Bu çalışma, dönen makinelerde arıza teşhisinin özellikle gürültülü ortamlarda ve az sayıda eğitim örneği bulunduğunda neden zorlaştığını ele alıyor. Araştırmada önerilen yöntem, parçacık sürü optimizasyonu yani Particle Swarm Optimization (PSO) ile ayarlanan RBF çekirdekli kademeli orman yani Kernelized Cascade Forest (KCForest) modelidir. Amaç, titreşim sinyallerinden çıkarılan frekans özelliklerini kullanarak gemi fanı gibi dönen makinelerde normal çalışma, fan kanadı dengesizliği, motor tabanı gevşemesi ve fan sıkışması gibi durumları ayırt etmektir.

Çalışmada kullanılan veriler, üç fazlı asenkron motorla çalışan bir gemi fanı test düzeneğinden alınan titreşim sinyallerine dayanır. Sinyaller önce Hızlı Fourier Dönüşümü yani Fast Fourier Transform (FFT) ile frekans alanına taşınmış, ardından farklı sınıflandırıcıların aynı özellik vektörleri üzerinde performansı karşılaştırılmıştır. Önerilen KCForest yöntemi, gürültüsüz test ortamında %98,05 doğruluk elde etmiş; 20 dB sinyal-gürültü oranına sahip Gauss beyaz gürültüsü altında ise test doğruluğu %97,10 olarak raporlanmıştır. Bu, gürültüsüz duruma göre yalnızca 0,95 puanlık bir düşüş anlamına gelir.

Çalışmanın önemli tarafı, yalnızca yüksek doğruluk bildirmesi değildir. Araştırma, geleneksel rastgele orman ve kademeli orman yapılarının gürültü altında nasıl bozulabileceğini, çekirdek haritalama ve PSO ile ayarlanmış parametrelerin bu bozulmayı nasıl azaltabileceğini göstermeye çalışır. Ancak bu sonuçlar, hakem değerlendirmesinden geçmemiş bir preprint çalışmaya ve belirli bir gemi fanı test düzeneğine dayanmaktadır. Bu nedenle yöntem umut verici görünse de, her tür dönen makinede kesin başarı garantisi olarak okunmamalıdır.

Çalışmanın temel problemi nedir?

Dönen makineler; fanlar, pompalar, motorlar, türbinler, jeneratörler, gemi yardımcı sistemleri ve endüstriyel üretim hatlarında kullanılan birçok ekipmanın merkezinde yer alır. Bu makinelerde küçük bir arıza bile zamanla büyüyerek enerji kaybına, üretim durmasına, güvenlik riskine veya pahalı bakım süreçlerine yol açabilir. Bu nedenle arızayı erken fark etmek, yalnızca teknik bir konu değil, aynı zamanda işletme güvenliği ve bakım maliyeti açısından da kritik bir konudur.

Bu çalışmanın odaklandığı sorun şudur: Dönen makinelerden alınan titreşim sinyalleri, arızalar hakkında çok değerli bilgiler taşır; ancak bu sinyaller her zaman temiz, düzenli ve kolay ayrıştırılabilir değildir. Gerçek çalışma ortamlarında titreşim verileri gürültü, sensör hataları, çevresel etki, değişken yük, mekanik gevşeklik ve farklı arıza türlerinin birbirine benzeyen izleri nedeniyle karmaşık hale gelir. Bu durumda makine öğrenmesi modeli yalnızca “veriyi ezberleyen” bir yapı olursa, gerçek arıza desenini değil, gürültünün izini öğrenebilir.

Çalışma, özellikle iki zorluğa dikkat çeker:

• Gürültü altında kararlı arıza ayrımı: Titreşim sinyaline dış bozucu bileşenler eklendiğinde modelin sınıflandırma başarısı hızla düşebilir.
• Az örnekle öğrenme: Endüstride her arıza türü için çok büyük veri setleri toplamak her zaman mümkün değildir. Bazı arızalar seyrek görülür, bazıları deneysel olarak oluşturulması pahalı veya risklidir.

Bu iki problem bir araya geldiğinde arıza teşhisi zorlaşır. Örneğin bir fan kanadı dengesizliği ile motor tabanı gevşemesi, titreşim sinyalinde bazı benzer frekans bileşenleri oluşturabilir. Üzerine bir de gürültü eklendiğinde, modelin bu iki durumu ayırması daha da güçleşir. Çalışmanın önerdiği KCForest yöntemi, tam olarak bu karışık sınırları daha iyi ayırmayı hedefler.

Bu problem neden önemli?

Geleneksel bakım yaklaşımında makine ya belirli aralıklarla kontrol edilir ya da arıza belirgin hale geldikten sonra müdahale edilir. Fakat modern endüstride hedef, arızanın büyümesini beklemeden erken uyarı üretmektir. Bu yaklaşım genellikle durum izleme (condition monitoring) ve kestirimci bakım (predictive maintenance) başlıkları altında değerlendirilir.

Titreşim analizi bu alanda çok yaygın kullanılır, çünkü dönen bir parçadaki dengesizlik, gevşeklik, sürtünme, sıkışma veya rezonans etkisi çoğu zaman titreşim sinyaline yansır. İnsan kulağı nasıl bir motordaki “garip sesi” bazen fark edebiliyorsa, titreşim sensörleri de makinenin mekanik davranışındaki değişimi sayısal olarak yakalayabilir. Ancak insan kulağının sezgisel duyduğu şeyin mühendislik sistemlerinde güvenilir karara dönüşmesi için bu sinyalin doğru özelliklere ayrılması ve sağlam bir sınıflandırıcıyla yorumlanması gerekir.

