Araştırma, elektrik motorlarında arıza verilerinin sağlıklı çalışma verilerine göre çok daha az bulunması nedeniyle ortaya çıkan sınıf dengesizliği sorununa odaklanıyor. Araştırmacılar, üç fazlı stator akımı ile titreşim ölçümlerini birlikte kullanan ve az temsil edilen arıza sınıfları için yapay spektral örnekler üreten SWGAN adlı bir yöntem geliştiriyor. SWGAN; koşullu Wasserstein GAN yapısını, spektrumdaki uzak frekans bileşenleri arasındaki ilişkileri yakalamak için self-attention ve adversarial eğitimin kararlılığını artırmak için gradient normalization ile birleştiriyor.

Yöntem ham sinyali doğrudan sınıflandırmıyor. Titreşim kanalında Hilbert dönüşümü üzerinden zarf spektrumu; üç fazlı akımda ise Clarke dönüşümünden sonra uzay-vektör büyüklüğünün spektrumu çıkarılıyor. SWGAN, az sayıdaki arıza sınıflarını bu spektral uzayda sentetik örneklerle tamamlıyor. Gerçek ve üretilmiş akım/titreşim özellikleri daha sonra iki ayrı kodlama kolunda işlenip özellik düzeyinde birleştiriliyor ve SAE tabanlı sınıflandırıcıya aktarılıyor.

Çalışmanın ayrıntılı sonuçlarına göre sabit hızlı PMSM veri setindeki orta düzey sınıf dengesizliği Case A'da SWGAN %97,81 ± 0,53 doğruluk sağladı. Daha ağır Case B koşulunda doğruluk %93,77 ± 1,12'ye gerilese de WCGAN, ACGAN, DCGAN ve veri artırmasız SAE temel çizgisinin üzerinde kaldı. Değişken hızlı asenkron motor veri setinde de sınıf dengesizliği azaltıldıkça SWGAN'ın avantajı belirginleşti; Şekil 24'te 1:10, 1:5 ve 1:2 koşullarında sırasıyla %81,3, %91,7 ve %95,9 doğruluk raporlandı.

Sonuçlar sentetik verinin her durumda gerçek veriyle eşdeğer olduğu anlamına gelmiyor. En ağır veri kıtlığı koşullarında GAN yöntemleri arasındaki performans farkı küçülüyor; yani yalnız birkaç gerçek arıza örneği bulunduğunda üretici modelin öğrenebileceği bilgi de sınırlı kalıyor. Çalışma ayrıca sentetik örneklerin gerçek dağılıma yakınlığını JS divergence, cosine distance, t-SNE ve UMAP ile değerlendiriyor ancak üretilen sinyalleri fiziksel motorda yeniden üretip ölçmüyor.

Türkiye açısından yaklaşım; endüstriyel motorlar, üretim makineleri veya bakım sistemlerinde nadir arıza sınıflarının veri eksikliğiyle karşılaşılan araştırmalar için incelenebilir. Bununla birlikte çalışma Türkiye'deki bir fabrika, motor filosu veya bakım altyapısı üzerinde yapılmamıştır. Yerel kullanım için gerçek motor tipleri, sensör yerleşimleri, yük/hız profilleri ve arıza dağılımlarıyla yeniden eğitim ve bağımsız doğrulama gerekir; çalışmadaki doğruluk değerleri doğrudan yerel saha performansı olarak kabul edilemez.

Motor arıza teşhisinde sınıf dengesizliği neden sorun?

Bir motor normal durumda uzun süre çalışabilirken belirli arızalar seyrek ortaya çıkar. Bu nedenle veri tabanında sağlıklı çalışma örnekleri çok sayıda, özellikle belirli arıza türleri veya düşük şiddetli arızalar ise az sayıda bulunabilir.

Derin öğrenme sınıflandırıcısı bu dengesiz dağılımla eğitildiğinde çoğunluk sınıfının özelliklerini daha iyi öğrenirken nadir arıza sınıflarının karar sınırlarını yeterince öğrenemeyebilir. Araştırmanın çözüm yaklaşımı, gerçek azınlık verisini basitçe kopyalamak yerine onun dağılımını öğrenerek yeni sentetik örnekler üretmektir.

