Araştırma, petrol ve gaz uygulamalarındaki dikey türbin pompalarında titreşim sensörünü geleneksel motor veya rulman konumlarından alıp doğrudan yağ altında çalışan çark haznesinin yakınına yerleştirmenin anormal çalışma koşullarını ayırt etmeyi geliştirip geliştirmediğini incelemektedir. Araştırmacılar yağ altında çalışabilmesi için epoxy-fluoroelastomer yapıyla kapsüllenmiş bir ivmeölçeri çark haznesine monte etmiş; aynı pompanın motor ve rulman bölgelerindeki sensörlerle eş zamanlı titreşim verisi toplamıştır. Valf kapanmaları ve yağ seviyesindeki kontrollü değişimler anormal çalışma koşulları olarak kullanılmış, veriler geleneksel ve derin öğrenme tabanlı toplam 10 anomali tespit modeliyle değerlendirilmiştir.

Laboratuvar koşullarında çarka yakın sensörler özellikle özellik-tabanlı modellerde motor ve rulman sensörlerinden daha fazla tanısal bilgi sağlamıştır. Özellik-tabanlı modeller için çark sensörlerinin medyan maksimum AUC-ROC değeri 0,950 olarak raporlanırken, bütün yağ üstü sensörlerin birlikte değerlendirilmesinde 0,911 ve en iyi çark dışı sensör olan eksenel rulman sensöründe 0,901 elde edilmiştir. Kapsüllenmiş çark sensörü için bütün model ve konfigürasyonlar üzerinden bildirilen ortalama AUC-ROC 0,816, ortalama sınıf doğruluğu %63,0; en iyi sonuçlar ise 0,973 AUC-ROC ve %91,3 ortalama sınıf doğruluğudur.

Kapsülleme, bütün modeller birlikte değerlendirildiğinde anomali tespit performansında istatistiksel olarak anlamlı bir genel kayıp oluşturmamıştır. Bununla birlikte model bazında sonuçlar aynı yönde değildir: bazı algoritmalar kapsüllenmemiş sensörle daha iyi, bazıları ise kapsüllenmiş sensörle daha iyi performans göstermiştir. Bu nedenle araştırmanın desteklediği sonuç, kapsüllemenin titreşim sinyalindeki bütün etkileri ortadan kaldırdığı değil; koruyucu yapı kullanıldıktan sonra da anomali tespiti için yeterli bilgi taşıyan titreşim sinyalinin korunabildiğidir.

Çalışmanın önemli sınırı saha yerine kontrollü laboratuvar koşullarında yapılmış olmasıdır. Pompa yaklaşık 1 m yağ altında çalıştırılmış, akışkan olarak ham petrol yerine ISO 46 hidrolik yağ kullanılmış ve deneyler yaklaşık 25 °C'de yürütülmüştür. Test edilen anomaliler valf kısılması ve yağ seviyesinin düşürülmesiyle oluşturulan çalışma koşullarıdır; çark balanssızlığı, mil kaçıklığı, kavitasyon, rulman bozulması veya başka ilerleyici mekanik arızalar deneysel olarak oluşturulmamıştır. Bu nedenle sonuçlar doğrudan gerçek petrol sahasında erken arıza teşhis başarısı olarak yorumlanamaz.

Türkiye açısından anlamı: Yakıt, petrokimya, rafineri, enerji ve proses tesislerinde kullanılan dikey pompaların büyük bölümünde titreşim ölçümünün yalnız kolay erişilebilen motor veya rulman bölgelerinden yapılması, sıvı içinde ve kaynağa yakın gelişen dinamik değişimlerin yüzeye ulaşana kadar zayıflaması riskini taşır. Çalışmanın önerdiği yaklaşım Türkiye'deki ağır proses tesislerinde doğrudan uygulanmış veya doğrulanmış değildir; ancak yağ altında çalışabilen kapsüllenmiş titreşim sensörlerini kritik pompa kademelerine yaklaştırma fikri yerel kestirimci bakım Ar-Ge'si için test edilebilir. Gerçek uygulama için ham petrol kimyası, yüksek sıcaklık, basınç çevrimleri, daha büyük daldırma derinlikleri, uzun kablo mesafeleri, gerçek mekanik arızalar ve uzun dönem sensör dayanımı ayrıca doğrulanmalıdır.