Bu çalışmanın önemi burada ortaya çıkar: Araştırma, gemi fanı gibi pratik bir dönen makine düzeneğinde, gürültü ve az veri koşullarına daha dayanıklı bir sınıflandırıcı yapısı önermektedir. Denizcilik uygulamaları açısından fanlar, motorlar ve yardımcı döner ekipmanlar gemi güvenliği ve sistem sürekliliği için önemlidir. Ancak çalışmanın sonuçları doğrudan tüm gemi makinelerine uygulanmış saha kanıtı olarak değil, belirli bir test düzeneği üzerinde elde edilmiş deneysel doğrulama olarak okunmalıdır.

Araştırmanın literatürde veya uygulamada cevap verdiği boşluk

Çalışmada anlatılan literatür boşluğu, klasik sınıflandırıcıların ve bazı topluluk öğrenmesi yöntemlerinin gürültülü ve küçük örneklemli koşullarda sınırlı kalmasıdır. Rastgele orman (Random Forest, RF), birçok karar ağacını bir araya getirerek tek bir karar ağacına göre daha kararlı sonuçlar verebilir. Ancak RF, karmaşık titreşim sinyallerindeki derin ve katmanlı yapıyı her zaman yeterince temsil edemeyebilir.

Kademeli orman (Cascade Forest, CForest) ise birden fazla orman katmanını art arda kullanarak daha derin bir temsil öğrenmeye çalışır. Bir katmanın ürettiği sınıf olasılıkları sonraki katmana ek bilgi olarak aktarılır. Bu, ilk bakışta güçlü bir fikir gibi görünür; çünkü model yalnızca ham özellikleri değil, önceki katmanın “bu örnek hangi sınıfa daha yakın olabilir?” bilgisini de kullanır. Fakat çalışmanın vurguladığı sorun şudur: Eğer ilk katman gürültü nedeniyle hatalı bir olasılık dağılımı üretirse, bu hata sonraki katmanlara taşınabilir ve büyüyebilir. Yani kademeli yapı bazen doğru bilgiyi derinleştirmek yerine, gürültü kaynaklı hatayı da derinleştirebilir.

Önerilen KCForest yaklaşımı bu boşluğu iki araçla doldurmaya çalışır:

• RBF çekirdek haritalama: Titreşim özelliklerini doğrusal olmayan bir benzerlik uzayında yeniden ifade ederek karışan sınıfları daha ayrılabilir hale getirmeyi amaçlar.
• PSO ile parametre optimizasyonu: Çekirdek fonksiyonunun hassas parametrelerini el yordamıyla seçmek yerine, parçacık sürü optimizasyonu ile arar.

Bu yönüyle çalışma, yalnızca “yeni bir sınıflandırıcı denedik” demek yerine, CForest yapısındaki hata aktarımı ve küçük örneklem kırılganlığı sorunlarını azaltacak bir mimari önermektedir.

Rastgele ormanın temel mantığı ve Gini formülü

Çalışmada önce rastgele orman algoritmasının temeli açıklanır. Rastgele orman, birçok karar ağacını bir araya getirir. Her ağaç, eğitim verisinin farklı bir örneklemi ve farklı özellik alt kümeleriyle eğitilir. Böylece tek bir ağacın aşırı öğrenme riski azaltılır. Sınıflandırma sırasında ağaçların kararları birlikte değerlendirilir.

Karar ağaçlarında düğüm bölme ölçütlerinden biri Gini indeksidir. Çalışmada verilen formül şöyledir:

\[ Gini(M)=1-\sum_{k=1}^{K}p_k^2 \]

Burada M, ilgili düğümdeki örnek kümesini; K, sınıf sayısını; p_k ise M kümesi içindeki k sınıfına ait örneklerin oranını ifade eder. Gini değeri küçüldükçe düğüm daha “saf” kabul edilir. Yani o düğümdeki örneklerin büyük kısmı aynı sınıfa aitse, Gini değeri düşer.

Gündelik bir benzetmeyle düşünürsek, içinde yalnızca kırmızı bilyeler bulunan bir kutu çok düzenli ve saf bir kutudur. İçinde kırmızı, mavi, yeşil ve sarı bilyelerin karışık bulunduğu kutu ise daha belirsizdir. Gini indeksi, karar ağacının bu belirsizliği azaltacak bölmeleri seçmesine yardım eder. Dönen makine arıza teşhisinde bu “bilyeler”, normal çalışma, fan dengesizliği, motor gevşemesi ve fan sıkışması gibi sınıflardır.

Kademeli orman neden tek başına yeterli olmayabilir?

Cascade Forest yapısında her katman, kendinden önceki katmandan gelen sınıf olasılıklarını yeni özellikler gibi kullanır. Çalışmada başlangıç özellik vektörü şu şekilde tanımlanır:

\[ x^{(0)} \in \mathbb{R}^{d} \]

Burada x^{(0)}, ön işleme ve FFT sonrasında elde edilen başlangıç özellik vektörünü; d ise bu frekans alanı özelliklerinin boyutunu ifade eder. Başka bir deyişle, titreşim sinyalinin zamana göre değişen ham hali alınır, frekans bileşenlerine ayrılır ve modelin anlayabileceği sayısal bir vektöre dönüştürülür.

