Бул изилдөө, шамал турбиналары, күн трекер механизмдери ve энергия сактоо объекттери gibi кайра жаралуучу энергия колдонмолорунда kullanılabilecek электропневматикалык аткаргычтарde başlangıç aşamasındaki аномалияларды belirlemeyi максат кылат. Изилдөөчүлөр, çift etkili bir пневматикалык цилиндрin басым, hacim, пистон абалы, аба чыгымы ve kuvvet ilişkilerini matematiksel olarak модельlemiş; FluidSIM симуляциясы ve FESTO окуу стендиndan elde edildiği belirtilen сенсор маалыматтарыni bir колдоо вектор машинасы классификаторsıyla изилдеген.

Sunulan SVM модели, нормалдуу жана аномалдуу изилдөө durumlarından oluşan dengeli тест топтомуnde yüzde 90,2 doğruluk elde etmiştir. Anomali sınıfı için тактык yüzde 87, сезгичтик болжол менен yüzde 94,5 ve F1 упайы yüzde 90,6 olarak билдирилген. Karışıklık matrisinde болжол менен 120 anomali doğru belirlenirken 7 anomali normal olarak sınıflandırılmış; 18 normal örnek ise жалган сигнал üretmiştir. Bu değerler модельin laboratuvar veya benzetim маалыматsindeki iki sınıfı ayırabildiğini көрсөтөт, бирок gerçek bir yenilenebilir enerji объектinde gelecekte oluşacak arızaları ne kadar erken ve güvenilir biçimde öngörebildiğini далилдебейт.

Түркия жагынан öнымдуулукi: Yaklaşım; Түркиядаki шамал турбиналары, güneş takip sistemleri, энергия сактоо объекттери ve pnömatik otomasyon kullanan sanayi işletmelerinde plansız duruşların azaltılması için araştırılabilecek bir başlangıç модельi sunmaktadır. Uygulamaya geçmeden önce Түркияда kullanılan gerçek eyleyicilerden uzun süreli басым, konum, debi, температура ve тейлөө kaydı toplanmalı; kaçak, клапан sıkışması, conta aşınması, сүрүлүү artışı ve сенсор жылышы gibi arızalar ayrı ayrı etiketlenmeli; модель ар башка mevsimler, yükler ve объекттер üzerinde тышкы валидацияdan geçirilmelidir. Изилдөө Түркия’ye özgü saha маалыматsi, maliyet hesabı veya эмиссия azaltımı sunmadığından түз yatırım ya da тейлөө politikası сунушу olarak kullanılamaz.

Изилдөөnın “туруктуулук” iddiası, erken тейлөөın arıza, parça değişimi ve plansız duruşu azaltabileceği varsayımına dayanmaktadır. Araştırmada gerçek тейлөө süresi, enerji üretim kaybı, кысылган аба tüketimi, parça ömrü, тейлөө баасы veya karbon salımı ölçülmemiştir. Bu nedenle gösterilen temel başarı туруктуулук performansı değil, sınırlı bir маалымат kümesindeki normal-anomali sınıflandırma performansıdır.

Изилдөөнүн temel problemi nedir?

Yenilenebilir enerji объекттерinde гана türbin kanatları, güneş panelleri veya bataryalar değil; bunları hareket ettiren, konumlandıran ve güvenli durumda tutan çok sayıda mekanik ve elektro-pnömatik alt sistem bulunmaktadır. Bir клапанin, silindirin, contanın veya hava besleme hattının bozulması, ana enerji üretim ekipmanı çalışabilir durumda olsa bile sistemin durmasına yol açabilir.

Geleneksel тейлөө yaklaşımlarında ekipman belirli изилдөө saatlerinin ardından değiştirilir veya arıza gerçekleştikten sonra müdahale edilir. Kestirimci тейлөө ise басым, konum, titreşim, akış, температура ve elektriksel kontrol sinyallerindeki küçük değişiklikleri izleyerek arızanın kritik seviyeye ulaşmadan belirlenmesini amaçlar.

Изилдөөnın ele aldığı soru şudur: Çift etkili elektro-pnömatik bir silindirin fiziksel davranışını açıklayan matematiksel модель ile сенсор маалыматтарыnden öğrenen bir SVM классификаторsı birleştirildiğinde normal ve başlangıç düzeyindeki аномалдуу иштөө durumları ayırt edilebilir mi?