Neden motor üzerindeki sensörler her zaman yeterli olmayabilir?

Dikey türbin pompalarında motor ve üst rulmanlar bakım personeli tarafından kolay erişilebilir konumdadır. Bu nedenle geleneksel koşul izleme uygulamalarında ivmeölçerler çoğunlukla bu bölgelerde bulunur. Çark ise sıvı altında ve motor sensöründen yapısal olarak daha uzakta çalışır.

Bir titreşim kaynağından çıkan mekanik enerji pompa mili, kolon, yataklar, gövde ve bağlantılar boyunca ilerlerken değişebilir veya zayıflayabilir. Araştırmanın temel sorusu, anormal çalışma durumuna en yakın bölgede bulunan bir sensörün, yüzeydeki sensörlerden daha bilgilendirici bir titreşim imzası sağlayıp sağlayamayacağıdır.

Çalışmada kullanılan laboratuvar düzeneğinin daldırma mesafesi yaklaşık 1 m olduğu için üst sensörlerle çark sensörü arasındaki fiziksel mesafe gerçek petrol sahalarındaki bazı kurulumlara göre oldukça küçüktür. Yazarlar da bazı motor sensörlerinin derin modellerde çark sensörüne yakın veya daha iyi sonuç vermesini kısmen bu kompakt laboratuvar geometrisiyle ilişkilendirmektedir.

Sensör neden kapsüllenmek zorunda?

Çark bölgesine sensör yerleştirmek ölçüm açısından avantajlı olsa da bu bölge sıcak hidrokarbon, kimyasal bileşenler, partiküller ve uzun servis aralıkları nedeniyle elektronik sensörler açısından zorlu bir ortamdır. Çalışmada çarka monte edilen Sr#8a sensörü yağ temasından korunmak amacıyla epoxy-fluoroelastomer bir koruyucu yapıyla kapsüllenmiştir.

Mevcut araştırma kapsül malzemesinin uzun süreli kimyasal dayanımını yeniden test eden bir malzeme çalışması değildir. Yazarlar bu konuda daha önce gerçekleştirdikleri ayrı çalışmalarına atıf yapmakta, mevcut deneyde ise asıl olarak kapsüllemeden sonra titreşim sinyalinin makine öğrenmesi açısından kullanılabilir kalıp kalmadığını değerlendirmektedir.

Laboratuvar pompası nasıl oluşturuldu?

Deney düzeneğinde iki kademeli ITT Goulds VS6 dikey türbin pompası kullanılmıştır. Pompanın nominal hızı 1770 RPM'dir ve en iyi verim noktası kaynakta %62 akış, yani yaklaşık 26,2 US galon/dakika olarak verilmiştir.

Pompa kapalı çevrimde çalıştırılmış; yağ aynı rezervuardan çekilip tekrar aynı rezervuara döndürülerek deneyler arasında akışkan özelliklerinin mümkün olduğunca tutarlı kalması amaçlanmıştır.

Sensörler nereye yerleştirildi?

Araştırmacılar motor, pompa rulmanı ve çark haznesinde farklı yönlerde ivmeölçerler kullanmıştır. Ana sensör-informatifliği karşılaştırmasında yedi adet yağ seviyesinin üzerindeki motor/rulman sensörü ile bir adet kapsüllenmiş çark sensörü değerlendirilmiştir. Kapsülleme etkisini değerlendiren ayrı karşılaştırmada ise çark haznesine kapsüllenmiş sensörün yanına iki kapsüllenmemiş kontrol sensörü yerleştirilmiştir.

Şekil 1 ve Şekil 3 deney mantığını nasıl gösteriyor?

