Tədqiqat, neft və qaz tətbiqlarındaki şaquli turbin nasoslarında vibrasiya sensorünü geleneksel motor və ya yastıq mövqelarından alıp doğrudan yağ altında çalışan impeller haznesinin yakınına yerleştirmenin anormal iş şəraitinı ayırt etmeyi geliştirip geliştirmediğini incelemektedir. Tədqiqatçılar yağ altında çalışabilmesi üçün epoxy-fluoroelastomer yapıyla kapsullaşdırılmış bir akselerometri impeller haznesine monte etmiş; aynı nasosnın motor və yastıq bölgəlerindeki sensorlerle eş zamanlı vibrasiya vərisi toplamıştır. Klapan kapanmaları və yağ seviyesindeki nəzarətli değişimler anormal iş şəraiti olarak kullanılmış, vərilər geleneksel və dərin öyrənmə tabanlı toplam 10 anomaliya aşkarlanması modeliyle qiymətləndirilmişdir.

Laboratoriya şəraitində impellera yakın sensorler xüsusiyyətle xüsusiyyət əsaslı modellərde motor və yastıq sensorlerinden daha fazla tanısal bilgi sağlamıştır. Xüsusiyyət əsaslı modellər üçün impeller sensorlerinin medyan maksimum AUC-ROC dəyəri 0,950 olarak raporlanırken, bütün yağ üstü sensorlerin birlikte dəyərlendirilmesinde 0,911 və en iyi impeller xariciı sensor olan oxel yastıq sensoründe 0,901 əldə edilmişdir. Kapsullaşdırılmış impeller sensoru üçün bütün model və konfiqurasiyalar üzərindən bildirilən orta AUC-ROC 0,816, orta sinif dəqiqliyi %63,0; en iyi nəticələr ise 0,973 AUC-ROC və %91,3 orta sinif dəqiqliyidur.

Kapsullaşdırma, bütün modellər birlikte dəyərlendirildiğinde anomaliya aşkarlanması performansında statistik olarak əhəmiyyətli bir genel kayıp oluşturmamıştır. Bununla birlikte model bazında nəticələr aynı istiqamətde deyildir: bazı algoritmalar kapsullaşdırılmamış sensorle daha iyi, bazıları ise kapsullaşdırılmış sensorle daha iyi performans göstermiştir. Bu nedenle tədqiqatnın dəstəklədiyi nəticə, kapsullaşdırmanin vibrasiya sinyalindeki bütün etkiləri ortadan kaldırdığı değil; qoruyucu struktur istifadə edildiktan sonra da anomaliya aşkarlanmasıi üçün yeterli bilgi taşıyan vibrasiya sinyalinin korunabildiğidir.

Tədqiqatın önemli sınırı sahə yerine nəzarətli laboratoriya şəraitində yapılmış olmasıdır. Nasos təxminən 1 m yağ altında çalıştırılmış, axınkan olarak xam neft yerine ISO 46 hidravlik yağ kullanılmış və deneyler təxminən 25 °C'de yürütülmüştür. Test edilən anomalilər klapan kısılması və yağ seviyesinin düşürülmesiyle oluşturulan iş şəraitidır; impeller balanssızlığı, mil kaçıklığı, kavitasyon, yastıq bozulması və ya başka ilərleyici mekanik arızalar deneysel olarak oluşturulmamıştır. Bu nedenle nəticələr doğrudan real petrol sahəsında erken arıza teşhis başarısı olarak şərhlanamaz.

Türkiyə baxımından mənası: Yakıt, petrokimya, rafineri, enerji və proses tesislerinde kullanılan dikey nasosların büyük bölməünde vibrasiya ölçümünün yalnız kolay erişiləbilən motor və ya yastıq bölgəlerinden yapılması, sıvı üçünde və kaynağa yakın gelişen dinamik değişimlerin yüzeye ulaşana kadar zayıflaması riskini taşır. Tədqiqatın önerdiği yaklaşım Türkiye'deki ağır proses tesislerinde doğrudan uygulanmış və ya doğrulanmış deyildir; ancak yağ altında çalışabilən kapsullaşdırılmış vibrasiya sensorlerini kritik nasos kademelerine yaklaştırma fikri yerel kestirimci bakım Ar-Ge'si üçün test ediləbilir. Gerçek tətbiq üçün xam neft kimyası, yüksək temperatur, təzyiq çevrimleri, daha büyük daldırma derinlikleri, uzun kablo mesafeleri, real mekanik arızalar və uzun dönem sensor dayanımı ayrıca doğrulanmalıdır.