Elektro-pnömatik eyleyici nedir?

Elektro-pnömatik eyleyici, elektriksel bir kontrol sinyalini кысылган аба yardımıyla mekanik harekete dönüştüren sistemdir. İncelenen düzenekte çift etkili bir silindir колдонулат. Basınçlı hava pistonun bir tarafına маалыматldiğinde piston bir yönde, diğer tarafına маалыматldiğinde ters yönde hareket eder.

Sistemin temel компоненттерi şunlardır:

• Çift etkili пневматикалык цилиндр,
• 5/3 yollu багыт башкаруу клапаны,
• Solenoid клапан ve elektriksel kontrol devresi,
• Basınçlı hava üreten kompresör,
• Hava hazırlama veya сервис бирдиги,
• Basınç, konum ve debi өлчөө elemanları,
• Röle, anahtar ve 24 V besleme bağlantıları.

5/3 yollu клапанin beş bağlantı noktası ve üç изилдөө konumu vardır. Valf, кысылган абаnın silindirin hangi odasına yönlendirileceğini ve diğer odanın nasıl boşaltılacağını belirler. Valf, silindir, hava hattı veya sensörlerden birindeki bozulma; hareket süresi, басым farkı, пистон абалы veya hava tüketiminde değişim oluşturabilir.

Çift etkili silindirin hacim модельi

Piston hareket ettikçe iki silindir odasının hacimleri ters yönlerde değişir. Изилдөөda kullanılan temel hacim ilişkileri şöyledir:

\[ V_1 = V_{1,0} + A_1x \]

\[ V_2 = V_{2,0} - A_2x \]

Burada V₁ ve V₂ iki odanın anlık hacimlerini, V_1,0 ve V_2,0 başlangıç hacimlerini, A₁ ve A₂ pistonun iki tarafındaki etkin alanları, x ise pistonun doğrusal yer değiştirmesini ifade etmektedir.

Piston birinci odaya doğru hareket ettiğinde odalardan biri genişlerken diğeri daralır. Hacim değişimi basıncı, басым farkı da piston kuvvetini etkiler.

İdeal gaz ilişkisi ve басым değişimi

Изилдөө, odalardaki havayı ideal gaz yaklaşımıyla модельlemektedir:

\[ P_1V_1 = n_1RT \]

\[ P_2V_2 = n_2RT \]

P₁ ve P₂ oda басымlarını, n₁ ve n₂ mol miktarlarını, R evrensel gaz sabitini ve T mutlak sıcaklığı көрсөтөт.

Modelde sıcaklığın sabit olduğu varsayılmıştır. Bir odanın hacmi küçüldüğünde ve hava kütlesi ошол эле kaldığında басым yükselir; hacim büyüdüğünde басым düşer. Gerçek hızlı pnömatik hareketlerde sıkıştırma ve genleşme sıcaklığı değiştirebileceğinden sabit температура kabulü модельin öнымдуулукli sadeleştirmelerinden biridir.

Pistonun kuvvet dengesi

İki odadaki басымların piston alanları üzerinde oluşturduğu kuvvetler, piston hareketinin temel kaynağıdır. Изилдөөnın kullandığı dinamik denklem şöyledir:

\[ M\ddot{x} + b\dot{x} + kx = P_1A_1 - P_2A_2 - F_{\mathrm{load}} \]

Burada M hareket eden kütleyi, ẍ piston ivmesini, b илээшкек sönüm katsayısını, ẋ пистон ылдамдыгыnı, k eşdeğer yay katsayısını ve F_load dış yük kuvvetini temsil etmektedir.

Basınç farkı azaldığında, сүрүлүү yükseldiğinde veya dış yük arttığında pistonun hızı ve konum tepkisi değişir. Bu nedenle басым, konum ve hız sinyalleri olası bir arızanın belirtilerini taşıyabilir.