Şekil 1'de motor üzerine yerleştirilen geleneksel sensör ile yağ seviyesinin altında çark haznesine monte edilen kapsüllenmiş sensör aynı sistem üzerinde gösterilmektedir. Sensör sinyalleri veri toplama ünitesine, oradan da makine öğrenmesi analizine aktarılmaktadır. Böylece çalışmanın temel yaklaşımı fiziksel olarak “ölçümü arızaya/anormalliğe yakınlaştırmak” ve elde edilen titreşimi veri analiziyle değerlendirmek üzerine kurulmuştur.

Şekil 3 ise sensörlerin gerçek laboratuvar pompasındaki konumlarını göstermektedir. Motorun iç/dış bölgelerinde ve rulman çevresinde kullanılan sensörlerle çark haznesindeki sensör arasındaki yerleşim farkı bu şekilde doğrudan görülebilmektedir.

Anormal çalışma koşulları nasıl oluşturuldu?

Normal durumda motor 1770 RPM'de çalıştırılmış, deşarj valfi tamamen açık tutulmuş ve yağ seviyesi minimum daldırma seviyesinin üzerinde tutulmuştur.

İki temel anormal durum ailesi oluşturulmuştur:

1. Valf değişimleri: Deşarj valfi %25, %50 ve %75 seviyelerine getirilerek akış kısıtlanmıştır. Ani ve kademeli değişimler test edilmiştir.
2. Yağ seviyesi değişimleri: Yağ seviyesi minimum daldırma seviyesinin altına ve daha sonra birinci kademe çarkın altına düşürülmüştür. İkinci durumda yağ akışı kesilmektedir.

Bu koşullar gerçek mekanik arıza değildir. Çalışmada “anomaly”, sensörün normal çalışma temelinden farklılaşmasını sağlayan kontrollü işletme koşulu anlamında kullanılmaktadır.

Kaynak içi zamanlama belirsizliği: Ana yöntem bölümünde kademeli valf değişimi yaklaşık 30 saniye olarak tanımlanırken ek test protokolünde %75'e kademeli kapanmanın 1 dakika sürdüğü belirtilmektedir. Manuel valf hareketlerinden kaynaklanan zamanlama belirsizliği de bir bölümde yaklaşık ±2 saniye, sınırlılıklar bölümünde ±2–3 saniye olarak verilmektedir. Bu değerler burada tek bir sayıya dönüştürülmemiştir.

Ham titreşim neden doğrudan yeterli görülmedi?

Şekil 2, sekiz sensör kanalının normal akış ile valf değişimi sırasındaki sinyallerini karşılaştırmaktadır. Örnekleme frekansı 4000 Hz olduğu için doğrudan çizim çok yoğun olduğundan görselleştirme amacıyla Gaussian yumuşatma uygulanmıştır. Kaynak, normal ve anormal sinyaller arasında çıplak gözle güçlü ve kolay seçilebilir kalıplar bulunmadığını vurgulamaktadır.

Bu nedenle çalışma makine öğrenmesini yalnız bir “sınıflandırıcı ekleme” adımı olarak değil, çok boyutlu titreşim özellikleri arasındaki daha ince farkları ortaya çıkarmak amacıyla kullanmaktadır.

Veri nasıl pencerelendi?

Her sensör kanalı önce eğitim bölümünden hesaplanan ortalama ve standart sapma kullanılarak ortalaması 0 ve standart sapması 1 olacak biçimde standardize edilmiştir. Test verisinin standardizasyonunda eğitim verisinden hesaplanan parametrelerin aynısı kullanılmıştır; böylece test bilgisinin ön işleme aşamasında eğitime sızması azaltılmaya çalışılmıştır.

Pencere süreleri:

• 0,25 saniye,
• 0,5 saniye,
• 1 saniye,
• 3 saniye

olarak seçilmiş; pencere bindirme oranları ise %90, %75, %50 ve %0 olarak test edilmiştir. Böylece dört pencere süresi ile dört bindirme oranından oluşan 16 temel pencereleme konfigürasyonu değerlendirilmiştir.