Neden motor üzərindəki sensorler her zaman yeterli olmayabilir?

Dikey türbin nasoslarında motor və üst yastıqlar bakım personeli tarafından kolay erişiləbilir mövqedadır. Bu nedenle geleneksel koşul izleme tətbiqlarında akselerometrler çoğunlukla bu bölgəlerde bulunur. Impeller ise sıvı altında və motor sensoründen yapısal olarak daha uzakta çalışır.

Bir vibrasiya kaynağından çıkan mekanik enerji nasos mili, kolon, yataklar, gövde və bağlantılar boyunca ilərlerken değişebilir və ya zayıflayabilir. Tədqiqatnın temel sorusu, anormal iş durumuna en yakın bölgəde bulunan bir sensorün, yüzeydeki sensorlerden daha bilgiləndirici bir vibrasiya imzası sağlayıp sağlayamayacağıdır.

Tədqiqatda kullanılan laboratoriya düzeneğinin daldırma mesafesi təxminən 1 m olduğu üçün üst sensorlerle impeller sensoru arasındaki fiziksel mesafe real petrol sahəlarındaki bazı kurulumlara göre oldukça küçüktür. Yazarlar da bazı motor sensorlerinin dərin modellərde impeller sensorune yakın və ya daha iyi nəticə vərmesini kısmen bu kompakt laboratoriya geometrisiyle ilişkiləndirmektedir.

Sensor neden kapsüllenmek zorunda?

Impeller bölgəsine sensor yerleştirmek ölçüm açısından avantajlı olsa da bu bölgə sıcak hidrokarbon, kimyasal biləşenler, partiküller və uzun servis aralıkları səbəbindən elektronik sensorler açısından zorlu bir ortamdır. Tədqiqatda impellera monte edilən Sr#8a sensorü yağ temasından korunmak amacıyla epoxy-fluoroelastomer bir qoruyucu strukturyla kapsullaşdırılmıştir.

Mevcut tədqiqat kapsül malzemesinin uzun süreli kimyasal dayanımını yeniden test eden bir malzeme tədqiqatsı deyildir. Yazarlar bu konuda daha önce realleştirdikleri ayrı tədqiqatlarına atıf yapmakta, mevcut deneyde ise asıl olarak kapsullaşdırmaden sonra vibrasiya sinyalinin maşın öyrənməsi açısından kullanılabilir kalıp kalmadığını dəyərlendirmektedir.

Laboratoriya nasossı nasıl oluşturuldu?

Deney düzeneğinde iki mərhələli ITT Goulds VS6 şaquli turbin nasosu istifadə edilmişdir. Nasosnın nominal hızı 1770 RPM'dir və en iyi vərim noktası mənbəta %62 axın, yani təxminən 26,2 US galon/dəqiqə olarak vərilmişdir.

Nasos qapalı dövrəde çalıştırılmış; yağ aynı rezervuardan çekilip tekrar aynı rezervuara döndürülerek deneyler arasında axınkan xüsusiyyətlerinin mümkün olduğunca tutarlı kalması amaçlanmıştır.

Sensorler nereye yerleştirildi?

Tədqiqatçılar motor, nasos yastıqı və impeller haznesinde farklı istiqamətlerde akselerometrler kullanmıştır. Ana sensor-informatifliği karşılaştırmasında yedi adet yağ seviyesinin üzərindəki motor/yastıq sensorü ilə bir adet kapsullaşdırılmış impeller sensoru qiymətləndirilmişdir. Kapsullaşdırma etkisini dəyərlendiren ayrı karşılaştırmada ise impeller haznesine kapsullaşdırılmış sensorün yanına iki kapsullaşdırılmamış kontrol sensorü yerleştirilmiştir.

Şəkil 1 və Şəkil 3 deney mantığını nasıl gösteriyor?

Şəkil 1'de motor üzerine yerleştirilən geleneksel sensor ilə yağ seviyesinin altında impeller haznesine monte edilən kapsullaşdırılmış sensor aynı sistem üzərində gösterilmektedir. Sensor sinyalleri vəri toplama ünitesine, oradan da maşın öyrənməsi analizine aktarılmaktadır. Böylece tədqiqatın temel yaklaşımı fiziksel olarak “ölçümü arızaya/anormalliğe yakınlaştırmak” və elde edilən vibrasiyai vəri analiziyle dəyərlendirmek üzerine kurulmuştur.

Şəkil 3 ise sensorlerin real laboratoriya nasossındaki mövqelarını göstərir. Motorun daxili/xarici bölgəlerinde və yastıq çevresinde kullanılan sensorlerle impeller haznesindeki sensor arasındaki yerleşim farkı bu şekilde doğrudan görülebilmektedir.