Sürtünme модельi

Изилдөө сүрүлүүyi statik, Coulomb ve илээшкек компоненттерe ayırmaktadır:

\[ F_{\mathrm{friction}} = F_{\mathrm{static}} + F_{\mathrm{Coulomb}} + \mu_v\dot{x} \]

Statik сүрүлүү piston harekete başlamadan önce aşılması gereken kuvveti, Coulomb сүрүлүүсү hareket sırasındaki болжол менен sabit сүрүлүүyi, илээшкек компонент ise hızla artan direnci temsil eder.

Conta aşınması, yağlama kaybı, yüzey bozulması veya mekanik hizasızlık сүрүлүү компоненттерini değiştirebilir. Ancak изилдөөda bu arızaların hangi sayısal сүрүлүү değişimleriyle benzetildiği açıklanmamıştır.

Hava akışı nasıl ele alınmıştır?

Valflerden silindir odalarına giren ve çıkan hava miktarı, oda басымlarının zaman içindeki değişimini belirlemektedir. Изилдөө, kütlenin korunumu ile giriş ve çıkış debilerini oda hacmiyle ilişkilendiren басым dinamiği denklemleri sunmaktadır.

Valf debisi için маалыматlen bağıntının metindeki matematiksel dizilimi açık değildir. Denklemde стандарт orifis akış моделдерinde beklenen karekök işaretinin eksik veya bozuk aktarılmış olabileceği görülmektedir. Ayrıca sıkıştırılabilir akışta boğulmuş ve boğulmamış akış bölgelerinin nasıl ayrıldığı açıklanmamıştır. Bu nedenle клапан akış модельinin bağımsız biçimde yeniden kurulması mümkün değildir.

Matematiksel модель hangi kabullere dayanmaktadır?

Изилдөөda açık veya örtülü biçimde kullanılan başlıca kabuller şunlardır:

• Pnömatik sistemin болжол менен doğrusal davranması,
• Besleme basıncının belirli veya туруктуу olması,
• Gaz sıcaklığının sabit kabul edilmesi,
• Valf ve bağlantılarda аба агып кетиши bulunmaması,
• Sensör маалыматтарinin yeterli ve doğru olması,
• Seçilen özelliklerin arızaları temsil edebilmesi,
• Eğitim маалыматsi ile kullanım маалыматsinin benzer dağılımdan gelmesi.

Kaçaksız sistem kabulü özellikle dikkat çekicidir. Pnömatik sistemlerde öнымдуулукli arıza türlerinden biri аба агып кетишиdır. Kaçağın başlangıç модельinde dışarıda bırakılması, модельin gerçek тейлөө problemlerinin bir bölümünü түз temsil etmediğini көрсөтөт.

Deney ve benzetim düzeni

Изилдөөnın dokuzuncu sayfasındaki Şekil 2, эки таасирдүү цилиндр ile 5/3 багыт башкаруу клапаныnin pnömatik ve elektriksel bağlantılarını көрсөтөт. Aynı sayfadaki Şekil 3, devrenin FluidSIM ortamında çalıştırılmış biçimini ve etkin hava-elektrik yollarını sunmaktadır.

Onuncu sayfadaki fotoğrafta FESTO окуу стенди üzerinde 5/3 соленоид клапан, эки таасирдүү цилиндр, hava сервис бирдиги ve elektrik bağlantıları görülmektedir. Изилдөөчүлөр bu düzeneğin endüstriyel компоненттерe benzediğini ve eş zamanlı sensör маалыматsi toplamaya imkân verdiğini belirtmektedir.

Bununla birlikte deney ile benzetim маалыматsinin nasıl birleştirildiği açık değildir. Metinde изилдөө bir yerde “kontrollü benzetim tabanlı deney”, başka bir yerde “deneysel маалымат”, karşılaştırma grafiğinde ise “gerçek маалымат модельi” olarak adlandırılmaktadır. Gerçek tezgâhtan kaç örnek alındığı, FluidSIM’den kaç örnek üretildiği ve sonuç tablosunun hangi маалымат kaynağına dayandığı ayrıntılı biçimde açıklanmamıştır.

Hangi sensör ve özellikler колдонулган?

Изилдөө маалымат toplama sürecinde şu değişkenlerden söz etmektedir:

• İki silindir odasındaki басымlar,
• Piston konumu veya yer değiştirmesi,
• Piston hızı,
• Hava akış veya debi değeri,
• Pnömatik kuvvet,
• Sıcaklık,
• Valf ve kontrol sinyalleri.

