Bu çalışma, rüzgâr türbinleri, güneş takip mekanizmaları ve enerji depolama tesisleri gibi yenilenebilir enerji uygulamalarında kullanılabilecek elektro-pnömatik eyleyicilerde başlangıç aşamasındaki anormallikleri belirlemeyi amaçlamaktadır. Araştırmacılar, çift etkili bir pnömatik silindirin basınç, hacim, piston konumu, hava debisi ve kuvvet ilişkilerini matematiksel olarak modellemiş; FluidSIM benzetimi ve FESTO eğitim tezgâhından elde edildiği belirtilen sensör verilerini bir destek vektör makinesi sınıflandırıcısıyla incelemiştir.

Sunulan SVM modeli, normal ve anormal çalışma durumlarından oluşan dengeli test kümesinde yüzde 90,2 doğruluk elde etmiştir. Anomali sınıfı için kesinlik yüzde 87, duyarlılık yaklaşık yüzde 94,5 ve F1 skoru yüzde 90,6 olarak bildirilmiştir. Karışıklık matrisinde yaklaşık 120 anomali doğru belirlenirken 7 anomali normal olarak sınıflandırılmış; 18 normal örnek ise yanlış alarm üretmiştir. Bu değerler modelin laboratuvar veya benzetim verisindeki iki sınıfı ayırabildiğini göstermektedir, ancak gerçek bir yenilenebilir enerji tesisinde gelecekte oluşacak arızaları ne kadar erken ve güvenilir biçimde öngörebildiğini kanıtlamamaktadır.

Türkiye açısından önemi: Yaklaşım; Türkiye’deki rüzgâr türbinleri, güneş takip sistemleri, enerji depolama tesisleri ve pnömatik otomasyon kullanan sanayi işletmelerinde plansız duruşların azaltılması için araştırılabilecek bir başlangıç modeli sunmaktadır. Uygulamaya geçmeden önce Türkiye’de kullanılan gerçek eyleyicilerden uzun süreli basınç, konum, debi, sıcaklık ve bakım kaydı toplanmalı; kaçak, valf sıkışması, conta aşınması, sürtünme artışı ve sensör sapması gibi arızalar ayrı ayrı etiketlenmeli; model farklı mevsimler, yükler ve tesisler üzerinde dış doğrulamadan geçirilmelidir. Çalışma Türkiye’ye özgü saha verisi, maliyet hesabı veya emisyon azaltımı sunmadığından doğrudan yatırım ya da bakım politikası önerisi olarak kullanılamaz.

Çalışmanın “sürdürülebilirlik” iddiası, erken bakımın arıza, parça değişimi ve plansız duruşu azaltabileceği varsayımına dayanmaktadır. Araştırmada gerçek bakım süresi, enerji üretim kaybı, basınçlı hava tüketimi, parça ömrü, bakım maliyeti veya karbon salımı ölçülmemiştir. Bu nedenle gösterilen temel başarı sürdürülebilirlik performansı değil, sınırlı bir veri kümesindeki normal-anomali sınıflandırma performansıdır.

Araştırmanın temel problemi nedir?

Yenilenebilir enerji tesislerinde yalnızca 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 valfin, silindirin, contanın veya hava besleme hattının bozulması, ana enerji üretim ekipmanı çalışabilir durumda olsa bile sistemin durmasına yol açabilir.

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

Çalışmanın ele aldığı soru şudur: Çift etkili elektro-pnömatik bir silindirin fiziksel davranışını açıklayan matematiksel model ile sensör verilerinden öğrenen bir SVM sınıflandırıcısı birleştirildiğinde normal ve başlangıç düzeyindeki anormal çalışma durumları ayırt edilebilir mi?

Elektro-pnömatik eyleyici nedir?