Valf değişiminin gerçekleştiği kayıtlarda normal ve anormal zaman aralıkları pencerelemeden önce ayrılmıştır. Amaç, aynı pencerenin içinde hem normal hem anormal etiketli bölüm bulunmasını önlemektir.

İstatistiksel ve spektral özellikler nelerdi?

Geleneksel özellik-tabanlı modeller için her kanal üzerinde 13 istatistiksel ve 15 spektral özellik hesaplanmıştır.

İstatistiksel özellikler arasında mutlak enerji, ortalama güç, entropi, kurtosis, maksimum, ortalama, ortalama mutlak sapma, medyan, medyan mutlak sapma, minimum, RMS, çarpıklık ve standart sapma bulunmaktadır.

Spektral özellikler 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 ve wavelet mutlak ortalaması bulunmaktadır.

Bu özellik hesaplamaları TSFEL Python paketiyle gerçekleştirilmiştir.

Derin öğrenme modellerine aynı özellikler verilmedi

Çalışmanın önemli yöntem ayrımlarından biri, derin modellerin 28 adet elle oluşturulmuş özelliği kullanmamasıdır. Derin zaman serisi modelleri standardize edilmiş zaman alanı sinyallerini, bir boyutlu Gaussian yumuşatma ve alt örnekleme sonrasında doğrudan işlemektedir.

Bu nedenle çalışma iki farklı yaklaşımı karşılaştırmaktadır:

• Özellik mühendisliği: Titreşimi istatistiksel ve frekans alanı özetlerine dönüştürüp daha klasik anomali modellerine vermek.
• Temsil öğrenme: Azaltılmış zaman dizisini derin modelin kendisinin öğrenmesine bırakmak.

Hangi 10 model kullanıldı?

Altı özellik-tabanlı 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).

Kaynak Autoencoder ve DeepSVDD sinir ağı içerse de bunları elle çıkarılan özellik vektörlerini kullanan “feature-based” grup altında değerlendirmektedir.

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.

Modeller neden yalnız normal veriyle eğitildi?

Gerçek endüstriyel pompalarda arızalı durum verisinin az ve elde edilmesinin pahalı olabileceği gerekçesiyle çalışma tek-sınıflı veya yarı denetimli anomali tespit yaklaşımını kullanmıştır. Modeller yalnız normal çalışma segmentleriyle eğitilmiş, anormal çalışma segmentleri test sırasında kullanılmıştır.

Model çıktısı doğrudan “normal/anormal” etiketi değil, anomali skorudur. Sınıflandırma eşiği eğitim verisindeki normal anomali skorlarının üst kuyruğundan belirlenmiştir. Çalışmada %0,1, %1, %5, %10 ve %20 eşik yüzdelikleri denenmiştir.

Veri sızıntısını azaltmak için ne yapıldı?

Bir çalışma segmentinden yüzlerce veya binlerce birbirine yüksek korelasyonlu kaydırmalı pencere üretilebildiği için rastgele pencere bazlı eğitim/test ayrımı aşırı iyimser sonuç üretebilirdi. Araştırmacılar bu nedenle beş katlı çapraz doğrulamayı tek tek pencereler yerine işletme segmentleri düzeyinde yapmıştır.

Bu tasarım veri sızıntısı riskini azaltmaktadır; ancak bağımsız çalışma segmentlerinin sayısı yine sınırlıdır. Sonuç bölümünde katlar arasında AUC-ROC farklarının bazı koşullarda 0,6'ya kadar çıkması, veri kümesinin bölünme biçimine karşı hâlâ önemli duyarlılık bulunduğunu göstermektedir.

Neden beşinci çapraz doğrulama katı önemli?

Beşinci katta normal test koşulu sabit akış verisini içerdiğinde performans belirgin biçimde düşmüştür. Araştırmacılar bu düşüşün nedenini çözemedikleri için katı analizden çıkarmamıştır.

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

Çark sensörü gerçekten daha bilgilendirici miydi?

