT - G Sinyal
Analizörü
2011 [77] Pompalarda titreşim arızalarının
teşhisi FFT - G Sinyal
Analizörü
2010 [78] Fanlarda arızaların teşhisi FFT - G Sinyal
Analizörü
2008 [79]
Rulman arızalarının gerçek zamanlı analizi ve arıza sebeplerinin tespit edilmesi
ANN, FL,
FFT, ApEn - A, T, G MATLAB
2008 [80]
Sürekli form baskı makinasının Titreşim sinyali yardımıyla kestirimci bakımının yapılması
FFT - G Sinyal
Analizörü
2007 [81] Kestirimci bakım ve uygulamalarının
iyileştirilmesi FFT - G Sinyal
Analizörü
2005 [82] Rulman ve kaymalı yatak arızası
teşhisi FFT - G Sinyal
Analizörü ANN: Artificial Neural Network
ApEn: Approximate Entropy DL: Deep Learning
DT: Decision Tree
FFT: Fast Fourier Transform FL: Fuzzy Logic
GLM: Generalized Linear Model HT: Hilbert Transform
KNN: K Nearest Neighbour MAE: Mean Absolute Error MSE: Mean Squared Error NB: Naive Bayes RF: Random Forest
RMSE: Root Mean Square Error SVM: Support Vector Machine
G: Titreşim A: Akım T: Sıcaklık V: Gerilim S: Ses Şiddeti R: Devir hızı
Yapılan çalışmalar incelendiğinde rulman hasarlarını tespit etmek için kullanılan en yaygın yöntem titreşim analizidir. Ancak titreşim verisine, rulman bağıl sıcaklığı, ses şiddeti, motor akımı, motor gerilimi ve dönüş hızı parametrelerinin ayrı ayrı ve birlikte oldukları durumlarda arıza tespitinin doğruluğuna olan etkisi bu tez çalışmasında incelenmektedir.