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

Sistemin temel bileşenleri şunlardır:

• Çift etkili pnömatik silindir,
• 5/3 yollu yön kontrol valfi,
• Solenoid valf ve elektriksel kontrol devresi,
• Basınçlı hava üreten kompresör,
• Hava hazırlama veya servis birimi,
• Basınç, konum ve debi ölçüm elemanları,
• Röle, anahtar ve 24 V besleme bağlantıları.

5/3 yollu valfin beş bağlantı noktası ve üç çalışma konumu vardır. Valf, basınçlı havanın silindirin hangi odasına yönlendirileceğini ve diğer odanın nasıl boşaltılacağını belirler. Valf, silindir, hava hattı veya sensörlerden birindeki bozulma; hareket süresi, basınç farkı, piston konumu veya hava tüketiminde değişim oluşturabilir.

Çift etkili silindirin hacim modeli

Piston hareket ettikçe iki silindir odasının hacimleri ters yönlerde değişir. Çalışmada 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, basınç farkı da piston kuvvetini etkiler.

İdeal gaz ilişkisi ve basınç değişimi

Çalışma, odalardaki havayı ideal gaz yaklaşımıyla modellemektedir:

\[ P_1V_1 = n_1RT \]

\[ P_2V_2 = n_2RT \]

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

Modelde sıcaklığın sabit olduğu varsayılmıştır. Bir odanın hacmi küçüldüğünde ve hava kütlesi aynı kaldığında basınç yükselir; hacim büyüdüğünde basınç düşer. Gerçek hızlı pnömatik hareketlerde sıkıştırma ve genleşme sıcaklığı değiştirebileceğinden sabit sıcaklık kabulü modelin önemli sadeleştirmelerinden biridir.

Pistonun kuvvet dengesi

İki odadaki basınçların piston alanları üzerinde oluşturduğu kuvvetler, piston hareketinin temel kaynağıdır. Çalışmanın 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 viskoz sönüm katsayısını, ẋ piston hızını, k eşdeğer yay katsayısını ve F_load dış yük kuvvetini temsil etmektedir.

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

Sürtünme modeli

Çalışma sürtünmeyi statik, Coulomb ve viskoz bileşenlere ayırmaktadır:

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

Statik sürtünme piston harekete başlamadan önce aşılması gereken kuvveti, Coulomb sürtünmesi hareket sırasındaki yaklaşık sabit sürtünmeyi, viskoz bileşen ise hızla artan direnci temsil eder.

Conta aşınması, yağlama kaybı, yüzey bozulması veya mekanik hizasızlık sürtünme bileşenlerini değiştirebilir. Ancak çalışmada bu arızaların hangi sayısal sürtünme değişimleriyle benzetildiği açıklanmamıştır.

Hava akışı nasıl ele alınmıştır?

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

Valf debisi için verilen bağıntının metindeki matematiksel dizilimi açık değildir. Denklemde standart orifis akış modellerinde beklenen karekök işaretinin eksik veya bozuk aktarılmış olabileceği görülmektedir. Ayrıca sıkıştırılabilir akışta boğulmuş ve boğulmamış akış bölgelerinin nasıl ayrıldığı açıklanmamıştır. Bu nedenle valf akış modelinin bağımsız biçimde yeniden kurulması mümkün değildir.

Matematiksel model hangi kabullere dayanmaktadır?

Çalışmada açık veya örtülü biçimde kullanılan başlıca kabuller şunlardır:

• Pnömatik sistemin yaklaşık doğrusal davranması,
• Besleme basıncının belirli veya kararlı olması,
• Gaz sıcaklığının sabit kabul edilmesi,
• Valf ve bağlantılarda hava kaçağı bulunmaması,
• Sensör verilerinin yeterli ve doğru olması,
• Seçilen özelliklerin arızaları temsil edebilmesi,
• Eğitim verisi ile kullanım verisinin benzer dağılımdan gelmesi.

Kaçaksız sistem kabulü özellikle dikkat çekicidir. Pnömatik sistemlerde önemli arıza türlerinden biri hava kaçağıdır. Kaçağın başlangıç modelinde dışarıda bırakılması, modelin gerçek bakım problemlerinin bir bölümünü doğrudan temsil etmediğini göstermektedir.