Anormal iş şəraiti nasıl oluşturuldu?

Normal durumda motor 1770 RPM'de çalıştırılmış, deşarj klapani tamamen açık tutulmuş və yağ seviyesi minimum daldırma seviyesinin üzərində tutulmuştur.

İki temel anormal durum ailəsi yaradılmışdır:

1. Klapan değişimleri: Deşarj klapani %25, %50 və %75 seviyelerine getirilərek axın kısıtlanmıştır. Ani və mərhələli değişimler test edilmiştir.
2. Yağ seviyesi değişimleri: Yağ seviyesi minimum daldırma seviyesinin altına və daha sonra birinci kademe impellerın altına düşürülmüştür. İkinci durumda yağ axını kesilmektedir.

Bu koşullar real mekanik arıza deyildir. Tədqiqatda “anomaly”, sensorün normal iş temelinden farklılaşmasını sağlayan nəzarətli əməliyyat koşulu anlamında istifadə olunur.

Mənbə daxilii zamanlama belirsizliği: Ana metod bölməünde mərhələli klapan değişimi təxminən 30 saniyə olarak tanımlanırken ek test protokolünde %75'e mərhələli kapanmanın 1 dəqiqə sürdüğü qeyd edilir. Manuel klapan hareketlerinden mənbəlanan zamanlama belirsizliği de bir bölməde təxminən ±2 saniyə, məhdudiyyətlar bölməünde ±2–3 saniyə olarak vərilmektedir. Bu dəyərler burada tek bir sayıya dönüştürülmemiştir.

Ham vibrasiya neden doğrudan yeterli görülmedi?

Şəkil 2, sekiz sensor kanalının normal axın ilə klapan değişimi sırasındaki sinyallerini karşılaştırmaktadır. Örnekleme frekansı 4000 Hz olduğu üçün doğrudan çizim çok yoğun olduğundan görselleştirme amacıyla Gaussian yumuşatma uygulanmıştır. Mənbə, normal və anormal sinyaller arasında çıplak gözle güçlü və kolay seçiləbilir kalıplar bulunmadığını vurgulamaktadır.

Bu nedenle tədqiqat maşın öyrənməsini yalnız bir “sınıflandırıcı ekleme” adımı olarak değil, çok boyutlu vibrasiya xüsusiyyətleri arasındaki daha ince farkları ortaya çıkarmak amacıyla kullanmaktadır.

Veri nasıl pəncərəlendi?

Her sensor kanalı önce təlim bölməünden hesaplanan orta və standart sapma istifadə edilərək ortası 0 və standart sapması 1 olacak bdaxiliimde standartlaşdır edilmiştir. Test vərisinin standardizasyonunda təlim vərisinden hesaplanan parametrelerin aynısı istifadə edilmişdir; böylece test bilgisinin ön işleme mərhələsında təlime sızması azaltılmaya çalışılmıştır.

Pəncərə süreleri:

• 0,25 saniyə,
• 0,5 saniyə,
• 1 saniyə,
• 3 saniyə

olarak seçilmiş; pəncərə örtüşmə oranları ise %90, %75, %50 və %0 olarak test edilmiştir. Böylece dört pəncərə süresi ilə dört örtüşmə oranından oluşan 16 temel pəncərələmə konfiqurasiyau qiymətləndirilmişdir.

Klapan değişiminin realleştiği kayıtlarda normal və anormal zaman aralıkları pəncərələməden önce ayrılmıştır. Amaç, aynı pəncərənin üçünde hem normal hem anormal etiketli bölmə bulunmasını önlemektir.

Statistik və spektral xüsusiyyətler nelerdi?

Geleneksel xüsusiyyət əsaslı modellər üçün her kanal üzərində 13 statistik və 15 spektral xüsusiyyət hesaplanmıştır.

Statistik xüsusiyyətler arasında mutlak enerji, orta güç, entropi, kurtosis, maksimum, orta, orta mutlak sapma, medyan, medyan mutlak sapma, minimum, RMS, çarpıklık və standart sapma bulunmaktadır.

Spektral xüsusiyyətler arasında maksimum spektral güç, maksimum frekans, medyan frekans, güç bant genişliği, spektral centroid, spektral azalma, spektral mesafe, spektral entropi, spektral kurtosis, roll-off, roll-on, spektral çarpıklık, spektral yayılım, spektral varyasyon və wavəlet mutlak ortası bulunmaktadır.

Bu xüsusiyyət hesaplamaları TSFEL Python paketiyle realleştirilmiştir.