Neden iki farklı sensör kullanılıyor?

Çalışma elektriksel ve mekanik arıza bilgisinin birbirini tamamlayabileceği varsayımına dayanıyor. Stator akımı elektromanyetik bozuklukları yansıtırken titreşim sinyalleri mekanik tepki ve yapıdaki değişimleri taşır.

Bu nedenle yöntem tek bir sensörden örnek üretmek yerine akım ve titreşim spektral özelliklerini birlikte kullanıyor. Bununla birlikte kaynakta üretim aşamasının bu iki modalite arasında özel bir ortak tutarlılık kaybı ile eğitildiği gösterilmemiştir; üretilen modaliteler daha sonra özellik düzeyinde birleştirilmektedir.

Titreşim sinyali nasıl hazırlanıyor?

Titreşim sinyali önce seçilmiş bir rezonans bölgesi çevresinde bant geçiren filtreden geçiriliyor:

\[ x_f(t)=B\{x(t)\} \]

Daha sonra Hilbert dönüşümüyle analitik sinyal oluşturuluyor:

\[ z(t)=x_f(t)+jH[x_f(t)] \]

Zarf genliği:

\[ a(t)= \sqrt{x_f^2(t)+H[x_f(t)]^2} \]

olarak hesaplanıyor. Bunun Fourier dönüşümünün mutlak değeri titreşim zarf spektrumunu veriyor:

\[ E(f)=|\mathcal{F}\{a(t)\}| \]

Bu işlem, mekanik darbelerin oluşturduğu modülasyon bileşenlerini vurgulamak için kullanılıyor.

Üç fazlı akımdan hangi özellik çıkarılıyor?

U, V ve W fazlarına karşılık gelen üç faz akımları Clarke dönüşümüyle sabit αβ koordinat sistemine aktarılıyor:

\[ \begin{bmatrix} i_\alpha(t) \\ i_\beta(t) \end{bmatrix} = \frac{2}{3} \begin{bmatrix} 1 & -1/2 & -1/2 \\ 0 & \sqrt{3}/2 & -\sqrt{3}/2 \end{bmatrix} \begin{bmatrix} i_a(t)\\ i_b(t)\\ i_c(t) \end{bmatrix} \]

Uzay-vektör büyüklüğü:

\[ i_s(t)= \sqrt{i_\alpha^2(t)+i_\beta^2(t)} \]

olarak elde ediliyor ve ardından:

\[ S(f)=|\mathcal{F}\{i_s(t)\}| \]

ile akım spektrumu oluşturuluyor. Her iki modalite için kullanılan nihai spektral uzunluk 2400 noktadır.

SWGAN neyi değiştiriyor?

Temel model koşullu Wasserstein GAN'dır. Rastgele gürültü ve arıza sınıf etiketi üreticiye verilerek belirli bir arıza sınıfına ait spektrum oluşturulması amaçlanıyor.

SWGAN'ın iki temel ek bileşeni vardır:

• Self-attention: Spektral dizide birbirinden uzakta bulunan fakat aynı arıza imzasının parçası olabilecek bileşenler arasında ilişki kurulmasını amaçlar.
• Gradient normalization: Discriminator eğitimi sırasında gradyan ölçeğini normalize ederek adversarial eğitimin daha kararlı ilerlemesini amaçlar.

Kaynakta GN, spectral normalization gibi her katmanın ağırlıklarını sınırlayan bir mekanizma yerine eğitim seviyesinde uygulanan bir gradyan ölçekleme yaklaşımı olarak tanımlanıyor. Gradient penalty yönteminden farklı olarak ayrıca interpolasyon örnekleri ve ayarlanacak ceza katsayısı gerektirmediği savunuluyor.

Self-attention spektrum içinde nasıl çalışıyor?