Deney ve benzetim düzeni

Çalışmanın dokuzuncu sayfasındaki Şekil 2, çift etkili silindir ile 5/3 yön kontrol valfinin pnömatik ve elektriksel bağlantılarını göstermektedir. Aynı sayfadaki Şekil 3, devrenin FluidSIM ortamında çalıştırılmış biçimini ve etkin hava-elektrik yollarını sunmaktadır.

Onuncu sayfadaki fotoğrafta FESTO eğitim tezgâhı üzerinde 5/3 solenoid valf, çift etkili silindir, hava servis birimi ve elektrik bağlantıları görülmektedir. Araştırmacılar bu düzeneğin endüstriyel bileşenlere benzediğini ve eş zamanlı sensör verisi toplamaya imkân verdiğini belirtmektedir.

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

Hangi sensör ve özellikler kullanılmıştır?

Çalışma veri toplama sürecinde şu değişkenlerden söz etmektedir:

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

Bu değişkenlerin doğrudan sensörden mi ölçüldüğü, matematiksel modelden mi hesaplandığı veya ham sinyallerden mi türetildiği her değişken için ayrı ayrı belirtilmemiştir. Sensör modeli, ölçüm aralığı, doğruluk, örnekleme frekansı ve kalibrasyon bilgileri de sunulmamıştır.

Makine öğrenmesi süreci nasıl kurulmuştur?

Çalışmada önerilen veri işleme zinciri şu sırayı izlemektedir:

1. Sensör verilerinin toplanması,
2. Verilerin temizlenmesi ve ön işlenmesi,
3. Normal ve anomali etiketlerinin oluşturulması,
4. Basınç, konum, hız, kuvvet, debi ve sıcaklık özelliklerinin çıkarılması,
5. Özelliklerin standartlaştırılması,
6. Verinin eğitim ve test kümelerine ayrılması,
7. SVM modelinin eğitilmesi,
8. Doğruluk, kesinlik, duyarlılık ve F1 skoru ile değerlendirme,
9. Gerçek zamanlı normal-anomali kararı.

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

SVM nasıl karar vermektedir?

Çalışmada SVM karar fonksiyonu şu biçimde verilmiştir:

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

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

Ancak sonuç tablosunda RBF çekirdeğinin kullanıldığı belirtilmektedir. RBF çekirdeği, örnekleri örtük biçimde daha yüksek boyutlu bir özellik uzayında ayırır ve karar fonksiyonu yalnızca yukarıdaki doğrusal ifadeden oluşmaz. Çalışmada RBF çekirdeğinin gama ve düzenlileştirme parametresi gibi temel hiperparametreleri verilmemiştir.

Çekirdek seçimine ilişkin tutarsızlık

Yöntem bölümünde polinom çekirdeğin doğrusal çekirdeğe göre daha karmaşık karar 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 aynı model tanımını vermemektedir. Sonuçların RBF modeline ait olduğu tabloya dayanarak anlaşılabilse de polinom modelinin denenip denenmediği, nasıl karşılaştırıldığı ve nihai modelin hangi ölçüte göre seçildiği açıklanmamıştır.

Karışıklık matrisi ne göstermektedir?

Çalışmanın 13. sayfasındaki karışıklık matrisi iki sınıf içermektedir: “Normal” ve “Anomali”. Matris yaklaşık olarak şu sonuçları göstermektedir:

• 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 belirlenmiştir.

Yanlış alarm sayısı 18, kaçırılan anomali sayısı 7’dir. Kestirimci bakım açısından yanlış negatifler özellikle önemlidir; çünkü sistem gerçekte bozulurken modelin normal kararı vermesi bakım müdahalesini geciktirebilir. Yanlış pozitifler ise gereksiz inceleme veya bakım faaliyetine yol açabilir.