Kademeli katmanlardaki giriş ise çalışmada şu şekilde verilir:

\[ x^{(l)}=[x^{(0)},p^{(l-1)}] \]

Burada x^{(l)}, l’inci katmanın girişini; x^{(0)}, orijinal fiziksel özellikleri; p^{(l-1)} ise bir önceki katmanın ürettiği sınıf olasılık vektörlerini ifade eder. Bu yapı, orijinal titreşim bilgisini kaybetmeden modele önceki katmanın yorumunu da ekler.

Bu mantık güçlüdür, fakat gürültülü ortamlarda risklidir. Çünkü bir önceki katman yanlış olasılık üretirse, sonraki katman bu yanlışı da “özellik” gibi kullanır. Çalışmanın eleştirdiği nokta budur: Kademeli yapı, gürültü filtreleme mekanizması yeterli değilse hataları katmanlar arasında taşıyabilir.

KCForest’in ana fikri: Çekirdek haritalama ile sınıfları daha ayrılabilir hale getirmek

Önerilen KCForest modeli, CForest yapısına çekirdek haritalama mekanizması ekler. Çalışmada çekirdek haritalamanın genel fikri şu formülle ifade edilir:

\[ \phi:\mathbb{R}^{d}\rightarrow H \]

Burada \(\phi\), veriyi özgün d boyutlu özellik uzayından daha yüksek boyutlu bir Hilbert uzayına taşıyan örtük dönüşüm fonksiyonudur. H, bu yeni yüksek boyutlu temsil uzayını ifade eder. Bu dönüşümün amacı, özgün uzayda birbirine karışmış görünen arıza sınıflarını yeni bir uzayda daha ayrılabilir hale getirmektir.

Bunu gündelik bir örnekle şöyle düşünebiliriz: İki farklı arıza türünün iki boyutlu bir grafikte üst üste geldiğini varsayalım. Bu grafiğe yalnızca karşıdan bakarsanız sınıflar karışık görünür. Ancak aynı veriye farklı bir açıdan, daha yüksek boyutlu bir temsil içinde bakarsanız, aslında sınıflar arasında ayrım yapılabilecek bir yapı ortaya çıkabilir. Çekirdek yöntemi, veriye bu “başka açıdan bakma” imkânını matematiksel olarak sağlar.

RBF çekirdeği ne yapıyor?

Çalışmada kullanılan çekirdek fonksiyonu RBF yani Radial Basis Function çekirdeğidir. Genel formül şöyledir:

\[ K(x,z)=\exp(-\gamma \|x-z\|^2) \]

Burada x ve z, karşılaştırılan iki özellik vektörüdür. \(\|x-z\|^2\), bu iki vektör arasındaki karesel Öklid uzaklığını gösterir. \(\gamma\), çekirdek genişlik parametresidir ve benzerliğin mesafe arttıkça ne kadar hızlı azalacağını belirler. \(\exp\) ise üstel fonksiyondur.

Bu formülün pratik anlamı şudur: İki titreşim örneği birbirine çok benziyorsa RBF değeri yüksek olur; birbirinden uzaksa değer küçülür. Böylece model yalnızca tek tek frekans değerlerine değil, örneğin sınıf merkezlerine ne kadar benzediğine de bakabilir. Gürültü altında bu yaklaşım önemlidir, çünkü rastgele gürültü küçük dalgalanmalar oluşturabilir; fakat arızaya ait temel örüntü, doğru ölçek seçildiğinde daha kararlı biçimde temsil edilebilir.

Çalışmada kullanılan özel RBF özellik formülü

Araştırmada RBF çekirdek özellikleri, örneklerin sınıf merkezlerine olan uzaklığı üzerinden hesaplanır. Çalışmada verilen özel formül şöyledir:

\[ K_{i,c}=\omega \cdot \exp\left(-\gamma \cdot \frac{d^2_{i,c}}{\max(d^2)} \cdot 10\right) \]

Bu formülde \(K_{i,c}\), i numaralı örneğin c numaralı sınıf merkezine göre çekirdek benzerlik değeridir. \(\omega\), çekirdek özellik ağırlığıdır; yani bu yeni çekirdek özelliklerin modele ne kadar güçlü katkı vereceğini ayarlar. \(\gamma\), RBF genişlik parametresidir. \(d^2_{i,c}\), i örneğinin özellik vektörü ile c sınıfının merkez vektörü arasındaki karesel Öklid uzaklığıdır. Çalışmada bu uzaklık şu şekilde açıklanır:

\[ d^2_{i,c}=\|X_i-C_c\|^2 \]

Burada \(X_i\), i numaralı örneğin özellik vektörünü; \(C_c\), c sınıfının merkez vektörünü ifade eder. \(\max(d^2)\) terimi, uzaklık değerlerini ölçeklemek için kullanılır. Formüldeki 10 çarpanı ise üstel fonksiyon hesaplamasında sayısal kararlılık sağlamak amacıyla kullanılan bir ölçekleme unsurudur.

Bu formülün makine arıza teşhisi açısından anlamı şudur: Model, her titreşim örneğinin her arıza sınıfının merkezine ne kadar benzediğini hesaplar. Örneğin bir sinyal, fan kanadı dengesizliği sınıfının merkezine daha yakınsa bu benzerlik değeri daha yüksek olabilir. Fakat bu yalnız başına nihai karar değildir; KCForest bu çekirdek özellikleri, orijinal FFT özellikleri ve önceki katmandan gelen olasılık vektörleriyle birlikte değerlendirir.