Girdi özellikleri üç farklı dönüşümle query-benzeri, key-benzeri ve value-benzeri temsillere ayrılıyor. İki özellik arasındaki ham dikkat ilişkisi:

\[ a_{i,j}=f(x_i)^Tg(x_j) \]

ile oluşturuluyor ve softmax ile ağırlığa dönüştürülüyor. Ağırlıklandırılmış özellikler daha sonra orijinal özellik haritasına öğrenilebilir \(\gamma\) katsayısı üzerinden ekleniyor:

\[ y_i=\gamma o_i+x_i \]

Böylece CNN'nin yerel örüntü yakalama yeteneği ile self-attention'ın daha uzak spektral ilişkileri ağırlıklandırması aynı üretici içinde birleştiriliyor.

Üretilen veriden teşhise nasıl geçiliyor?

Titreşim ve akım spektrumlarının her biri ayrı bir 512 boyutlu özellik temsiline kodlanıyor. İki temsil birleştirilerek 1024 boyutlu giriş oluşturuluyor ve bu temsil 512 boyutlu fusion katmanından geçiriliyor. Ardından 256 ve 128 boyutlu gizli katmanlar ile SoftMax çıkışı kullanılarak arıza sınıfı belirleniyor.

Çalışmanın desteklediği sonuçlar

• SWGAN, iki farklı motor veri setinde dengesiz eğitim verisini sentetik spektrumlarla desteklediğinde karşılaştırılan GAN yöntemlerinin çoğundan daha yüksek teşhis doğruluğu sağlamıştır.
• SWGAN tarafından üretilen örnekler, çalışmada kullanılan JS divergence ve cosine distance ölçütlerinde DCGAN, ACGAN ve WCGAN'a göre gerçek verilere daha yakın dağılımlar göstermiştir.
• Self-attention ve gradient normalization bileşenlerinin birlikte kullanılması ablasyon deneylerinde özellikle yeterli sayıda başlangıç örneği bulunduğunda performansı artırmıştır.
• Gradient normalization kullanılan modelin kaynakta gösterilen kayıp eğrilerinde GP kullanılan karşılaştırmaya göre daha erken dinamik dengeye ulaştığı raporlanmıştır.
• Akım ve titreşim bilgisinin birlikte kullanılması, tek modaliteli karşılaştırmalar karşısında bazı dengesizlik koşullarında avantaj sağlamıştır.
• Yöntem sabit hızlı PMSM verilerinin yanı sıra değişken hızlı asenkron motor veri setinde de uygulanabilmiştir.

Çalışmanın desteklemediği sonuçlar

• Sentetik spektrumların fiziksel olarak gerçek bir motor tarafından üretilebilecek her ayrıntıyı doğru temsil ettiği kanıtlanmamıştır.
• SWGAN'ın gerçek zamanlı endüstriyel motor üzerinde çevrimiçi çalıştığı gösterilmemiştir.
• Yöntemin her motor tipi, sensör sistemi veya arıza ailesinde aynı doğruluğu sağlayacağı gösterilmemiştir.
• En ağır veri kıtlığında üretici modelin açık üstünlüğü gösterilmemiştir; birkaç gerçek arıza örneği bulunduğunda GAN yöntemleri birbirine yakın sonuçlar vermektedir.
• İki sentetik modalite arasında fiziksel senkronizasyonu zorlayan özel bir ortak üretim kaybı veya cross-modal consistency ölçütü açık biçimde gösterilmemiştir.
• Makaledeki doğruluk değerleri doğrudan kestirimci bakım maliyeti, plansız duruş azalması veya endüstriyel güvenilirlik kazanımı anlamına gelmez.

Türkiye'deki uygulamalar açısından ne ifade ediyor?

Türkiye'deki bir işletme açısından yöntemin asıl potansiyel kullanım alanı, çok sayıda normal çalışma kaydı bulunmasına karşın belirli arıza tiplerinin az gözlendiği motor izleme sistemleridir. Ancak çalışmadaki motorlar, sensör örnekleme düzenleri ve arıza dağılımları doğrudan yerel bir tesisi temsil etmez. Uygulamadan önce ilgili motor ailesinden gerçek sağlıklı ve arızalı kayıtların toplanması, SWGAN'ın bu dağılımla yeniden eğitilmesi ve sentetik veri eklenmeden önce/sonra bağımsız test kümesindeki hata türlerinin ayrı ayrı değerlendirilmesi gerekir.