Bu değişkenlerin түз sensörden mi ölçüldüğü, matematiksel модельden mi hesaplandığı veya ham sinyallerden mi türetildiği her değişken için ayrı ayrı belirtilmemiştir. Sensör модельi, өлчөө aralığı, doğruluk, örnekleme жыштыкı ve kalibrasyon bilgileri de sunulmamıştır.

Makine öğrenmesi süreci nasıl курулган?

Изилдөөda сунушталган маалымат işleme zinciri şu sırayı izlemektedir:

1. Sensör маалыматтарinin toplanması,
2. Verilerin temizlenmesi ve ön işlenmesi,
3. Normal ve anomali etiketlerinin oluşturulması,
4. Basınç, konum, hız, kuvvet, debi ve температура özelliklerinin çıkarılması,
5. Özelliklerin стандартlaştırılması,
6. Verinin eğitim ve test kümelerine ayrılması,
7. SVM моделиnin eğitilmesi,
8. Doğruluk, тактык, сезгичтик ve F1 упайы ile değerlendirme,
9. Gerçek zamanlı normal-anomali чечимı.

Şekil 4’te маалымат toplama, ön işleme, özellik seçimi, гиперпараметр ayarı, модель seçimi, eğitim, değerlendirme ve devreye alma blokları gösterilmektedir. Şekil 5 ve Şekil 6 ise маалымат toplamayla başlayıp performans yeterliyse gerçek zamanlı anomali tespitine ilerleyen чечим akışını özetlemektedir.

SVM nasıl чечим vermektedir?

Изилдөөda SVM чечим fonksiyonu şu biçimde маалыматlmiştir:

\[ f(\mathbf{x}) = \mathbf{w}^{T}\mathbf{x}+b \]

x özellik vektörünü, w чечим düzleminin ağırlıklarını ve b sapma terimini ifade eder. Doğrusal durumda fonksiyonun işareti örneğin hangi sınıfa atandığını belirler.

Ancak sonuç tablosunda RBF ядросуnin kullanıldığı belirtilmektedir. RBF ядросу, örnekleri örtük biçimde daha жогорку boyutlu bir özellik uzayında ayırır ve чечим fonksiyonu гана yukarıdaki doğrusal ifadeden oluşmaz. Изилдөөda RBF ядросуnin gama ve düzenlileştirme parametresi gibi temel гиперпараметрleri маалыматlmemiştir.

Çekirdek seçimine ilişkin tutarsızlık

Ыкма bölümünde polinom çekirdeğin doğrusal çekirdeğe göre daha аралашşık чечим sınırları sağladığı ve seçildiği belirtilmektedir. Sonraki bölümde doğrusal ve RBF çekirdeklerinin ayarlandığı yazılmakta, sonuç tablosunda ise kullanılan çekirdek açıkça RBF olarak gösterilmektedir.

Bu üç ifade ошол эле модель tanımını vermemektedir. Sonuçların RBF модельine ait olduğu tabloya dayanarak anlaşılabilse de polinom модельinin denenip denenmediği, nasıl karşılaştırıldığı ve nihai модельin hangi ölçüte göre seçildiği açıklanmamıştır.

Karışıklık matrisi ne көрсөтөт?

Изилдөөnın 13. sayfasındaki чаташуу матрицасы iki sınıf içermektedir: “Normal” ve “Anomali”. Matris болжол менен olarak şu sonuçları көрсөтөт:

• Yaklaşık 110 normal örnek doğru biçimde normal sınıfına atanmıştır.
• 18 normal örnek yanlış biçimde anomali olarak işaretlenmiştir.
• 7 anomali yanlış biçimde normal olarak sınıflandırılmıştır.
• Yaklaşık 120 anomali doğru biçimde аныкталган.

Yanlış alarm sayısı 18, kaçırılan anomali sayısı 7’dir. Kestirimci тейлөө açısından жалган терстер özellikle öнымдуулукlidir; çünkü sistem gerçekte bozulurken модельin normal чечимı vermesi тейлөө müdahalesini geciktirebilir. Yanlış pozitifler ise gereksiz inceleme veya тейлөө faaliyetine yol açabilir.

Performans ölçütleri ne anlama gelmektedir?