Katman içi ve katmanlar arası özellik geliştirme

KCForest’te her katmanda orijinal özellikler, çekirdek özelliklerle genişletilir. Çalışmada bu genişletilmiş giriş şu şekilde ifade edilir:

\[ X^{(l)}_{aug}=[X^{(l)},K^{(l)}] \]

Burada \(X^{(l)}_{aug}\), l’inci katmandaki genişletilmiş özellik matrisidir. \(X^{(l)}\), o katmana gelen mevcut özellikleri; \(K^{(l)}\) ise aynı katmanda hesaplanan çekirdek özellikleri temsil eder.

Çalışmada her katmanda iki rastgele orman ve iki tamamen rastgele ağaç ormanı kullanıldığı belirtilir. Bu farklı ormanların her biri sınıflara ait olasılık dağılımı üretir. Bir katmandaki M alt ormanın ortalama olasılık çıktısı şu formülle gösterilir:

\[ P^{(l)}=\frac{1}{M}\sum_{m=1}^{M}P_m^{(l)} \]

Burada \(P^{(l)}\), l’inci katmanın ortalama sınıf olasılık çıktısını; M, alt orman sayısını; \(P_m^{(l)}\) ise m numaralı ormanın l’inci katmanda ürettiği sınıf olasılık vektörünü ifade eder. Bu ortalama alma işlemi, tek bir modelin rastlantısal hatasını azaltmaya yardım eder.

Ayrıca katmandaki tüm ormanların olasılık çıktıları birleştirilerek şu biçimde genişletilmiş olasılık matrisi oluşturulur:

\[ P^{(l)}_{layer}=[P_1,P_2,\ldots,P_F] \]

Burada F, ilgili katmandaki orman sayısını gösterir. Bu yapı sayesinde model, aynı titreşim örneğine farklı ormanların nasıl baktığını birlikte kullanır. Yani karar yalnızca tek bir ağacın veya tek bir ormanın yargısına bırakılmaz.

Erken durdurma mekanizması neden gerekli?

Kademeli modellerde katman sayısını sürekli artırmak her zaman daha iyi sonuç vermez. Katman sayısı gereksiz yere artarsa model verideki gerçek arıza desenini değil, eğitim verisine özgü rastlantısal ayrıntıları öğrenebilir. Bu da aşırı öğrenme riskini artırır.

Çalışmada bu nedenle doğrulama başarısına dayalı bir erken durdurma mekanizması kullanılır. Soyut durdurma koşulu şu şekilde verilmiştir:

\[ Acc^{(l)}\leq \max_{k

Burada \(Acc^{(l)}\), l’inci katmanın doğrulama doğruluğunu; \(\max_{k ise önceki katmanlar arasında elde edilen en iyi doğrulama doğruluğunu ifade eder. Eğer yeni katman önceki en iyi başarıyı geliştiremiyorsa, kademeli büyüme durdurulur. Bu, modelin gereksiz derinleşmesini önlemek için kullanılır.

PSO burada neyi optimize ediyor?

Çalışmada PSO, RBF çekirdek mekanizmasında kritik olan üç parametreyi optimize etmek için kullanılır:

• \(\gamma\): RBF çekirdeğinin genişlik parametresi. Benzerliğin uzaklıkla ne kadar hızlı azalacağını belirler.
• \(\omega\): Çekirdek özelliklerin genel ağırlığı. Bu özelliklerin modele katkı düzeyini ayarlar.
• \(c_w\): Sınıf merkezi ağırlık katsayısı. Sınıf merkezlerinin ölçeklenmesiyle karar sınırlarının şekillenmesine etki eder.

PSO’yu gündelik bir benzetmeyle, bir arazi üzerinde en iyi noktayı arayan küçük bir kuş sürüsü gibi düşünebiliriz. Her parçacık, olası bir parametre kombinasyonunu temsil eder. Parçacıklar hem kendi geçmişte buldukları iyi konumu hem de sürünün genel olarak bulduğu en iyi konumu dikkate alarak hareket eder. Böylece parametre uzayı içinde daha iyi doğruluk veren ayarlar aranır.

Çalışmada PSO araması 20 dB SNR düzeyinde Gauss beyaz gürültüsü içeren ortamda yapılmıştır. Parçacık sayısı 10 olarak verilmiştir. Parametre aralıkları \(\gamma\) için [0,5, 8], \(\omega\) için [0,5, 4] ve \(c_w\) için [0,8, 1,5] olarak tanımlanmıştır. Atalet ağırlığı iterasyonlar boyunca 0,8’den 0,4’e düşürülmüştür. Bilişsel katsayı ve sosyal öğrenme katsayısı ise 1,5 olarak kullanılmıştır.

Üç boyutlu PSO optimizasyon grafiğinde en iyi çözümün yaklaşık olarak \(\gamma=1{,}654\), \(\omega=1{,}022\), \(c_w=0{,}988\) ve uygunluk değerinin 0,9475 olduğu gösterilmektedir. Bu değerler, modelin gürültülü ortamda sınıflar arası ayrımı koruyacak bir çekirdek ölçeği bulduğunu göstermeyi amaçlar.

Deney düzeneği ve arıza türleri

Çalışmada kullanılan test nesnesi, üç fazlı asenkron motorla tahrik edilen bir gemi fanıdır. Fan motorunun teknik değerleri şu şekildedir: 380 V anma gerilimi, 4,6 A anma akımı, 1,1 kW anma gücü, 50 Hz anma frekansı ve 1400 dev/dak anma dönme hızı.