Çalışmanın Yöntemi ve Bulguları

SWGAN ağ yapısı

Kaynakta label boyutu sekiz olarak belirtilmesine rağmen ana deneylerde on sınıf kullanılmaktadır. Sekiz boyutlu koşul temsilinin on sınıfa nasıl eşlendiği açıklanmadığından bu mimari ayrıntısı yeniden üretilebilirlik açısından belirsizdir.

Eğitim yapılandırması

Bu değerler kaynakta raporlandığı biçimde verilmiştir; yazılım ve donanım sürümleri dışarıdan düzeltilmemiştir.

Dataset A: sabit hızlı PMSM stator arızaları

İlk veri seti üç fazlı sabit mıknatıslı senkron motorlardan alınan akım ve titreşim kayıtlarını içeriyor. Veri kaynağında 1,0 kW, 1,5 kW ve 3,0 kW gücünde üç motor bulunuyor. Ölçümler 3000 rpm sabit hızda gerçekleştirilmiştir. Titreşim eksenel yönde, motor yatağına yerleştirilen ivmeölçerle 25,6 kHz'de; U, V ve W faz akımları ise akım problarıyla 100 kHz'de örneklenmiştir.

Stator kısa devre arızaları U fazında yapay olarak oluşturulmuştur. Aynı bobinin turları arasındaki kısa devre inter-turn, komşu bobinler arasındaki kısa devre ise inter-coil olarak modellenmiştir. Bypass direnci küçüldükçe kısa devre şiddeti artmaktadır:

\[ FaultRatio= \left( \frac{R}{R+R_{\mathrm{bypass}}} \right)\times100 \]

Gerçek ve sentetik örnekler birbirine benziyor mu?

Çalışma yalnız sınıflandırma doğruluğuna bakmıyor. Gerçek ve üretilmiş spektrumların benzerliğini Jensen–Shannon divergence ve cosine distance ile değerlendiriyor. Her iki metrikte de düşük değer daha yüksek benzerlik anlamına geliyor.

IT1, IT3 ve IC3 örneklerinin 20 tekrarlı violin grafiklerinde SWGAN dağılımlarının karşılaştırılan DCGAN, ACGAN ve WCGAN modellerine göre daha düşük JS divergence ve cosine distance bölgelerinde toplandığı gösterilmiştir. Ancak bu grafiklerde kaynak tarafından tam sayısal ortalama tabloları verilmediğinden gözle yaklaşık rakam üretilmemiştir.

PMSM sınıf dengesizliği sonuçları

Gerçek sınıf dengesizliğinin ele alındığı Case A ve Case B'de sağlıklı sınıf 200 eğitim örneğiyle tutulurken arıza sınıfları farklı miktarlara düşürülmüştür. SWGAN ve diğer GAN yöntemleri azınlık sınıflarını 1:1 eğitim oranına tamamlamak için kullanılmıştır.

Case B'de bütün yöntemlerin başarısı düşmüştür. Bu sonuç özellikle önemlidir: üretici veri artırma gerçek arıza bilgisinin tamamen yerine geçmemektedir. Başlangıçtaki azınlık verisi daha da azaltıldığında SWGAN'ın kendisi de performans kaybetmiştir.

Dataset B: değişken hızlı asenkron motor

İkinci veri setinde 2,2 kW üç fazlı asenkron motor, tork sensörü, iki kademeli paralel dişli kutusu ve manyetik toz freninden oluşan deney düzeneği kullanılmıştır. Üç eksenli titreşim, üç fazlı akım, tork ve key-phase sinyalleri senkron olarak 12,8 kHz'de toplanmıştır.