Dərin öyrənmə modellərine aynı xüsusiyyətler vərilmedi

Tədqiqatın önemli metod ayrımlarından biri, dərin modellərin 28 adet elle oluşturulmuş özelliği kullanmamasıdır. Derin zaman serisi modelləri standartlaşdır edilmiş zaman alanı sinyallerini, bir boyutlu Gaussian yumuşatma və alt örnekleme sonrasında doğrudan işlemektedir.

Bu nedenle tədqiqat iki farklı yaklaşımı karşılaştırmaktadır:

• Xüsusiyyət mühendisliği: Vibrasiyai statistik və frekans alanı özetlerine dönüştürüp daha klasik anomali modellərine vərmek.
• Temsil öğrenme: Azaltılmış zaman dizisini derin modelin kendisinin öğrenmesine bırakmak.

Hangi 10 model istifadə edildi?

Altı xüsusiyyət əsaslı temel model şunlardır:

• Isolation Forest (iForest),
• K-Nearest Neighbors (KNN),
• Clustering-Based Local Outlier Factor (CBLOF),
• Copula-Based Outlier Detection (COPOD),
• Autoencoder,
• Deep Support Vector Data Description (DeepSVDD).

Mənbə Autoencoder və DeepSVDD sinir ağı daxilierse de bunları elle çıkarılan xüsusiyyət vəktörlerini kullanan “feature-based” grup altında dəyərlendirmektedir.

Dört derin zaman serisi modeli ise:

• LSTM-Autoencoder,
• Temporal Convolutional Network for Anomaly Detection (TCN-AD),
• Temporal Hierarchical One-Class Network (THOC),
• Anomaly-Transformer

olarak seçilmiştir.

Modellər neden yalnız normal vəriyle eğitildi?

Gerçek endüstriyel nasoslarda arızalı durum vərisinin az və elde edilmesinin pahalı olabiləceği gerekçesiyle tədqiqat tek-sınıflı və ya yarı denetimli anomaliya aşkarlanması yaklaşımını kullanmıştır. Modellər yalnız normal iş segmentleriyle eğitilmiş, anormal iş segmentleri test sırasında istifadə edilmişdir.

Model çıktısı doğrudan “normal/anormal” etiketi değil, anomaliya skorudur. Sınıflandırma eşiği təlim vərisindeki normal anomali skorlarının üst kuyruğundan belirlenmiştir. Tədqiqatda %0,1, %1, %5, %10 və %20 eşik yüzdelikleri denenmiştir.

Veri sızıntısını azaltmak üçün ne yapıldı?

Bir tədqiqat segmentinden yüzlerce və ya binlerce birbirine yüksek korelasyonlu kaydırmalı pəncərə üretiləbildiği üçün rastgele pəncərə bazlı təlim/test ayrımı aşırı iyimser nəticə üretebilirdi. Tədqiqatçılar bu nedenle beş katlı çarpaz təsdiqləməyı tek tek pəncərəler yerine əməliyyat seqmentləri düzeyinde yapmıştır.

Bu tasarım vəri sızıntısı riskini azaltmaktadır; ancak bağımsız tədqiqat segmentlerinin sayısı yine məhduddır. Nəticə bölməünde katlar arasında AUC-ROC farklarının bazı koşullarda 0,6'ya kadar çıkması, vəri kümesinin bölünme bdaxiliimine karşı hâlâ önemli duyarlılık bulunduğunu göstərir.

Neden beşinci çarpaz təsdiqləmə katı önemli?

Beşinci katta normal test koşulu sabit axın vərisini daxilierdiğinde performans belirgin bdaxiliimde düşmüştür. Tədqiqatçılar bu düşüşün nedenini çözemedikleri üçün katı analizden çıkarmamıştır.

Bu tercih önemlidir; yalnız en yüksek kat skorları raporlansaydı sistem olduğundan daha başarılı görünebilirdi. Tədqiqat bu nedenle orta kat performansını ana genelleme ölçüsü, maksimum skoru ise yalnız yardımcı “en iyi durum” göstergesi olarak kullanmaktadır.

Impeller sensorü realten daha bilgiləndirici miydi?

Xüsusiyyət əsaslı modellərde impeller sensoru belirgin avantaj göstermiştir. Mənbə, impeller bölgəsindeki kapsullaşdırılmış və kapsullaşdırılmamış sensorlerin medyan maksimum AUC-ROC dəyərini 0,950 olarak vərmektedir. Bütün yağ üstü sensorler üçün bu dəyər 0,911, en iyi impeller xariciı sensor olan oxel yastıq sensorü üçün ise 0,901'dir.