Performans ölçütleri ne anlama gelmektedir?

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

Anomali sınıfı için bildirilen değerler şöyledir:

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

Duyarlılığın kesinlikten yüksek olması, modelin anomalilerin büyük bölümünü yakalarken daha fazla yanlış alarm ürettiğini göstermektedir.

Deneysel ve matematiksel veri karşılaştırması

Çalışma iki sonucu karşılaştırmaktadır. “Deneysel benzetim” olarak adlandırılan model yüzde 90,2 doğruluk; yalnızca matematiksel benzetim modeli ise yüzde 90,3 doğruluk vermiştir. Genel doğruluklar hemen hemen aynıdır.

Buna karşılık anomali sınıfına odaklanıldığında deneysel olarak adlandırılan veri daha yüksek değerler üretmiştir:

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

Bu karşılaştırma, fiziksel veya fiziksele daha yakın verilerin anomali sınıfını tanımada yararlı olabileceğini düşündürmektedir. Ancak matematiksel veri ile deneysel verinin nasıl üretildiği, veri kümelerinin aynı büyüklükte olup olmadığı ve iki modele aynı hiperparametrelerin uygulanıp uygulanmadığı açıklanmadığından farkın nedeni kesin olarak belirlenemez.

Beş katlı çapraz doğrulama ne sağlamaktadır?

Her iki model için beş katlı çapraz doğrulama kullanıldığı belirtilmiştir. Bu yöntemde veri beş parçaya ayrılır; model beş kez eğitilir ve her seferinde farklı bir parça doğrulama için ayrılır. Amaç, performansın tek bir rastgele veri bölünmesine aşırı bağımlı olmasını azaltmaktır.

Çalışmada yalnızca “5-Fold” bilgisi verilmiş; beş katın ayrı performansları, ortalama ve standart sapma, veri bölme sırasında aynı çalışma çevrimine ait ardışık ölçümlerin farklı katlara düşüp düşmediği açıklanmamıştır. Zaman serilerinde birbirine çok yakın örneklerin eğitim ve test kümelerine dağılması, gerçek genelleme başarısını olduğundan yüksek gösterebilir.

Çalışma gerçekten başlangıç arızasını tespit etmiş midir?

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

Bir modelin normal ve anormal örnekleri ayırması, tek başına arızayı önceden tahmin ettiği anlamına gelmez. Başlangıç arızası iddiası için arıza şiddetinin zamanla artırıldığı deneyler, erken uyarı süresi, farklı bozulma seviyeleri ve arızaya kalan süre gibi ölçütler gerekir. Bu çalışma bunları sunmamaktadır.

Sürdürülebilirlik bağlantısı nasıl kurulmuştur?

Araştırmacılar erken arıza tespitinin plansız duruşu, gereksiz bakım 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 çalışmada aşağıdaki sürdürülebilirlik göstergelerinden hiçbiri ölçülmemiştir:

• Önlenen duruş süresi,
• Korunan enerji üretimi,
• Azalan basınçlı hava veya elektrik tüketimi,
• Azalan bakım ve yedek parça maliyeti,
• Uzayan eyleyici ömrü,
• Önlenen sera gazı salımı,
• Yaşam döngüsü çevresel etkisi.

Dolayısıyla çalışmanın ölçülmüş sonucu sürdürülebilirlik kazancı değil, bir SVM sınıflandırıcısının performansıdır. Sürdürülebilirlik etkisi gelecekte sınanması gereken bir hipotezdir.

Çalışmanın desteklediği sonuçlar

• Basınç, konum, debi ve benzeri özellikler kullanılarak normal ve anormal elektro-pnömatik çalışma durumları sınıflandırılabilir.
• Fiziksel model ile makine öğrenmesi aynı kestirimci bakım çerçevesinde birleştirilebilir.
• Sunulan test kümesinde SVM yaklaşık yüzde 90 genel doğruluk sağlamıştır.
• Model, testteki anomalilerin büyük bölümünü yakalamış; yalnızca 7 anomali normal olarak sınıflandırılmıştır.
• Deneysel olarak adlandırılan veri, matematiksel benzetim verisine göre anomali kesinliği, duyarlılığı ve F1 skoru bakımından daha yüksek sonuç vermiştir.
• FESTO eğitim tezgâhı, kontrollü arıza verisi üretimi ve algoritma geliştirme için kullanılabilecek bir laboratuvar ortamı sağlayabilir.