Dört çalışma durumu incelenmiştir:

• f1: Normal durum
• f2: Fan kanadı dengesizliği arızası
• f3: Motor tabanı gevşemesi arızası
• f4: Fan sıkışması arızası

Titreşim verileri manyetik emişli bir sensörle toplanmıştır. Sensör hassasiyeti 10,20 mV/g, bias voltajı 12,40 V ve örnekleme frekansı 1652 Hz olarak verilmiştir. Her sinyal grubu 2 saniyelik örnekleme süresine sahiptir. Her test için 20 veri seti toplanmış, her fan durumu için 50 test yapılmış ve toplamda 4000 test verisi elde edilmiştir. Testler arasında 5 dakikalık aralık bırakılarak ekipman sıcaklığının kararlı hale gelmesi ve çevresel etkilerin kontrol altında tutulması amaçlanmıştır.

FFT ile titreşim sinyalinden frekans özellikleri çıkarılması

Çalışmada tüm sınıflandırıcılar için ortak bir özellik vektörü kullanılmıştır. Bu adım önemlidir, çünkü farklı algoritmaların karşılaştırılabilmesi için modele verilen bilginin aynı olması gerekir. Titreşim sinyalleri zaman alanından frekans alanına FFT ile dönüştürülmüştür. Negatif frekans bileşenleri çıkarılmış, FFT genlik spektrumu özellik olarak seçilmiş ve min-maks normalizasyon uygulanmıştır.

FFT’nin buradaki anlamı şudur: Zaman alanındaki titreşim sinyali, makinenin zaman içinde nasıl sallandığını gösterir. Frekans alanı ise bu sallanmanın hangi frekanslarda yoğunlaştığını gösterir. Arıza teşhisinde bu çok değerlidir; çünkü farklı arızalar farklı frekans bileşenlerini güçlendirebilir veya enerjiyi farklı frekans bölgelerine taşıyabilir.

Grafiklerde ve şekillerde anlatılan fiziksel farklar

Çalışmada motorun farklı durumlarına ait titreşim sinyalleri ve spektrum grafikleri karşılaştırılır. Normal durum olan f1’de titreşim genliği daha kararlı görünür. Fan kanadı dengesizliği ve motor tabanı gevşemesi durumlarında periyodik darbe özellikleri daha belirgin hale gelir. Fan sıkışması durumunda ise daha sürekli bir yüksek frekanslı titreşim örüntüsü görülür.

Spektrum sonuçları, arıza türleri arasındaki fiziksel farkları daha açık hale getirir. Normal durumda f1 için ana frekans tepesinin 576,50 Hz civarında olduğu, toplam enerjinin daha yoğun ve spektral entropinin daha düşük olduğu belirtilir. Bu, makinenin daha düzenli ve kararlı çalıştığını gösterir. Fan kanadı dengesizliği olan f2’de ana frekans 518,00 Hz’e düşer; düşük frekans enerjisi ve spektral entropi artar. Bu, dengesiz kütle dağılımının düşük frekanslı titreşimleri artırmasıyla uyumludur.

Motor tabanı gevşemesi olan f3’te ana frekans 518,50 Hz olarak verilmiştir ve titreşim enerjisinin yüksek frekans bölgesine kaydığı belirtilir. Bu durum, gevşek yapısal bağlantıların yüksek frekanslı rezonans etkileri üretmesiyle ilişkilendirilir. Fan sıkışması olan f4’te ana frekans 568,50 Hz’tir; toplam enerji ve spektral entropi orta seviyededir. Bu da hava akışı engeli veya sıkışma kaynaklı özel bir titreşim örüntüsüne işaret eder.

Bu grafikler doğrudan yayınlanmasa bile, çalışmanın ana fikrini anlamak için önemlidir: Model rastgele sayılarla çalışmıyor; gerçek mekanik davranışların frekans alanındaki izlerini öğrenmeye çalışıyor. Yani sınıflandırıcıya verilen FFT özellikleri, arızaların fiziksel etkilerinden türetilmiş sinyallerdir.

Gürültü testi neyi gösteriyor?

Çalışmada Gauss beyaz gürültüsü kullanılarak 20 dB SNR düzeyinde gürültülü bir ortam oluşturulmuştur. Gürültü genliğinin özgün sinyal genliğinin yaklaşık %10’u olduğu belirtilmiştir. Bu testin amacı, modelin temiz laboratuvar sinyallerinde değil, bozulmuş sinyal koşullarında da çalışıp çalışmadığını görmektir.

Gürültü eklemek, sinyalin üzerine rastgele dalgalanmalar bindirmek gibidir. Eğer model yalnızca temiz veride başarılıysa ama gürültüde çöküyorsa, endüstriyel kullanım açısından sınırlı kalır. KCForest’in temel iddiası, RBF çekirdek haritalama ve PSO ile optimize edilmiş parametreler sayesinde bu gürültü etkisinin daha iyi bastırılabileceğidir.

Sonuçlar ne söylüyor?

Gürültüsüz ortamda KCForest’in doğrulama doğruluğu %98,75, test doğruluğu %98,05 olarak verilmiştir. Aynı koşullarda CForest’in test doğruluğu %98,25 ile KCForest’ten biraz daha yüksektir. RF ise %98,05 test doğruluğu ile KCForest ile aynı değeri vermiştir. Bu nedenle çalışmanın sonuçları dürüst biçimde şöyle okunmalıdır: Temiz veri koşullarında KCForest tek başına açık ara en yüksek test doğruluğunu üretmemiştir; CForest ve RF gibi orman temelli yöntemler de çok güçlü performans göstermiştir.

Fakat gürültülü ortamda tablo değişir. 20 dB SNR gürültü altında KCForest’in test doğruluğu %97,10’a düşer. Bu düşüş gürültüsüz ortama göre yalnızca 0,95 puandır. CForest’in test doğruluğu aynı gürültü koşulunda %94,85’e geriler. RF’nin test doğruluğu %90,15’e düşer. Bu, KCForest’in özellikle orman temelli karşılaştırma modellerine göre gürültü altında daha kararlı kaldığını gösterir.