Doğruluk, bütün örneklerin ne kadarının doğru sınıflandırıldığını gösterir. Kesinlik, модельin anomali dediği örneklerin ne kadarının gerçekten anomali olduğunu ölçer. Duyarlılık, gerçek anomalilerin ne kadarının yakalandığını gösterir. F1 упайы ise тактык ve duyarlılığın harmonik ortalamasıdır.

Anomali sınıfı için bildirilen değerler şöyledir:

• Kesinlik: 0,87
• Duyarlılık: tabloda 0,95; karşılaştırma tablosunda yüzde 94,55
• F1 упайы: tabloda 0,91; karşılaştırma tablosunda yüzde 90,6
• Genel doğruluk: yüzde 90,2

Duyarlılığın тактыкten жогорку olması, модельin anomalilerin büyük bölümünü yakalarken daha fazla жалган сигнал ürettiğini көрсөтөт.

Deneysel ve matematiksel маалымат karşılaştırması

Изилдөө iki sonucu салыштырат. “Deneysel benzetim” olarak adlandırılan модель yüzde 90,2 doğruluk; гана matematiksel benzetim модельi ise yüzde 90,3 doğruluk vermiştir. Genel doğruluklar hemen hemen ошол элеdır.

Buna karşılık аномалия классыna odaklanıldığında deneysel olarak adlandırılan маалымат daha жогорку değerler üretmiştir:

• Anomali kesinliği: yüzde 87,0’a karşı yüzde 74,6
• Anomali duyarlılığı: yüzde 94,55’e karşı yüzde 81,5
• Anomali F1 упайы: yüzde 90,6’ya karşı yüzde 77,9

Bu karşılaştırma, fiziksel veya fiziksele daha yakın маалыматтарin аномалия классыnı tanımada yararlı olabileceğini düşündürmektedir. Ancak matematiksel маалымат ile deneysel маалыматnin nasıl üretildiği, маалымат kümelerinin ошол эле büyüklükte olup olmadığı ve iki модельe ошол эле гиперпараметрlerin uygulanıp uygulanmadığı açıklanmadığından farkın nedeni kesin olarak belirleнымдуулукez.

Beş katlı кайчылаш валидация ne sağlamaktadır?

Her iki модель için беш бүктөмдүү кайчылаш валидация kullanıldığı belirtilmiştir. Bu ыкмаde маалымат beş parçaya ayrılır; модель beş kez eğitilir ve her seferinde ар башка bir parça валидация için ayrılır. Amaç, performansın tek bir rastgele маалымат bölünmesine aşırı bağımlı olmasını azaltmaktır.

Изилдөөda гана “5-Fold” bilgisi маалыматlmiş; beş katın ayrı performansları, ortalama ve стандарт sapma, маалымат bölme sırasında ошол эле изилдөө çevrimine ait ardışık өлчөөлөрүn ар башка katlara düşüp düşmediği açıklanmamıştır. Zaman serilerinde birbirine çok yakın örneklerin eğitim ve test kümelerine dağılması, gerçek genelleme başarısını olduğundan жогорку gösterebilir.

Изилдөө gerçekten баштапкы бузулууnı tespit etmiş midir?

Изилдөө “incipient fault”, yani başlangıç veya gelişmekte olan arıza tespiti iddiasında bulunmaktadır. Ancak bir arızanın hangi fiziksel parametreyle oluşturulduğu, bozulmanın hangi seviyelerinde өлчөө alındığı ve модельin kritik arızadan ne kadar önce uyarı verdiği açıklanmamıştır.

Bir модельin нормалдуу жана аномалдуу örnekleri ayırması, tek başına arızayı önceden tahmin ettiği anlamına gelmez. Başlangıç arızası iddiası için arıza şiddetinin zamanla artırıldığı deneyler, erken uyarı süresi, ар башка bozulma seviyeleri ve arızaya kalan süre gibi ölçütler gerekir. Бул изилдөө bunları сунбайт.

Sürdürülebilirlik bağlantısı nasıl курулган?

Изилдөөчүлөр эрте бузулуу аныктооnin plansız duruşu, gereksiz тейлөө faaliyetlerini, parça değişimini ve dolaylı karbon salımını azaltabileceğini savunmaktadır. Bu ilişki mühendislik açısından olasıdır: Sağlıklı ekipmanın gereksiz değiştirilmemesi ve arızanın büyümeden giderilmesi kaynak kullanımını azaltabilir.