Bu nəticə, laboratoriya şəraitində anormal axın və yağ seviyesi değişimlerine yakın noktadan alınan vibrasiyain xüsusiyyət əsaslı anomali modellərine daha güçlü ayırıcı bilgi sağlayabildiğini desteklemektedir.

Dərin modellərde mövqe farkı daha küçüktür. LSTM-Autoencoder və Anomaly-Transformer gibi bazı modellərde bazı motor sensorleri impeller sensorunden az farkla daha yüksek nəticə vərmiştir. Dolayısıyla mənbə “impeller sensoru bütün model və bütün koşullarda daima üstündür” sonucunu desteklememektedir.

%91,3 və 0,973 dəyərleri nasıl okunmalı?

Özette vurgulanan %91,3 orta sinif dəqiqliyi və 0,973 AUC-ROC, kapsullaşdırılmış impeller sensorunün en yüksek/best-case nəticələrıdır.

Cədvəl 4 aynı sensor üçün daha geniş performans özetini şöyle vərmektedir:

Bu tablo kapsullaşdırılmış sensorün en iyi testte güçlü nəticə vərebildiğini, ancak kapsullaşdırılmamış kontrol sensorlerinin best-case skorlarının daha yüksek olduğunu da göstərir. Tədqiqatın kapsullaşdırma açısından ana sonucu maksimum skor eşitliği değil, bütün modellər topluca dəyərlendirildiğinde genel performans kaybının statistik olarak əhəmiyyətli olmamasıdır.

Kapsullaşdırma üçün statistik test ne gösterdi?

Kapsullaşdırılmış və kapsullaşdırılmamış impeller sensorlerinden elde edilən AUC-ROC dağılımları önce Shapiro-Wilk normallik testiyle qiymətləndirilmişdir. Bütün modellər üçün normallik testi p<0,001 olduğundan dağılımlar normal kabul edilmemiş və parametrik olmayan Mann-Whitney U testi istifadə edilmişdir.

Bütün modellərin toplu karşılaştırmasında:

• Mann-Whitney U = 352704,
• p = 0,501,
• etki büyüklüğü = 0,022

olarak bildirilmişdir. p=0,501 sonucu genel kapsullaşdırma etkisinin statistik olarak əhəmiyyətli olmadığını desteklemektedir.

Buna karşılık model bazında nəticələr farklıdır. IForest, COPOD və Anomaly-Transformer gibi bazı modellər kapsullaşdırılmamış sensorde daha yüksek dəyərler vərirken CBLOF və KNN kapsullaşdırılmış sensorde belirgin bdaxiliimde daha iyi performans göstermiştir. Bu karışık istiqamətlü nəticələr kapsülün vibrasiya ilətimini tamamen etkisiz bırakmadığını, fakat tanısal bilgiyi ortadan kaldırmadığını düşündürmektedir.

Statistik xüsusiyyətler mi, spektral xüsusiyyətler mi daha iyi?

Şəkil 6'da xüsusiyyət əsaslı modellər üçün statistik xüsusiyyətlerin genel olarak spektral xüsusiyyətlerden daha yüksek AUC-ROC ürettiği görülmektedir. Aynı zamanda daha uzun vəri pəncərəleri çoğu modelde performansı artırma eğilimi göstərir.

Bu nəticə belirli bir tek özelliğin tüm performansı sağladığını göstermemektedir. Tədqiqat 13 statistik və 15 spektral özelliği toplu temsil olarak kullanmış və xüsusiyyət gruplarının genel etkisini karşılaştırmıştır.

Pəncərə örtüşməsi ne kadar önemliydi?

%0 ilə %90 arasındaki örtüşmə oranlarında model performansı genel olarak benzer kalmıştır. Tədqiqatçılar bunu yeterli sayıda pəncərə elde edildikten sonra tam pəncərə başlangıç mövqeunun performansın tek belirleyicisi olmadığının göstergesi olarak şərhlamaktadır.

Bununla birlikte manuel klapan hareketlerinin kesin zaman sınırları bulunmadığından geçiş bölgəsindeki etiketler təxminən kabul edilmelidir.

Eşik seçimi neden AUC-ROC'tan ayrı ele alındı?

AUC-ROC modelin normal və anormal örnekleri sıralama yeteneğini sınıflandırma eşiğinden bağımsız dəyərlendirir. Tətbiqda ise alarm üretmek üçün belirli bir anomaliya skoru eşiği gereklidir.