Özellik-tabanlı modellerde çark sensörü belirgin avantaj göstermiştir. Kaynak, çark bölgesindeki kapsüllenmiş ve kapsüllenmemiş sensörlerin medyan maksimum AUC-ROC değerini 0,950 olarak vermektedir. Bütün yağ üstü sensörler için bu değer 0,911, en iyi çark dışı sensör olan eksenel rulman sensörü için ise 0,901'dir.

Bu sonuç, laboratuvar koşullarında anormal akış ve yağ seviyesi değişimlerine yakın noktadan alınan titreşimin özellik-tabanlı anomali modellerine daha güçlü ayırıcı bilgi sağlayabildiğini desteklemektedir.

Derin modellerde konum farkı daha küçüktür. LSTM-Autoencoder ve Anomaly-Transformer gibi bazı modellerde bazı motor sensörleri çark sensöründen az farkla daha yüksek sonuç vermiştir. Dolayısıyla kaynak “çark sensörü bütün model ve bütün koşullarda daima üstündür” sonucunu desteklememektedir.

%91,3 ve 0,973 değerleri nasıl okunmalı?

Özette vurgulanan %91,3 ortalama sınıf doğruluğu ve 0,973 AUC-ROC, kapsüllenmiş çark sensörünün en yüksek/best-case sonuçlarıdır.

Tablo 4 aynı sensör için daha geniş performans özetini şöyle vermektedir:

Bu tablo kapsüllenmiş sensörün en iyi testte güçlü sonuç verebildiğini, ancak kapsüllenmemiş kontrol sensörlerinin best-case skorlarının daha yüksek olduğunu da göstermektedir. Çalışmanın kapsülleme açısından ana sonucu maksimum skor eşitliği değil, bütün modeller topluca değerlendirildiğinde genel performans kaybının istatistiksel olarak anlamlı olmamasıdır.

Kapsülleme için istatistiksel test ne gösterdi?

Kapsüllenmiş ve kapsüllenmemiş çark sensörlerinden elde edilen AUC-ROC dağılımları önce Shapiro-Wilk normallik testiyle değerlendirilmiştir. Bütün modeller için normallik testi p<0,001 olduğundan dağılımlar normal kabul edilmemiş ve parametrik olmayan Mann-Whitney U testi kullanılmıştır.

Bütün modellerin toplu karşılaştırmasında:

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

olarak raporlanmıştır. p=0,501 sonucu genel kapsülleme etkisinin istatistiksel olarak anlamlı olmadığını desteklemektedir.

Buna karşılık model bazında sonuçlar farklıdır. IForest, COPOD ve Anomaly-Transformer gibi bazı modeller kapsüllenmemiş sensörde daha yüksek değerler verirken CBLOF ve KNN kapsüllenmiş sensörde belirgin biçimde daha iyi performans göstermiştir. Bu karışık yönlü sonuçlar kapsülün titreşim iletimini tamamen etkisiz bırakmadığını, fakat tanısal bilgiyi ortadan kaldırmadığını düşündürmektedir.

İstatistiksel özellikler mi, spektral özellikler mi daha iyi?

Şekil 6'da özellik-tabanlı modeller için istatistiksel özelliklerin genel olarak spektral özelliklerden daha yüksek AUC-ROC ürettiği görülmektedir. Aynı zamanda daha uzun veri pencereleri çoğu modelde performansı artırma eğilimi göstermektedir.

Bu sonuç belirli bir tek özelliğin tüm performansı sağladığını göstermemektedir. Çalışma 13 istatistiksel ve 15 spektral özelliği toplu temsil olarak kullanmış ve özellik gruplarının genel etkisini karşılaştırmıştır.

Pencere bindirmesi ne kadar önemliydi?

%0 ile %90 arasındaki bindirme oranlarında model performansı genel olarak benzer kalmıştır. Araştırmacılar bunu yeterli sayıda pencere elde edildikten sonra tam pencere başlangıç konumunun performansın tek belirleyicisi olmadığının göstergesi olarak yorumlamaktadır.