Çalışma neyi kanıtlamamaktadır?

• Modelin gerçek bir rüzgâr veya güneş enerjisi tesisinde çalışacağını kanıtlamamaktadır.
• Arızaları kritik bozulmadan belirli bir süre önce öngörebildiğini göstermemektedir.
• Bakım maliyetini, duruş süresini veya karbon salımını ölçülebilir düzeyde azalttığını kanıtlamamaktadır.
• Bütün elektro-pnömatik eyleyici türleri için yüzde 90 doğruluk sağlanacağını göstermemektedir.
• Görülmemiş arıza türlerini veya farklı tesis koşullarını güvenilir biçimde tanıyabildiğini göstermemektedir.
• Tek bir normal-anomali kararının arızanın türünü, yerini veya kalan kullanım ömrünü belirleyebildiğini göstermemektedir.
• Modelin gerçek zamanlı işlem gecikmesini, donanım gereksinimini veya haberleşme güvenilirliğini değerlendirmemektedir.

Başlıca yöntemsel ve editoryal sınırlılıklar

• Gerçek deney verisi ile FluidSIM verisinin kapsamı ve birleştirilme biçimi açıklanmamıştır.
• Arıza türleri, şiddetleri ve oluşturulma yöntemleri belirtilmemiştir.
• Toplam veri sayısı yalnızca test tablosundan kısmen anlaşılmakta; eğitim veri kümesi açıklanmamaktadır.
• Sensörlerin teknik özellikleri ve örnekleme frekansı verilmemiştir.
• Özellik çıkarma işlemleri ve kullanılan zaman pencereleri belirtilmemiştir.
• Eğitim-test bölme oranı açıklanmamıştır.
• SVM’nin C ve gama gibi hiperparametreleri verilmemiştir.
• Polinom ve RBF çekirdeği ifadeleri birbiriyle tutarlı değildir.
• Sonuç tablosundaki yaklaşık 0,91 F1 skoru sonuç bölümünde 0,83 olarak yazılmıştır.
• Karışıklık matrisi değerleri bilimsel gösterimle yuvarlatılmış, kesin hücre sayıları doğrudan yazılmamıştır.
• Sürdürülebilirlik iddiasını destekleyen maliyet, enerji veya emisyon ölçümü bulunmamaktadır.
• Gerçek yenilenebilir enerji tesisi doğrulaması gelecekteki çalışma olarak bırakılmıştır.

Türkiye’de uygulanması için gereken yol haritası

Türkiye’de 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; enerji depolama tesislerindeki havalandırma, yangın güvenliği ve anahtarlama eyleyicileri ayrı ayrı değerlendirilmelidir.

İkinci aşamada ekipmanlara basınç, debi, konum, sıcaklık, titreşim ve elektriksel kontrol sinyallerini izleyen sensörler yerleştirilmeli; veriler bakım kayıtlarıyla eşleştirilmelidir. Normal çalışma verisinin yanında kontrollü ve güvenli koşullarda farklı arıza türleri oluşturularak etiketli veri toplanmalıdır.

Üçüncü aşamada model, yalnızca rastgele örnek bölme ile değil; farklı makineler, farklı tesisler ve farklı mevsimler arasında doğrulanmalıdır. Bir tesiste eğitilen modelin başka bir tesiste sınanması, gerçek genelleme performansını göstermesi bakımından önemlidir.

