Makine öğrenmesi yöntemi ile yuvarlanmalı yataklarda titreşim-zaman analizi kullanarak arıza tespiti

Abstract

Bu çalışmada, rulman arızalarının erken tespiti için iki farklı yaklaşım olan Evrişimli Sinir Ağları (CNN) tabanlı bir yöntem ile Uzun Kısa Süreli Bellek (LSTM) ve otoenkoder hibrit modeli kullanılmıştır. Rulman arızaları, endüstriyel sistemlerde sıklıkla karşılaşılan ve önemli maliyetlere yol açabilen sorunlardan biridir. Çalışmanın amacı, rulman arızalarını erken teşhis etmek için farklı yöntemleri bir araya getirerek endüstriyel sistemlerde arıza tespit süreçlerinin iyileştirilmesine ve maliyetlerin azaltılması süreçlerine katkı sağlamaktır. İlk yaklaşımda, titreşim sinyallerinin zaman-frekans temsillerini elde etmek için Kısa Süreli Fourier Dönüşümü (STFT) yöntemi kullanılmıştır. STFT, belirli bir zaman aralığı içindeki frekansların dağılımını gösterir ve titreşim sinyallerinin nasıl değiştiğini ayrıntılı bir şekilde incelememizi sağlar. Elde edilen bu zaman-frekans temsilleri daha sonra CNN ile işlenerek rulman arızalarının tespitinde kullanılmıştır. Diğer yaklaşımda ise, LSTM ve otoenkoder modellerini birleştirerek zaman serisi verilerinin işlenmesi yöntemi kullanılmıştır. Zaman serisi verileri Hızlı Fourier Dönüşümü (FFT) ile frekans bileşenlerine dönüştürülerek, verinin frekans alanındaki temsilleri elde edilir. LSTM, zaman bağımlılıklarını modellerken otoenkoder, veriye gizli bir temsil oluşturur ve bu temsilin gerçek veriyle karşılaştırılmasıyla anormallikleri tespit eder. Mevcut literatür araştırması yapılarak benzer çalışmalar incelenmiştir. Materyal ve yöntem bölümünde, kullanılan veri seti ve veri ön işleme adımları detaylı olarak açıklanmıştır. Çalışmada kullanılan modellerinin nasıl yapılandırıldığı ve eğitildiği detaylandırılmıştır. Bulgular bölümünde, geliştirilen yöntemlerin performansı ele alınmıştır. CNN tabanlı yaklaşım %90 doğruluk oranına ulaşmıştır. LSTM ve otoenkoder tabanlı model ise anomali tespitinde %98 F1 skoru ile yüksek bir başarı elde etmiştir. Sonuçlar ve öneriler bölümünde, elde edilen sonuçlar değerlendirilmiş ve çalışmanın sınırlamaları tartışılmıştır.This study focuses two different approaches for early detection of bearing faults, namely a Convolutional Neural Network (CNN)-based method and a hybrid model combining Long Short-Term Memory (LSTM) and autoencoder. Bearing faults are common and costly issues in industrial systems. The main goal of this study is to improve fault detection processes and reduce costs in industrial systems by combining various methods for early diagnosis. The first approach uses the Short-Time Fourier Transform (STFT) to obtain time-frequency representations of vibration signals. STFT reveals the frequency distribution within specific time intervals, allowing for a detailed examination of variations in vibration signals. These time-frequency representations are then processed by CNN for fault detection. In the second approach, LSTM and autoencoder models are combined to process time series data. Time series data is transformed into frequency components using Fast Fourier Transform (FFT), and representations of the data in the frequency domain are obtained. The study conducts a thorough review of existing literature and analyzes similar research. The materials and methods section provides detailed explanations regarding the dataset and data preprocessing steps, as well as how the models are configured and trained. The results section assesses the performance of the developed methods. The CNN-based approach achieves an accuracy rate of 90%. The LSTM and autoencoder-based model achieves a remarkable success with a 98% F1 score in anomaly detection. The conclusion and recommendations section evaluates the outcomes, discusses the study's limitations, and provides suggestions for future research.