Çalışmada 20 Nm sabit yük altında 0–1000 rpm değişken hızlı çalışma durumu seçilmiştir.

Değişken hız altında veri miktarı azaldığında ne oldu?

Sağlıklı sınıf 200 eğitim örneğinde tutulurken dokuz arıza sınıfı 4, 10, 20, 40, 100 ve 200 örnek seviyelerinde test edildi. Her sınıfta test kümesi 200 gerçek örnek olarak korundu.

Bu sonuçlarda önemli bir ayrıntı vardır. En ağır 1:50 koşulunda SWGAN %49,9 ile bütün yöntemlerin en iyisi değildir; WCGAN %50,1 sonuç vermiştir. 1:20 koşulunda da ACGAN %58,8 ile SWGAN'ın %58,2 değerinin biraz üzerindedir. SWGAN'ın belirgin avantajı özellikle 1:10, 1:5 ve 1:2 aralığında ortaya çıkmaktadır.

1:1 durumunda ise veri artırmasız SAE %98,1, SWGAN %97,9'dur. Dolayısıyla yeterli gerçek veri mevcutken sentetik veri kullanmanın gerçek verinin önüne geçtiği sonucu bu grafikten çıkarılamaz.

Ablasyon deneyi self-attention ve GN için ne söylüyor?

Beş durumlu ek deneyde önerilen tam model; gradient penalty kullanan varyant, self-attention'sız varyant, yalnız titreşim ve yalnız akım yöntemleriyle karşılaştırılmıştır.

Tam SWGAN yapısı 1:10'dan itibaren bu tabloda en yüksek doğruluğa ulaşmıştır. Buna karşılık 1:50 ve 1:20 gibi aşırı veri kıtlığında yalnız akım yaklaşımı daha yüksek sonuç vermektedir. Bu da model bileşenlerinin avantajının başlangıçtaki gerçek örnek miktarına bağlı olduğunu gösterir.

Kayıp eğrilerinde gradient normalization kullanan tam modelin yaklaşık 120 epoch sonrasında dinamik dengeye geçtiği, gradient penalty varyantının ise yaklaşık 160 epoch sonrasında benzer dengeye yaklaştığı belirtilmektedir. Bu gözlem bir eğitim-kararlılığı göstergesidir; kaynakta bunun için ayrı bir istatistiksel yakınsama testi verilmemiştir.

Temel yöntemsel sınırlılıklar

• Üretilen örnekler gerçek motor üzerinde fiziksel olarak yeniden ölçülmemiştir.
• SWGAN esasen çevrimdışı augmentation için kullanılmıştır; gerçek zamanlı gömülü uygulama yapılmamıştır.
• Sınıflandırıcı değerlendirmesi aynı veri setlerinden ayrılmış test bölümleriyle yapılmıştır; bağımsız bir endüstriyel saha veri setinde doğrulama sunulmamıştır.
• Çok-modlu üretimin modaliteler arası fiziksel tutarlılığı için ayrı nicel bir consistency metriği raporlanmamıştır.
• Case C ve Case D'nin kesin ortalama doğrulukları sonuç metninde sayısal tablo halinde verilmemiştir; bu nedenle grafik görüntüsünden yeni kesin değerler türetilmemiştir.
• Kaynak içinde özet, tablo ve yöntem açıklamaları arasında bazı sayısal ve terminolojik tutarsızlıklar vardır.

Kaynak ve Yöntem Notu

Özgün çalışma: Generative Dual-Modal Data Augmentation for Motor Fault Diagnosis Under Sample Imbalance.

Yazarlar ve sıraları: Ganxin Jie; Cailiang Zhang; Junqing Ma; Yang Yang; Chuan Chen.

Sorumlu yazar: Cailiang Zhang. Kaynakta eş birinci/eş katkı beyanı bulunmamaktadır.

Kurumlar: State Key Laboratory of Environmental Adaptability for Industrial Products, China National Electric Apparatus Research Institute Co., Ltd.; Yangjiang Offshore Wind Power Laboratory; School of Software & Internet of Things Engineering, Jiangxi University of Finance and Economics; General Machinery Key Core Components Innovation Center (Anhui) Co., Ltd.; Ocean College, Zhejiang University.