Tədqiqatda bazı modellər yüksek AUC-ROC elde etmesine rağmen sabit üst-kuyruk eşikleri istifadə edildiğında aynı ölçüde yüksek orta sinif dəqiqliyi sağlamamıştır. Bu nəticə, iyi sıralama performansının otomatik olarak iyi sahə alarm eşiği anlamına gelmediğini göstərir.

Dərin modellər üçün %20 üst-kuyruk eşiğinde kapsullaşdırılmış impeller sensorunün orta sinif dəqiqliyi %74,4, oxel yastıq sensorünün ise %74,1 olarak vərilmişdir. Bu iki dəyərin yakınlığı, laboratoriya şəraitində bazı eşik seçimlerinde yüzey sensorlerinin de rekabetçi kalabildiğini göstərir.

Gerçek zamanlı izleme mümkün mü?

Mevcut tədqiqat vəriləri çevrimxariciı analiz etmiştir. Yazarlar aynı yaklaşımın kaydırmalı pəncərə tabanlı çevrim daxilii sisteme dönüştürülebiləceğini belirtmektedir. Böyle bir tətbiqda sensor axını tamponlanacak, standartlaşdır ediləcek, xüsusiyyət və ya zaman dizisi temsiline dönüştürülecek və her yeni pəncərəde anomaliya skoru hesaplanacaktır.

Tədqiqatda iForest və COPOD gibi hafif modellərin tətbiqdaki çıkarım sürelerinin bir saniyənin altında olduğu qeyd edilir. Buna rağmen yazarlar real sahə tətbiqsında asıl zorluğun yalnız hesaplama olmadığını; yağ altındaki sensorden güvənilir vəri ilətimi, uzun kablo mesafeleri, değişen tədqiqat rejimlerine göre eşik istiqamətetimi, yanlış alarm bastırma və zaman üçünde yeniden kalibrasyon gibi mühendislik sorunlarının daha kritik olacağını vurgulamaktadır.

Tədqiqatın dəstəklədiyi nəticələr

• Kapsullaşdırılmış bir akselerometr laboratoriya şəraitində yağ altında impeller haznesine monte edilərek kullanılabilir vibrasiya vərisi sağlayabilmiştir.
• Impellera yakın sensorler xüsusiyyətle xüsusiyyət əsaslı anomali modellərinde motor və yastıq sensorlerinden daha fazla ayırıcı bilgi sağlamıştır.
• Xüsusiyyət əsaslı modellər üçün impeller sensorlerinin medyan maksimum AUC-ROC dəyəri 0,950 olarak bildirilmişdir.
• Kapsullaşdırılmış sensor üçün en iyi nəticə 0,973 AUC-ROC və %91,3 orta sinif dəqiqliyidur.
• Kapsullaşdırılmış sensorün tüm konfiqurasiyaları kapsayan orta nəticələrı 0,816 AUC-ROC və %63,0 orta sinif dəqiqliyidur.
• Bütün modellər birlikte dəyərlendirildiğinde kapsullaşdırma səbəbindən statistik olarak əhəmiyyətli bir genel AUC-ROC kaybı tespit edilmemiştir.
• Statistik xüsusiyyətler incelenen xüsusiyyət əsaslı modellərde genel olarak spektral xüsusiyyətlerden daha iyi performans göstermiştir.
• Daha uzun pəncərə süreleri çoğu modelde performansı iyiləştirme eğilimi göstermiştir.
• İşletme segmenti düzeyindeki çarpaz təsdiqləmə, aynı segmentten türetilən pəncərəlerin təlim və teste karışmasından mənbəlanabiləcek vəri sızıntısını azaltmayı amaçlamıştır.

Tədqiqatın dəstəkləmədiyi və ya test etmediği nəticələr

• Tədqiqat real petrol sahəsında sahə təsdiqləməsı sunmamaktadır.
• Tədqiqat yüzlerce metre daldırılmış nasos koşullarını deneysel olarak test etmemiştir.
• Mevcut deneyler xam neft yerine hidravlik yağ kullanmaktadır.
• Mevcut deneyler yüksək temperaturta değil təxminən 25 °C'de yapılmıştır.
• Impeller balanssızlığı, kavitasyon, mil kaçıklığı və ya yastıq bozulması gibi ilərleyici mekanik arızalar test edilmemiştir.
• %91,3 dəqiqlik və 0,973 AUC-ROC genel orta performans deyildir; en iyi durum nəticələrıdır.
• Impeller sensorü bütün maşın öyrənməsi modellərinde bütün yağ üstü sensorlerden üstün deyildir.
• Kapsullaşdırmanin sinyali hdaxili değiştirmediği gösterilmemiştir; yalnız genel tanısal performans kaybı statistik olarak əhəmiyyətli bulunmamıştır.
• Bir laboratoriya vəri kümesindeki model metriği real sahə arıza yakalama oranına eşit deyildir.
• Uzun dönem sahə kablolaması, telemetri, təzyiq çevrimleri və real əməliyyat sürüklenmesi bu tədqiqatda doğrulanmamıştır.