Ancak изилдөөda aşağıdaki туруктуулук göstergelerinden hiçbiri ölçülmemiştir:

• Önlenen токтоп туруу убактысы,
• Korunan enerji üretimi,
• Azalan кысылган аба veya elektrik tüketimi,
• Azalan тейлөө ve yedek parça maliyeti,
• Uzayan eyleyici ömrü,
• Önlenen sera gazı salımı,
• Yaşam döngüsü çevresel etkisi.

Dolayısıyla изилдөөnın ölçülmüş sonucu туруктуулук kazancı değil, bir SVM классификаторsının performansıdır. Sürdürülebilirlik etkisi gelecekte sınanması gereken bir hipotezdir.

Изилдөө колдогон жыйынтыктар

• Basınç, konum, debi ve benzeri özellikler kullanılarak нормалдуу жана аномалдуу elektro-pnömatik изилдөө durumları sınıflandırılabilir.
• Fiziksel модель ile makine öğrenmesi ошол эле алдын ала тейлөө алкагыnde birleştirilebilir.
• Sunulan тест топтомуnde SVM болжол менен yüzde 90 genel doğruluk камсыз кылган.
• Model, testteki anomalilerin büyük bölümünü yakalamış; гана 7 anomali normal olarak sınıflandırılmıştır.
• Deneysel olarak adlandırılan маалымат, matematiksel benzetim маалыматsine göre anomali kesinliği, duyarlılığı ve F1 упайы тейлөөından daha жогорку sonuç vermiştir.
• FESTO окуу стенди, kontrollü arıza маалыматsi üretimi ve algoritma geliştirme için kullanılabilecek bir laboratuvar ortamı камсыз кыла алат.

Изилдөө эмнени далилдебейт?

• Modelin gerçek bir rüzgâr veya güneş enerjisi объектinde çalışacağını далилдебейт.
• Arızaları kritik bozulmadan belirli bir süre önce öngörebildiğini göstermemektedir.
• Bток maliyetini, токтоп туруу убактысыni veya karbon salımını ölçülebilir düzeyde azalttığını далилдебейт.
• Bütün электропневматикалык аткаргыч türleri için yüzde 90 doğruluk sağlanacağını göstermemektedir.
• Görülmemiş arıza türlerini veya ар башка объект koşullarını güvenilir biçimde tanıyabildiğini göstermemektedir.
• Tek bir normal-anomali чечимının arızanın türünü, yerini veya kalan kullanım ömrünü belirleyebildiğini göstermemektedir.
• Modelin gerçek zamanlı işlem gecikmesini, donanım gereksinimini veya haberleşme güvenilirliğini değerlendirmemektedir.

Başlıca ыкмаsel ve editoryal чектөөлөр

• Gerçek deney маалыматsi ile FluidSIM маалыматsinin kapsamı ve birleştirilme biçimi açıklanmamıştır.
• Arıza türleri, şiddetleri ve oluşturulma ыкмаleri belirtilmemiştir.
• Toplam маалымат sayısı гана test tablosundan kısmen anlaşılmakta; eğitim маалымат kümesi açıklanmamaktadır.
• Sensörlerin teknik özellikleri ve örnekleme жыштыкı маалыматlmemiştir.
• Özellik çıаралаш işlemleri ve kullanılan убакыт терезелери belirtilmemiştir.
• Eğitim-test bölme oranı açıklanmamıştır.
• SVM’nin C ve gama gibi гиперпараметрleri маалыматlmemiştir.
• Polinom ve RBF ядросу ifadeleri birbiriyle tutarlı değildir.
• Sonuç tablosundaki болжол менен 0,91 F1 упайы sonuç bölümünde 0,83 olarak yazılmıştır.
• Karışıklık matrisi değerleri bilimsel gösterimle yuvarlatılmış, kesin клетка sayıları түз yazılmamıştır.
• Sürdürülebilirlik iddiasını destekleyen maliyet, enerji veya эмиссия өлчөөü bulunmamaktadır.
• Gerçek yenilenebilir enerji объектi валидацияsı gelecekteki изилдөө olarak bırakılmıştır.