Burada önemli bir ayrıntı da gözden kaçırılmamalıdır: Gürültülü ortam tablosunda KELM modeli %97,90 test doğruluğu ile KCForest’ten daha yüksek bir değer vermiştir. ELM de %97,00 ile KCForest’e çok yakındır. Bu nedenle çalışma “tüm algoritmalar içinde her koşulda mutlak en iyi sonuç KCForest’tedir” şeklinde okunmamalıdır. Daha doğru ifade şudur: KCForest, özellikle kademeli orman ve rastgele orman ailesiyle karşılaştırıldığında gürültü dayanımı ve küçük örneklem kararlılığı açısından belirgin avantaj göstermektedir; KELM gibi çekirdek tabanlı başka modeller de gürültülü testte güçlü sonuç vermiştir.

Küçük örneklem deneyleri ne anlatıyor?

Çalışmanın en önemli kısımlarından biri, eğitim örneklerinin azaltıldığı deneydir. Deney 20 dB gürültülü ortamda yapılmıştır. Eğitim setinin farklı oranları kullanılarak modellerin az veriyle nasıl davrandığı incelenmiştir. Eğitim örneği oranları %10’dan %50’ye kadar 5 puanlık aralıklarla artırılmıştır.

KCForest, eğitim örnekleri çok azaldığında bile görece yüksek doğruluk korumuştur. Yalnızca %10 eğitim örneği kullanıldığında, yani çalışmada belirtilen şekilde 80 eğitim örneğiyle, KCForest doğrulama doğruluğu %92,00 ve test doğruluğu %90,25 olarak raporlanmıştır. Aynı koşulda CForest’in test doğruluğu %76,15’tir. Bu fark, çekirdekleştirilmiş katman yapısının az veri ve gürültü birleştiğinde geleneksel kademeli ormana göre daha kararlı karar sınırları oluşturabildiğini gösterir.

Eğitim örneği oranı %20’ye çıktığında KCForest’in doğrulama doğruluğu %94,17, test doğruluğu %94,05 olur. %45 eğitim örneği oranında KCForest gürültülü test setinde %95,60 ile en yüksek raporlanan değerine ulaşır. Buna karşın CForest’in aynı bölgelerde daha dalgalı performans verdiği belirtilmiştir.

Bu sonuçların pratik anlamı şudur: Endüstride her arıza için çok fazla örnek toplamak mümkün olmadığında, az örnekle istikrarlı çalışabilen modeller daha değerlidir. KCForest’in sınıf merkezlerine göre çekirdek benzerliği hesaplaması, az veride sınıflar arası mesafeyi daha belirgin hale getirmeye yardım etmiş olabilir. Ancak bu yorum, çalışmanın deney koşullarıyla sınırlıdır; farklı makineler, farklı sensörler ve farklı arıza türleri için yeniden test gerekir.

Karışıklık matrisi neyi gösteriyor?

Çalışmada KCForest için gürültüsüz ve gürültülü test koşullarında karışıklık matrisi verilmiştir. Karışıklık matrisi, modelin hangi gerçek sınıfları hangi tahmin sınıflarıyla karıştırdığını gösterir. Bu tür grafikler doğruluk oranından daha fazla bilgi verir; çünkü toplam doğruluk yüksek olsa bile bazı arıza türleri diğerlerinden daha fazla karıştırılıyor olabilir.

Gürültüsüz ortamda modelin genel olarak doğru sınıflandırma yaptığı görülür. Normal durum f1 için bazı örnekler f2, f3 ve f4 ile karıştırılmıştır. f2 sınıfı oldukça net ayrılmıştır. f3 sınıfında bazı örnekler f1 ile karıştırılmıştır. f4 sınıfı ise gürültüsüz ortamda belirgin biçimde doğru tanınmıştır.

Gürültülü ortamda en dikkat çekici karışma f3 sınıfında görülür. Motor tabanı gevşemesi olan f3 örneklerinden önemli bir kısmı f1 yani normal durum olarak tahmin edilmiştir. Bu bulgu önemlidir; çünkü genel doğruluk yüksek olsa bile gevşeme arızasının normal duruma benzetilmesi bakım güvenliği açısından riskli olabilir. Çalışma KCForest’in gürültüye dayanıklı olduğunu gösterse de, f3 sınıfındaki karışma modelin tamamen hatasız olmadığını açıkça ortaya koyar.

Güçlü yönler

• Gürültü dayanımı: KCForest, 20 dB gürültü altında test doğruluğunu yalnızca 0,95 puan kaybetmiştir.
• Küçük örneklem performansı: %10 eğitim örneğiyle bile %90,25 test doğruluğu raporlanmıştır.
• Fiziksel özellik temeli: Model, ham veriden rastgele özellikler yerine FFT ile çıkarılmış frekans alanı bilgilerini kullanır.
• Çekirdek tabanlı ayrım: RBF benzerlikleri, sınıf merkezlerine göre daha ayrıştırıcı özellikler üretmeyi amaçlar.
• Uyarlanabilir model derinliği: Erken durdurma mekanizması, gereksiz katman büyümesini ve aşırı öğrenme riskini azaltmayı hedefler.
• Parametre optimizasyonu: RBF parametreleri PSO ile küresel olarak aranır; bu, el yordamıyla parametre seçimine göre daha sistematik bir yaklaşımdır.