Tədqiqatın Metodu və Nəticələri

Deney düzeneğinin teknik özeti

Normal və anormal iş şəraiti

Veri ön işleme

Kullanılan modellər

Ana performans nəticələri

Kapsullaşdırma istatistiği

Kapsullaşdırılmış və kapsullaşdırılmamış impeller sensoru performans dağılımları normal dağılmadığı üçün Mann-Whitney U testi uygulanmıştır. Bütün modellərin toplu dəyərlendirmesinde U=352704 və p=0,501 bulunmuştur. Mənbə bu sonucu kapsullaşdırmanin genel model performansında statistik olarak əhəmiyyətli kayıp oluşturmadığı şeklinde şərhlamaktadır.

Model bazındaki p dəyərlerinin çoğu p<0,001 olmasına rağmen farkların istiqamətü modelden modele değişmektedir. Örneğin CBLOF və KNN kapsullaşdırılmış sensorle daha yüksek, IForest, COPOD və Anomaly-Transformer ise kapsullaşdırılmamış karşılaştırmada daha yüksek skorlar göstermiştir. Bu nəticə genel ortanın altında farklı model-sinyal etkiləşimleri bulunduğunu göstərir.

En önemli vəri məhdudlığı

Tədqiqatda çok sayıda kaydırmalı pəncərə bulunmasına rağmen bunların önemli bölməü az sayıdaki bağımsız əməliyyat segmentinden türetilmektedir. Pəncərə sayısının yüksek olması bağımsız deney sayısının aynı ölçüde yüksek olduğu anlamına gelmez.

Beş katlı çarpaz təsdiqləməda AUC-ROC dəyərlerinin bazı katlar arasında 0,6'ya kadar değişebilmesi, model performansının hangi əməliyyat segmentinin test bölməüne düştüğünden etkiləndiğini göstərir. Bu nedenle orta performans, tek bir en yüksek skordan daha əhəmiyyətli genelleme göstergesi olarak qiymətləndirilmişdir.

Saha tətbiqsına geçişte çözülmesi gereken başlıca sorunlar

• Daha derin nasoslarda uzun sinyal ilətim mesafesi,
• xam neft və farklı kimyasal axınkanlarla malzeme uyumluluğu,
• yüksək temperatur və təzyiq çevrimlerinde kapsül sızdırmazlığı,
• yüksek frekanslı sürekli vəri axınının tamponlanması,
• değişen əməliyyat noktalarında anomali eşiklerinin uyarlanması,
• yanlış alarm bastırma və alarm kalıcılık mantığı,
• nasos yaşlanmasına bağlı uzun dönem model sürüklenmesi,
• real mekanik arızalarla sahə təsdiqləməsı

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: In-Situ Monitoring of Submerged Pump Impellers Using Encapsulated Accelerometers and Machine Learning

Müəlliflər, mənbə sırası ilə: Sahil P. Wankhede; Xiangdong Xie; Ali H. Alshehri; Keith W. Brashler; Mohammad Ba’adani; Doru C. Turcan; Kamal Youcef-Toumi; Xian Du.

Eş katkı/eş birinci yazar: Yüklenen sürümde eş katkı və ya eş birinci yazar beyanı bulunmamaktadır.

Məsul müəllif: Xian Du — xiandu@umass.edu

Qurumlar: Department of Mechanical Engineering, Univərsity of Massachusetts Amherst, Center for Personalized Health Monitoring, Institute for Applied Life Sciences, Amherst, Massachusetts, USA; College of Information and Computer Science, Univərsity of Massachusetts Amherst, Amherst, Massachusetts, USA; Saudi Arabian Oil Company (Saudi Aramco), Dhahran, Saudi Arabia; Massachusetts Institute of Technology, Cambridge, Massachusetts, USA.

Mənbə türü və hakemlik durumu: Bu tədqiqat hakem dəyərlendirmesinden geçmemiş bir preprinttir; nəticələrı bu yayın mərhələsı dikkate alınarak dəyərlendirilmelidir.

Platform: SSRN.

SSRN Abstract ID: 6932283.