Son aşamada sınıflandırma performansına bakım ekonomisi eklenmelidir. Yanlış alarmın bakım ekibine maliyeti, kaçırılan arızanın üretim ve güvenlik riski, sensör ve veri altyapısı maliyeti, önlenen duruş süresi ve enerji üretim kazancı birlikte hesaplanmalıdır.

Çalışmanın Yöntemi ve Bulguları

İncelenen sistem ve veri akışı

SVM test sonuçları

Tabloya göre test kümesi 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 hücreleri bilimsel gösterimle yaklaşık değerler hâlinde sunulduğundan kesin sayılar görsel üzerinden doğrudan okunamamaktadır. Tablo 1’de verilen 127’şer destek değeri, toplam test kümesinin 254 örnek olduğunu göstermektedir.

Deneysel ve matematiksel model sonuçları

Matematiksel modelin genel doğruluğu yüzde 0,1 daha yüksek görünmesine rağmen anomali sınıfındaki kesinlik, duyarlılık ve F1 değerleri daha düşüktür. Çalışma, bu farkın istatistiksel anlamlılığını değerlendirmemiş ve güven aralıkları sunmamıştır.

Modelin saha uygulamasında izlenmesi gereken ek ölçütler

Şekil ve tabloların anlamı

• Şekil 1: Çift etkili silindirin iki odasını, piston alanlarını, basınçları, valf bağlantılarını, hareket yönünü ve dış yükü şematik olarak göstermektedir.
• Şekil 2: 5/3 yön kontrol valfi, çift etkili silindir, hava servis birimi ve elektriksel kumanda devresinin bağlantı şemasıdır.
• Şekil 3: Aynı devrenin FluidSIM ortamındaki etkin hava ve elektrik yollarını göstermektedir.
• Tezgâh fotoğrafı: FESTO eğitim düzenindeki solenoid valfi, silindiri, hava hazırlama birimini ve elektrik bağlantılarını göstermektedir.
• Şekil 4: Veri toplama, ön işleme, özellik seçimi, hiperparametre ayarı, eğitim, değerlendirme ve devreye alma adımlarını göstermektedir.
• Şekil 5 ve Şekil 6: Normal-anomali etiketleme, model eğitimi ve gerçek zamanlı karar akışını özetlemektedir.
• Şekil 7: Yaklaşık 110 doğru normal, 18 yanlış alarm, 7 kaçırılan anomali ve yaklaşık 120 doğru anomali içeren karışıklık matrisidir.
• Tablo 1: Dengeli test kümesindeki kesinlik, duyarlılık, F1 skoru ve doğruluk değerlerini sunmaktadır.
• Tablo 2: Deneysel olarak adlandırılan veri ile matematiksel benzetim verisinin SVM performansını karşılaştırmaktadır.
• Şekil 8: İki modelin doğruluk, kesinlik, duyarlılık ve F1 değerlerini çizgi grafiğiyle karşılaştırmaktadır.

Kaynak ve Yöntem Notu

Çalışmanın 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. Çalışmada sorumlu yazar e-posta adresi femioni61@gmail.com olarak verilmiştir.

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 model, FluidSIM tabanlı kontrollü benzetim, FESTO eğitim tezgâhı ve SVM sınıflandırması içeren mühendislik preprinti.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir. Yöntem ve sonuçlardaki çekirdek seçimi, veri kaynağı, F1 skoru 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: Çalışmada toplu bir katkı açıklaması bulunmaktadır; ancak 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 model kodları sunulmamıştır.

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

Çalışmanın başlıca sınırlılıkları; gerçek yenilenebilir enerji tesisinde doğrulama yapılmaması, deney ve benzetim verilerinin sınırlarının açıklanmaması, arıza türleri ile şiddetlerinin belirtilmemesi, sensör ve veri toplama ayrıntılarının eksikliği, SVM çekirdeğindeki tutarsızlık, sonuç bölümündeki F1 skoru uyuşmazlığı ve sürdürülebilirlik etkilerinin nicel olarak ölçülmemesidir.