Bununla birlikte manuel valf hareketlerinin kesin zaman sınırları bulunmadığından geçiş bölgesindeki etiketler yaklaşık kabul edilmelidir.

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

AUC-ROC modelin normal ve anormal örnekleri sıralama yeteneğini sınıflandırma eşiğinden bağımsız değerlendirir. Uygulamada ise alarm üretmek için belirli bir anomali skoru eşiği gereklidir.

Çalışmada bazı modeller yüksek AUC-ROC elde etmesine rağmen sabit üst-kuyruk eşikleri kullanıldığında aynı ölçüde yüksek ortalama sınıf doğruluğu sağlamamıştır. Bu sonuç, iyi sıralama performansının otomatik olarak iyi saha alarm eşiği anlamına gelmediğini göstermektedir.

Derin modeller için %20 üst-kuyruk eşiğinde kapsüllenmiş çark sensörünün ortalama sınıf doğruluğu %74,4, eksenel rulman sensörünün ise %74,1 olarak verilmiştir. Bu iki değerin yakınlığı, laboratuvar koşullarında bazı eşik seçimlerinde yüzey sensörlerinin de rekabetçi kalabildiğini göstermektedir.

Gerçek zamanlı izleme mümkün mü?

Mevcut çalışma verileri çevrimdışı analiz etmiştir. Yazarlar aynı yaklaşımın kaydırmalı pencere tabanlı çevrim içi sisteme dönüştürülebileceğini belirtmektedir. Böyle bir uygulamada sensör akışı tamponlanacak, standardize edilecek, özellik veya zaman dizisi temsiline dönüştürülecek ve her yeni pencerede anomali skoru hesaplanacaktır.

Çalışmada iForest ve COPOD gibi hafif modellerin uygulamadaki çıkarım sürelerinin bir saniyenin altında olduğu belirtilmektedir. Buna rağmen yazarlar gerçek saha uygulamasında asıl zorluğun yalnız hesaplama olmadığını; yağ altındaki sensörden güvenilir veri iletimi, uzun kablo mesafeleri, değişen çalışma rejimlerine göre eşik yönetimi, yanlış alarm bastırma ve zaman içinde yeniden kalibrasyon gibi mühendislik sorunlarının daha kritik olacağını vurgulamaktadır.

Çalışmanın desteklediği sonuçlar

• Kapsüllenmiş bir ivmeölçer laboratuvar koşullarında yağ altında çark haznesine monte edilerek kullanılabilir titreşim verisi sağlayabilmiştir.
• Çarka yakın sensörler özellikle özellik-tabanlı anomali modellerinde motor ve rulman sensörlerinden daha fazla ayırıcı bilgi sağlamıştır.
• Özellik-tabanlı modeller için çark sensörlerinin medyan maksimum AUC-ROC değeri 0,950 olarak raporlanmıştır.
• Kapsüllenmiş sensör için en iyi sonuç 0,973 AUC-ROC ve %91,3 ortalama sınıf doğruluğudur.
• Kapsüllenmiş sensörün tüm konfigürasyonları kapsayan ortalama sonuçları 0,816 AUC-ROC ve %63,0 ortalama sınıf doğruluğudur.
• Bütün modeller birlikte değerlendirildiğinde kapsülleme nedeniyle istatistiksel olarak anlamlı bir genel AUC-ROC kaybı tespit edilmemiştir.
• İstatistiksel özellikler incelenen özellik-tabanlı modellerde genel olarak spektral özelliklerden daha iyi performans göstermiştir.
• Daha uzun pencere süreleri çoğu modelde performansı iyileştirme eğilimi göstermiştir.
• İşletme segmenti düzeyindeki çapraz doğrulama, aynı segmentten türetilen pencerelerin eğitim ve teste karışmasından kaynaklanabilecek veri sızıntısını azaltmayı amaçlamıştır.