Sınırlılıklar

• Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir. Bu nedenle sonuçlar dikkatli okunmalıdır.
• Tek test düzeneği: Deneyler belirli bir gemi fanı ve belirli dört çalışma durumu üzerinde yapılmıştır. Sonuçlar tüm dönen makineler için doğrudan genellenemez.
• Simüle edilmiş arıza koşulları: Çalışma fan arızalarını test düzeneğinde oluşturulan koşullar üzerinden inceler; uzun süreli gerçek saha kullanımı kanıtı sunmaz.
• Gürültü modeli sınırlı: Gürültü testi 20 dB Gauss beyaz gürültüsü ile yapılmıştır. Gerçek endüstriyel gürültü her zaman bu modele uymaz.
• KELM karşılaştırması: Gürültülü testte KELM’in %97,90 doğrulukla KCForest’ten yüksek sonuç verdiği görülür. Bu durum, KCForest’in tüm karşılaştırmalarda mutlak lider olmadığını gösterir.
• f3 karışması: Gürültülü karışıklık matrisinde motor tabanı gevşemesi örneklerinin bir kısmı normal durumla karıştırılmıştır.

Çalışma ne söylüyor, ne söylemiyor?

Çalışma şunu söylüyor: PSO ile optimize edilen RBF çekirdek haritalama, kademeli orman yapısına eklendiğinde dönen makine titreşim sinyallerinde gürültü ve az örneklem koşullarında daha kararlı arıza sınıflandırması sağlayabilir. Özellikle CForest ve RF gibi orman temelli modellere göre gürültü altında performans düşüşü daha sınırlı kalmıştır.

Çalışma şunu söylemiyor: Bu yöntem her tür dönen makinede, her sensör konumunda, her gürültü türünde ve gerçek saha koşullarında kesin olarak aynı başarıyı verecek demiyor. Ayrıca çalışma, yöntemin ticari bakım sistemlerinde doğrudan kullanılabileceğini veya gemi makinelerinde güvenlik garantisi sağlayacağını kanıtlamıyor. Bulgular, test düzeneği, veri seti, dört arıza sınıfı, FFT özellikleri ve seçilen karşılaştırma algoritmalarıyla sınırlıdır.

Geçmiş, bugün ve gelecek açısından önemi

Geçmişte arıza teşhisi çoğunlukla uzman deneyimine, eşik değerlerine ve basit istatistiksel özelliklere dayanıyordu. Bu yaklaşımlar bazı açık arızalarda işe yarasa da, karmaşık çalışma koşullarında yetersiz kalabilir. Makine öğrenmesi yöntemleri bu boşluğu doldurmak için geliştirildi; fakat onlar da gürültü ve az veri sorunlarıyla karşılaşır.

Bugün endüstriyel tesislerde, gemilerde ve enerji sistemlerinde sensör verisi giderek artıyor. Ancak çok veri olması her zaman çok kaliteli etiketli arıza verisi olduğu anlamına gelmez. Özellikle nadir arızalar için örnek sayısı az olabilir. Bu nedenle az veriyle çalışabilen ve gürültüye dayanabilen yöntemler pratik değer taşır.

Gelecekte bu tür yöntemler, kestirimci bakım sistemlerinde daha akıllı erken uyarı mekanizmalarına katkı verebilir. Örneğin bir gemi fanında titreşim paterni yavaş yavaş normalden sapıyorsa, sistem bunu bakım ekibine erken bildirebilir. Ancak bunun için modelin farklı gemilerde, farklı motorlarda, farklı sensör yerleşimlerinde, farklı yüklerde ve uzun süreli saha verilerinde doğrulanması gerekir.

Çalışmanın Yöntemi ve Bulguları

Teknik yöntem akışı

1. Veri toplama: Üç fazlı asenkron motorla çalışan gemi fanından titreşim verileri toplanmıştır.
2. Arıza sınıfları: Normal durum, fan kanadı dengesizliği, motor tabanı gevşemesi ve fan sıkışması olmak üzere dört sınıf tanımlanmıştır.
3. Sinyal işleme: Zaman alanındaki titreşim sinyalleri FFT ile frekans alanına dönüştürülmüştür.
4. Özellik seçimi: FFT genlik spektrumu özellik olarak kullanılmış, negatif frekans bileşenleri atılmıştır.
5. Normalizasyon: Min-maks normalizasyon uygulanarak farklı frekans bileşenlerinin karşılaştırılabilir hale getirilmesi amaçlanmıştır.
6. Veri bölme: Veri eğitim, doğrulama ve test kümelerine ayrılmıştır. Eğitim seti %20, doğrulama seti %30, test seti %50 olarak kullanılmıştır.
7. PSO optimizasyonu: RBF çekirdeğinin \(\gamma\), \(\omega\) ve \(c_w\) parametreleri parçacık sürü optimizasyonu ile aranmıştır.
8. KCForest eğitimi: Her katmanda iki rastgele orman ve iki tamamen rastgele orman kullanılmıştır.
9. Katmanlar arası aktarım: Orijinal FFT özellikleri, RBF çekirdek özellikleri ve önceki katmanın sınıf olasılıkları birleştirilmiştir.
10. Erken durdurma: Doğrulama başarısı artmadığında kademeli yapı durdurulmuştur.
11. Karşılaştırma: KCForest; CForest, GNB, CART, RF, ELM, KELM ve DELM ile karşılaştırılmıştır.