DOI: 10.2139/ssrn.6932283

Resmî bağlantı: https://ssrn.com/abstract=6932283

Yayın yılı: Bibliyografik SSRN kaydı 2026 olarak listelenmektedir.

Dergi: Yüklenen sürüm bir hakemli dergi makalesi deyildir. Bibliyografik kontrolde bu başlık altında ayrı bir hakemli dergi sürümü doğrulanmamıştır.

Önceki preprint sürümü hakkında not: Aynı yazar grubunun 2025 tarihli arXiv:2509.16086 sürümü “In-Situ Fault Detection of Submerged Pump Impellers Using Encapsulated Accelerometers and Machine Learning” başlığını daşıyır. Yüklenen SSRN sürümünde başlık “In-Situ Monitoring...” olarak değiştirilmiştir. Bu Verianla makalesinde bilimsel mənbə-of-truth olarak yüklenen SSRN 6932283 sürümü kullanılmış və iki sürümün metinleri birleştirilmemiştir.

Lisans: Yüklenen SSRN sürümünde şekillerin yeniden kullanımına istiqamətelik açık bir Creativə Commons lisans beyanı tespit edilmemiştir. Bu nedenle mənbə şekilleri bire bir kopyalanmamış; metod və sayısal bulgular metin, standart HTML tabloları və Verianla Livə vəri yapılarıyla aktarılmıştır.

Maliyyələşmə: Tədqiqat Saudi Arabian Oil Company (Saudi Aramco) tarafından desteklenmiştir.

Təşəkkür: Yazarlar Saudi Aramco'ya teknik istiqamətlendirme və endüstriyel problemin belirlenmesindeki iş birliği, MIT'ye ise teknik və mühendislik görüşleri üçün teşekkür etmektedir.

Maraqlar toqquşması: Ali H. Alshehri, Keith W. Brashler, Mohammad Ba’adani və Doru C. Turcan, tədqiqatyı destekleyen Saudi Arabian Oil Company ilə bağlantılıdır. Diğer yazarlar rekabet eden çıkar bildirmemektedir. Yazarlar görüş və nəticələrın Saudi Aramco'nun görüşlerini zorunlu olarak temsil etmediğini ayrıca belirtmektedir.

Veri əlçatanlığı: Yüklenen sürümde ayrı bir vəri erişiləbilirliği və ya açık vəri deposu beyanı tespit edilmemiştir.

CRediT/yazar katkıları: Yüklenen sürümde ayrıntılı CRediT katkı tablosu bulunmamaktadır.

Mənbə daxilii metodsel tutarsızlıklar: Kademeli klapan değişimi ana metod bölməünde təxminən 30 saniyə olarak tanımlanırken ek test protokolünde %75'e mərhələli kapanma 1 dəqiqə olarak vərilmektedir. Manuel klapan hareketine ilişkin zamanlama belirsizliği bir bölməde təxminən ±2 saniyə, məhdudiyyətlar bölməünde ise ±2–3 saniyə olarak qeyd edilir. Bu farklılıklar sessizce birleştirilmemiştir.

Performans metriği hakkında not: Özette vurgulanan %91,3 orta sinif dəqiqliyi və 0,973 AUC-ROC kapsullaşdırılmış impeller sensorunün en yüksek nəticələrıdır. Cədvəl 4'te aynı sensor üçün orta AUC-ROC 0,816 və orta sinif dəqiqliyi %63,0 olarak vərilmektedir. Bu nedenle en iyi kat/konfiqurasiya dəyərleri genel orta performans gibi şərhlanmamalıdır.

Elmi şərh sərhədi: Tədqiqat təxminən 1 m daldırma, hidravlik yağ və təxminən 25 °C laboratoriya şəraitində yürütülen bir proof-of-concept deneyidir. Klapan və yağ seviyesi değişiklikleri anormal iş şəraiti oluşturmak üçün istifadə edilmişdir. Gerçek ilərleyici mekanik arızalar, real petrol sahəsı derinlikleri, xam neft kimyası, yüksək temperatur-təzyiq çevrimleri və uzun dönem sahə işletimi doğrudan doğrulanmamıştır.

Verianla metod qeydi: Bilimsel daxilierik yüklenen tədqiqatın deney düzeneği, metodleri, tabloları, grafik izahları, model nəticələrı, statistik analizleri və məhdudiyyətlarına dayanmaktadır. Dış bibliyografik kontrol yalnız tədqiqat kimliği, SSRN DOI'si, önceki arXiv sürümü və güncel yayın durumunun doğrulanması üçün kullanılmış; başka mənbəlardan yeni nasos performansı və ya maşın öyrənməsi sonucu eklenmemiştir.