Çalışmanın desteklemediği veya test etmediği sonuçlar

• Çalışma gerçek petrol sahasında saha doğrulaması sunmamaktadır.
• Çalışma yüzlerce metre daldırılmış pompa koşullarını deneysel olarak test etmemiştir.
• Mevcut deneyler ham petrol yerine hidrolik yağ kullanmaktadır.
• Mevcut deneyler yüksek sıcaklıkta değil yaklaşık 25 °C'de yapılmıştır.
• Çark balanssızlığı, kavitasyon, mil kaçıklığı veya rulman bozulması gibi ilerleyici mekanik arızalar test edilmemiştir.
• %91,3 doğruluk ve 0,973 AUC-ROC genel ortalama performans değildir; en iyi durum sonuçlarıdır.
• Çark sensörü bütün makine öğrenmesi modellerinde bütün yağ üstü sensörlerden üstün değildir.
• Kapsüllemenin sinyali hiç değiştirmediği gösterilmemiştir; yalnız genel tanısal performans kaybı istatistiksel olarak anlamlı bulunmamıştır.
• Bir laboratuvar veri kümesindeki model metriği gerçek saha arıza yakalama oranına eşit değildir.
• Uzun dönem saha kablolaması, telemetri, basınç çevrimleri ve gerçek işletme sürüklenmesi bu çalışmada doğrulanmamıştır.

Çalışmanın Yöntemi ve Bulguları

Deney düzeneğinin teknik özeti

Normal ve anormal çalışma koşulları

Veri ön işleme

Kullanılan modeller

Ana performans bulguları

Kapsülleme istatistiği

Kapsüllenmiş ve kapsüllenmemiş çark sensörü performans dağılımları normal dağılmadığı için Mann-Whitney U testi uygulanmıştır. Bütün modellerin toplu değerlendirmesinde U=352704 ve p=0,501 bulunmuştur. Kaynak bu sonucu kapsüllemenin genel model performansında istatistiksel olarak anlamlı kayıp oluşturmadığı şeklinde yorumlamaktadır.

Model bazındaki p değerlerinin çoğu p<0,001 olmasına rağmen farkların yönü modelden modele değişmektedir. Örneğin CBLOF ve KNN kapsüllenmiş sensörle daha yüksek, IForest, COPOD ve Anomaly-Transformer ise kapsüllenmemiş karşılaştırmada daha yüksek skorlar göstermiştir. Bu sonuç genel ortalamanın altında farklı model-sinyal etkileşimleri bulunduğunu göstermektedir.

En önemli veri sınırlılığı

Çalışmada çok sayıda kaydırmalı pencere bulunmasına rağmen bunların önemli bölümü az sayıdaki bağımsız işletme segmentinden türetilmektedir. Pencere sayısının yüksek olması bağımsız deney sayısının aynı ölçüde yüksek olduğu anlamına gelmez.

Beş katlı çapraz doğrulamada AUC-ROC değerlerinin bazı katlar arasında 0,6'ya kadar değişebilmesi, model performansının hangi işletme segmentinin test bölümüne düştüğünden etkilendiğini göstermektedir. Bu nedenle ortalama performans, tek bir en yüksek skordan daha anlamlı genelleme göstergesi olarak değerlendirilmiştir.

Saha uygulamasına geçişte çözülmesi gereken başlıca sorunlar

• Daha derin pompalarda uzun sinyal iletim mesafesi,
• ham petrol ve farklı kimyasal akışkanlarla malzeme uyumluluğu,
• yüksek sıcaklık ve basınç çevrimlerinde kapsül sızdırmazlığı,
• yüksek frekanslı sürekli veri akışının tamponlanması,
• değişen işletme noktalarında anomali eşiklerinin uyarlanması,
• yanlış alarm bastırma ve alarm kalıcılık mantığı,
• pompa yaşlanmasına bağlı uzun dönem model sürüklenmesi,
• gerçek mekanik arızalarla saha doğrulaması

Kaynak ve Yöntem Notu

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

Yazarlar, kaynak sırasıyla: 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 veya eş birinci yazar beyanı bulunmamaktadır.