Dergi: Machines. Yayınevi: MDPI. Cilt: 14. Makale: 633. Yayın tarihi: 1 Haziran 2026. DOI: 10.3390/machines14060633. Resmî bağlantı: https://doi.org/10.3390/machines14060633

Kaynak türü ve hakemlik durumu: Hakem değerlendirmesinden geçmiş araştırma makalesidir. Çalışma 12 Nisan 2026'da alınmış, 8 Mayıs 2026'da revize edilmiş ve 11 Mayıs 2026'da kabul edilmiştir.

Lisans: Creative Commons Attribution (CC BY) açık erişim lisansı.

Finansman: State Key Laboratory of Environmental Adaptability for Industrial Products, China National Electric Apparatus Research Institute Co., Ltd. tarafından 2025EASKJ-010 numaralı proje ile desteklenmiştir.

Veri erişilebilirliği: Dataset A, KAIST araştırma ekibi tarafından yayımlanan kamuya açık üç fazlı PMSM stator arızası veri setinden; Dataset B ise Tsinghua University araştırma ekibinin değişken çalışma koşullarındaki üç fazlı asenkron motor arıza veri setinden alınmıştır. Makalede her iki kaynak için Mendeley Data bağlantıları verilmiştir.

Çıkar çatışması ve finansör beyanı: Ganxin Jie, Yang Yang ve Chuan Chen'in China National Electric Apparatus Research Institute Co., Ltd. ve General Machinery Key Core Components Innovation Center (Anhui) Co., Ltd. ile istihdam ilişkileri açıklanmıştır. Kaynağa göre finansör çalışma tasarımı, veri toplama, analiz, yorumlama, yazım veya yayımlama kararında yer almamıştır.

Yazar katkıları: Kavramsallaştırma J.M. ve C.Z.; metodoloji J.M.; yazılım J.M.; doğrulama C.Z.; kaynaklar C.C.; ilk taslak J.M.; gözden geçirme ve düzenleme C.Z.; danışmanlık G.J.; proje yönetimi Y.Y.; finansman edinimi G.J. tarafından gerçekleştirilmiştir.

Bu Verianla makalesindeki bilimsel yöntem, mimari, denklemler, veri setleri, teşhis sonuçları ve sınırlılıklar yalnızca incelenen çalışmaya dayanmaktadır. Dış kaynak kontrolü yalnızca bibliyografik yayın kimliği için kullanılmış; dışarıdan yeni performans sonucu veya deneysel bulgu eklenmemiştir.

Kaynak içinde bazı önemli tutarsızlıklar korunmuştur. Özetin verdiği bazı en yüksek doğruluk değerleri ayrıntılı sonuç tabloları ve grafiklerdeki değerlerle tam eşleşmemektedir. SWGAN mimarisinde label boyutu sekiz olarak yazılmasına rağmen ana sınıflandırma deneyleri on sınıftır. Dataset A'daki bazı bölümlerde “limited training set” ve “imbalance ratio” terminolojisi birbiriyle tam uyumlu değildir. Case A/B tablosundaki 2000 W motor değeri önce tanımlanan 1000, 1500 ve 3000 W motor güçleriyle uyuşmamaktadır. Ablasyon bölümünde veri seti yanlışlıkla “bearing dataset” olarak adlandırılmış ve IT1 şiddeti iki farklı değerle verilmiştir. Bu belirsizlikler sessizce düzeltilmemiştir.

Çalışmanın temel bilimsel değeri, self-attention ve gradient normalization içeren koşullu üretici modelin azınlık motor arıza sınıflarını akım ve titreşim spektrumlarıyla desteklemesini iki farklı motor veri setinde sınamasıdır. Bununla birlikte sonuçlar gerçek zamanlı gömülü saha teşhisi veya üretilen örneklerin fiziksel bire bir geçerliliği için doğrudan kanıt oluşturmamaktadır.