Түркияда uygulanması için gereken yol haritası

Түркияда bu tür bir sistemin güvenilir biçimde kullanılabilmesi için ilk aşamada gerçek ekipman envanteri oluşturulmalıdır. Rüzgâr türbinlerindeki fren, kanat açısı veya servis mekanizmaları; güneş santrallerindeki takip ve temizleme sistemleri; энергия сактоо объекттериндеki havalandırma, өрт güvenliği ve anahtarlama eyleyicileri ayrı ayrı бааланышы керек.

İkinci aşamada ekipmanlara басым, debi, konum, температура, titreşim ve elektriksel kontrol sinyallerini izleyen sensörler yerleştirilmeli; маалыматтар тейлөө kayıtlarıyla eşleştirilmelidir. Normal изилдөө маалыматsinin yanında kontrollü ve güvenli koşullarda ар башка arıza türleri oluşturularak etiketli маалымат toplanmalıdır.

Üçüncü aşamada модель, гана rastgele örnek bölme ile değil; ар башка makineler, ар башка объекттер ve ар башка mevsimler arasında doğrulanmalıdır. Bir объектte eğitilen модельin başka bir объектte sınanması, gerçek genelleme performansını göstermesi тейлөөından öнымдуулукlidir.

Son aşamada sınıflandırma performansına тейлөө ekonomisi eklenmelidir. Yanlış alarmın тейлөө ekibine maliyeti, kaçırılan arızanın üretim ve коопсуздук riski, sensör ve маалымат altyapısı maliyeti, önlenen токтоп туруу убактысы ve enerji üretim kazancı birlikte hesaplanmalıdır.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

İncelenen sistem ve маалымат akışı

SVM test sonuçları

Tabloya göre тест топтому iki sınıfta eşit sayıda örnek içermektedir. Bununla birlikte zaman serisindeki ardışık örneklerin birbirinden bağımsız olup olmadığı bilinmediğinden 254 satırın 254 ayrı fiziksel deney anlamına geldiği varsayılamaz.

Karışıklık matrisinin yorumu

Karışıklık matrisindeki doğru normal ve doğru anomali клеткаларi bilimsel gösterimle болжол менен değerler hâlinde sunulduğundan kesin sayılar görsel üzerinden түз okunamamaktadır. Tablo 1’de маалыматlen 127’şer destek değeri, toplam тест топтомуnin 254 örnek olduğunu көрсөтөт.

Deneysel ve matematiksel модель sonuçları

Matematiksel модельin genel doğruluğu yüzde 0,1 daha жогорку görünmesine rağmen аномалия классыndaki тактык, сезгичтик ve F1 değerleri daha төмөнtür. Изилдөө, bu farkın istatistiksel anlamlılığını değerlendirmemiş ve güven aralıkları sunmamıştır.

Modelin saha колдонмоsında izlenmesi gereken ek ölçütler

Şekil ve tabloların anlamı

• Şekil 1: Çift etkili silindirin iki odasını, piston alanlarını, басымları, клапан bağlantılarını, hareket yönünü ve dış yükü şematik olarak көрсөтөт.
• Şekil 2: 5/3 багыт башкаруу клапаны, эки таасирдүү цилиндр, hava сервис бирдиги ve elektriksel kumanda devresinin bağlantı şemasıdır.
• Şekil 3: Aynı devrenin FluidSIM ortamındaki etkin hava ve elektrik yollarını көрсөтөт.
• Tezgâh fotoğrafı: FESTO eğitim düzenindeki соленоид клапанi, silindiri, hava hazırlama birimini ve elektrik bağlantılarını көрсөтөт.
• Şekil 4: Veri toplama, ön işleme, özellik seçimi, гиперпараметр ayarı, eğitim, değerlendirme ve devreye alma adımlarını көрсөтөт.
• Şekil 5 ve Şekil 6: Normal-anomali etiketleme, модель eğitimi ve gerçek zamanlı чечим akışını özetlemektedir.
• Şekil 7: Yaklaşık 110 doğru normal, 18 жалган сигнал, 7 kaçırılan anomali ve болжол менен 120 doğru anomali içeren чаташуу матрицасыdir.
• Tablo 1: Dengeli тест топтомуndeki тактык, сезгичтик, F1 упайы ve doğruluk değerlerini sunmaktadır.
• Tablo 2: Deneysel olarak adlandırılan маалымат ile matematiksel benzetim маалыматsinin SVM performansını салыштырат.
• Şekil 8: İki модельin doğruluk, тактык, сезгичтик ve F1 değerlerini çizgi grafiğiyle салыштырат.