Sorumlu yazar: Xian Du — xiandu@umass.edu

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

Kaynak türü ve hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu yayın aşaması dikkate alınarak değerlendirilmelidir.

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 değildir. 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 taşımaktadır. Yüklenen SSRN sürümünde başlık “In-Situ Monitoring...” olarak değiştirilmiştir. Bu Verianla makalesinde bilimsel kaynak-of-truth olarak yüklenen SSRN 6932283 sürümü kullanılmış ve iki sürümün metinleri birleştirilmemiştir.

Lisans: Yüklenen SSRN sürümünde şekillerin yeniden kullanımına yönelik açık bir Creative Commons lisans beyanı tespit edilmemiştir. Bu nedenle kaynak şekilleri bire bir kopyalanmamış; yöntem ve sayısal bulgular metin, standart HTML tabloları ve Verianla Live veri yapılarıyla aktarılmıştır.

Finansman: Çalışma Saudi Arabian Oil Company (Saudi Aramco) tarafından desteklenmiştir.

Teşekkür: Yazarlar Saudi Aramco'ya teknik yönlendirme ve endüstriyel problemin belirlenmesindeki iş birliği, MIT'ye ise teknik ve mühendislik görüşleri için teşekkür etmektedir.

Çıkar çatışması: Ali H. Alshehri, Keith W. Brashler, Mohammad Ba’adani ve Doru C. Turcan, çalışmayı destekleyen Saudi Arabian Oil Company ile bağlantılıdır. Diğer yazarlar rekabet eden çıkar bildirmemektedir. Yazarlar görüş ve sonuçların Saudi Aramco'nun görüşlerini zorunlu olarak temsil etmediğini ayrıca belirtmektedir.

Veri erişilebilirliği: Yüklenen sürümde ayrı bir veri erişilebilirliği veya açık veri deposu beyanı tespit edilmemiştir.

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

Kaynak içi yöntemsel tutarsızlıklar: Kademeli valf değişimi ana yöntem bölümünde yaklaşık 30 saniye olarak tanımlanırken ek test protokolünde %75'e kademeli kapanma 1 dakika olarak verilmektedir. Manuel valf hareketine ilişkin zamanlama belirsizliği bir bölümde yaklaşık ±2 saniye, sınırlılıklar bölümünde ise ±2–3 saniye olarak belirtilmektedir. Bu farklılıklar sessizce birleştirilmemiştir.

Performans metriği hakkında not: Özette vurgulanan %91,3 ortalama sınıf doğruluğu ve 0,973 AUC-ROC kapsüllenmiş çark sensörünün en yüksek sonuçlarıdır. Tablo 4'te aynı sensör için ortalama AUC-ROC 0,816 ve ortalama sınıf doğruluğu %63,0 olarak verilmektedir. Bu nedenle en iyi kat/konfigürasyon değerleri genel ortalama performans gibi yorumlanmamalıdır.

Bilimsel yorum sınırı: Çalışma yaklaşık 1 m daldırma, hidrolik yağ ve yaklaşık 25 °C laboratuvar koşullarında yürütülen bir proof-of-concept deneyidir. Valf ve yağ seviyesi değişiklikleri anormal çalışma koşulları oluşturmak için kullanılmıştır. Gerçek ilerleyici mekanik arızalar, gerçek petrol sahası derinlikleri, ham petrol kimyası, yüksek sıcaklık-basınç çevrimleri ve uzun dönem saha işletimi doğrudan doğrulanmamıştır.

Verianla yöntem notu: Bilimsel içerik yüklenen çalışmanın deney düzeneği, yöntemleri, tabloları, grafik açıklamaları, model sonuçları, istatistiksel analizleri ve sınırlılıklarına dayanmaktadır. Dış bibliyografik kontrol yalnız çalışma kimliği, SSRN DOI'si, önceki arXiv sürümü ve güncel yayın durumunun doğrulanması için kullanılmış; başka kaynaklardan yeni pompa performansı veya makine öğrenmesi sonucu eklenmemiştir.