Deneysel veri ve ölçüm bilgileri

Arıza sınıfları ve frekans alanı gözlemleri

PSO ve RBF parametreleri

Gürültüsüz ortamda sınıflandırıcı doğrulukları

Bu tablo, KCForest’in temiz ortamda güçlü olduğunu gösterir; ancak CForest’in test doğruluğu %98,25 ile biraz daha yüksektir ve RF de KCForest ile aynı test doğruluğuna ulaşmıştır. Dolayısıyla KCForest’in asıl katkısı temiz ortamda mutlak üstünlükten çok, gürültü ve az örnek koşullarındaki kararlılıkta ortaya çıkar.

20 dB gürültülü ortamda sınıflandırıcı doğrulukları

Gürültülü ortam tablosu, KCForest’in özellikle CForest ve RF’ye göre daha az bozulduğunu gösterir. KCForest’in gürültüsüz test doğruluğu %98,05 iken gürültülü test doğruluğu %97,10’dur. Bu 0,95 puanlık düşüş, modelin gürültüye karşı dayanıklı kaldığını gösterir. CForest’in düşüşü 3,40 puan, RF’nin düşüşü ise 7,90 puandır. CART ve GNB gürültü altında belirgin şekilde zayıflamıştır.

Ancak KELM’in gürültülü test doğruluğu %97,90’dır ve bu değer KCForest’in %97,10 sonucundan yüksektir. Bu nedenle KCForest, özellikle orman tabanlı yöntemler içinde gürültü dayanımı bakımından güçlü görünmektedir; fakat karşılaştırılan tüm algoritmalar içinde her metrikte tek başına en yüksek sonucu vermemiştir.

Küçük örneklem bulguları

Bu sonuçlar, KCForest’in az örnek ve gürültü birleştiğinde geleneksel kademeli orman yapısına göre daha kararlı olduğunu göstermektedir. Çalışmanın yorumu, çekirdekleştirilmiş ara katmanların sınıflar arası dağılım boşluğunu genişlettiği ve karar ağaçlarının daha güvenilir bölme noktaları bulmasına yardım ettiği yönündedir.

Sonuçların gündelik yaşama ve sanayiye etkisi

Bu araştırmanın gündelik yaşama dolaylı etkisi, arızaların erken fark edilmesiyle ilgilidir. Bir gemideki fan, üretim tesisindeki motor veya enerji sistemindeki dönen ekipman beklenmedik şekilde arızalandığında yalnızca makine durmaz; güvenlik, zaman, maliyet ve operasyon sürekliliği de etkilenir. Titreşim verilerinden arıza teşhisi yapabilen daha dayanıklı modeller, bakım ekiplerinin doğru zamanda müdahale etmesine yardımcı olabilir.

Sanayi açısından bu tür bir model, özellikle sensör verisinin bulunduğu ama etiketli arıza örneklerinin az olduğu yerlerde değerli olabilir. Örneğin her işletmede binlerce normal çalışma örneği bulunabilir; fakat fan sıkışması veya motor tabanı gevşemesi gibi arızalar az sayıda kaydedilmiş olabilir. KCForest’in küçük örneklem koşullarındaki performansı bu açıdan önemlidir.

Yine de çalışma, gerçek üretim tesisinde veya gerçek gemi makine dairesinde uzun dönemli saha uygulaması kanıtı sunmamaktadır. Bu yüzden yöntem, potansiyel bir akıllı bakım yaklaşımı olarak değerlendirilmeli; güvenlik kritik sistemlerde kullanılmadan önce farklı ekipmanlarda, farklı yük koşullarında ve gerçek gürültü ortamlarında doğrulanmalıdır.

Kaynak ve Yöntem Notu

Bu makale, Qinming Tan, Duankai Li, Jiawei Jiang ve KunXiang Ge tarafından hazırlanan “Fault Diagnosis Method for Rotating Machinery Based on Particle Swarm Optimization-Driven Kernelized Cascade Forest” başlıklı çalışmaya dayanarak hazırlanmıştır. Çalışma, SSRN üzerinde sunulan bir preprint araştırma makalesidir. Metinde açıkça “This preprint research paper has not been peer reviewed” ifadesi yer aldığı için hakem değerlendirmesinden geçmemiştir.

İçerikte anlatılan yöntem, çalışmada verilen KCForest modeli, PSO optimizasyonu, RBF çekirdek haritalama, FFT tabanlı titreşim özellikleri, gemi fanı test düzeneği, dört arıza sınıfı ve karşılaştırmalı sınıflandırıcı sonuçlarına dayanmaktadır. Çalışmada olmayan ticari başarı, kesin saha başarısı, güvenlik garantisi veya tüm dönen makinelerde genellenebilirlik iddiası eklenmemiştir.

Araştırma deneysel bir test düzeneği üzerinde yürütülmüştür. Kullanılan veriler, üç fazlı asenkron motorla çalışan gemi fanından toplanan titreşim sinyalleridir. Çalışmada gürültü dayanımı için 20 dB SNR düzeyinde Gauss beyaz gürültüsü kullanılmıştır. Bu, gerçek endüstriyel gürültünün tüm türlerini temsil ettiği anlamına gelmez. Ayrıca çalışma, gerçek gemi makine dairesinde uzun süreli saha doğrulaması sunduğunu iddia etmemektedir.

Preprint niteliği nedeniyle sonuçlar dikkatli okunmalıdır. KCForest modeli, özellikle gürültü ve az eğitim örneği koşullarında umut verici sonuçlar vermektedir; ancak farklı ekipman türleri, farklı sensör yerleşimleri, farklı arıza sınıfları ve gerçek saha koşulları altında ek doğrulama gereklidir.