Булак жана Ыкма Эскертүүсү

Изилдөөnın tam özgün adı: A Sustainability-Oriented Predictive Maintenance Framework for Renewable Energy Actuation Systems

Yazarlar ve doğru sıraları: Samuel Olufemi Amudipe, Adeyinka Adeoye, Aderonke Akinwumi, Ajayi Adebanji ve Segun Adebayo.

Eş birinci yazar: Eş katkı veya eş birinci yazarlık bilgisi belirtilmemiştir.

Sorumlu yazar: Samuel Olufemi Amudipe. Изилдөөda sorumlu yazar e-posta adresi femioni61@gmail.com olarak маалыматlmiştir.

Kurumsal bağlantılar:

• Mechatronics Engineering Programme, College of Agriculture, Engineering and Science, Bowen University, Iwo, Nigeria
• Department of Mechanical and Mechatronics Engineering, Afe Babalola University, Ado-Ekiti, Nigeria

Samuel Olufemi Amudipe, Ajayi Adebanji ve Segun Adebayo, Bowen University; Adeyinka Adeoye ve Aderonke Akinwumi, Afe Babalola University bağlantılı olarak gösterilmiştir.

DOI: 10.2139/ssrn.7196243. DOI, SSRN preprint kaydına aittir ve hakemli bir dergi makalesi DOI’si olarak yorumlanmamalıdır.

Dergi: Hakemli bir dergi adı belirtilmemiş ve yayımlanmış dergi sürümü doğrulanmamıştır.

Yayın platformu: SSRN.

SSRN özet numarası: 7196243.

Yayın yılı: 2026.

Kaynak türü: Matematiksel модель, FluidSIM tabanlı kontrollü benzetim, FESTO окуу стенди ve SVM sınıflandırması içeren mühendislik preprinti.

Hakemlik durumu: Изилдөө рецензиядан өтпөгөнtir. Ыкма ve sonuçlardaki ядро тандоо, маалымат kaynağı, F1 упайы ve saha geçerliliği tutarsızlıkları dikkate alınmalıdır.

Resmî bağlantı:https://ssrn.com/abstract=7196243

Finansman: Ayrı bir finansman beyanı metinde yer almamaktadır.

Teşekkür: Yazarlar araştırma olanakları için Bowen University yönetimine teşekkür etmiştir.

Yazar katkıları: Изилдөөda toplu bir katkı түшүндүрмөsı bulunmaktadır; бирок hangi yazarın hangi görevi üstlendiği kişi bazında ayrılmamıştır.

Çıkar çatışması: Ayrı bir çıkar çatışması beyanı metinde yer almamaktadır.

Veri erişimi: Veri kümesinin açık erişim bağlantısı, örnek sayısının tam dağılımı, ham sensör kayıtları ve модель kodları sunulmamıştır.

Bu Türkçe makale; изилдөөnın tam metni, matematiksel denklemleri, FluidSIM devreleri, FESTO tezgâhı görseli, algoritma akışları, чаташуу матрицасы ve performans tabloları incelenerek hazırlanmıştır. Dış kaynaklar гана preprint kaydı, DOI ve resmî bağlantının bibliyografik doğrulanması için kullanılmış; bilimsel içeriğe dışarıdan bulgu eklenmemiştir.

Изилдөөnın başlıca чектөөлөрı; gerçek yenilenebilir enerji объектinde валидация yapılmaması, deney ve benzetim маалыматтарinin sınırlarının açıklanmaması, arıza türleri ile şiddetlerinin belirtilmemesi, sensör ve маалымат toplama ayrıntılarının eksikliği, SVM çekirdeğindeki tutarsızlık, sonuç bölümündeki F1 упайы uyuşmazlığı ve туруктуулук etkilerinin сандык olarak ölçülmemesidir.