Tadqiqot, neft va gaz qoʻllashlarındaki vartikal turbinali nasoslarda tebrtoʻsatdansh sensorünü geleneksel motor yoki podshipnik joylashuvlarından alıp doğrudan moy ostida çalışan parrak haznesinin yakınına yerleştirmenin anormal ish sharoitlarinı ayırt etmeyi geliştirip geliştirmediğini incelemektedir. Tadqiqotchilar moy ostida çalışabilmesi uchun epoxy-fluoroelastomer yapıyla kapsullangan bir akselerometri parrak haznesine monte etmiş; aynı nasosnın motor va podshipnik hududlerindeki sensorlerle eş zamanlı tebrtoʻsatdansh maʼlumotsi toplamıştır. Klapan kapanmaları va moy seviyesindeki nazoratli değişimler anormal ish sharoitlari olarak kullanılmış, maʼlumotler geleneksel va chuqur oʻrgtoʻsatdansh tabanlı toplam 10 anomaliytoʻsatdan toʻsatdanqlash modeliyle baholangan.

Laboratoriya sharoitida parraka yakın sensorler xususiyatle xususiyatlarga asoslangan modellarde motor va podshipnik sensorlerinden daha fazla tanısal bilgi sağlamıştır. Xususiyatlarga asoslangan modellar uchun parrak sensorlerinin medyan maksimal AUC-ROC qiymati 0,950 olarak raporlanırken, bütün moy yuqori sensorlerin birlikte qiymatlendirilmesinde 0,911 va en iyi parrak tashqiı sensor olan oʻqel podshipnik sensoründe 0,901 olingan. Kapsullangan parrak sensori uchun bütün model va konfiguratsiyalar ustidan bildirbilann oʻrtacha AUC-ROC 0,816, oʻrtacha sinf toʻsatdanqligi %63,0; en iyi natijalar ise 0,973 AUC-ROC va %91,3 oʻrtacha sinf toʻsatdanqligidur.

Kapsullash, bütün modellar birlikte qiymatlendirildiğinde anomaliytoʻsatdan toʻsatdanqlash performansında statistik olarak ahamiyatli bir genel kayıp oluşturmamıştır. Bununla birlikte model bazında natijalar aynı yoʻnalishde emas: bazı algoritmalar kapsullanmagan sensorle daha iyi, bazıları ise kapsullangan sensorle daha iyi performans göstermiştir. Bu nedenle tadqiqotnın qoʻllab-quvvatlagan natija, kapsullashnin tebrtoʻsatdansh sinyalindeki bütün etkbilanri ortadan kaldırdığı değil; himoya tuzilmasi foydaltoʻsatdanldiktan sonra da anomaliytoʻsatdan toʻsatdanqlashi uchun yeterli bilgi taşıyan tebrtoʻsatdansh sinyalinin korunabildiğidir.

Tadqiqotning önemli sınırı dala yerine nazoratli laboratoriya sharoitida yapılmış olmasıdır. Nasos taxminan 1 m moy ostida çalıştırılmış, oqimkan olarak xom neft yerine ISO 46 gidravlik moy kullanılmış va deneyler taxminan 25 °C'de yürütülmüştür. Test edbilann anomalbilanr klapan kısılması va moy seviyesinin düşürülmesiyle oluşturulan tadqiqot koşullarıdır; parrak balanssızlığı, mil kaçıklığı, kavitasyon, podshipnik bozulması yoki başka bilanrleyici mektoʻsatdank arızalar deneysel olarak oluşturulmamıştır. Bu nedenle natijalar doğrudan haqiqiy petrol dalasında erken arıza teşhis başarısı olarak talqinlanamaz.

Turkiya nuqtayi nazaridan maʼnosi: Yakıt, petrokimya, rafineri, enerji va proses tesislerinde kullanılan dikey nasosların büyük boʻlimünde tebrtoʻsatdansh ölçümünün yalnız kolay erişbilanbbilann motor yoki podshipnik hududlerinden yapılması, sıvı uchunde va kaynağa yakın gelişen dinamik değişimlerin yüzeye ulaşana kadar zayıflaması riskini taşır. Tadqiqotning önerdiği yaklaşım Türkiye'deki ağır proses tesislerinde doğrudan uygulanmış yoki doğrulanmış emas; ancak moy ostida çalışabbilann kapsullangan tebrtoʻsatdansh sensorlerini kritik nasos kademelerine yaklaştırma fikri yerel kestirimci bakım Ar-Ge'si uchun test edbilanbilir. Gerçek qoʻllash uchun xom neft kimyası, yuqori harorat, bosim çevrimleri, daha büyük daldırma derinlikleri, uzun kablo mesafeleri, haqiqiy mektoʻsatdank arızalar va uzun dönem sensor dayanımı ayrıca doğrulanmalıdır.

Neden motor ustidaki sensorler her zaman yeterli olmayabilir?

Dikey türbin nasoslarında motor va üst podshipniklar bakım personeli tarafından kolay erişbilanbilir joylashuvdadır. Bu nedenle geleneksel koşul izleme qoʻllashlarında akselerometrler çoğunlukla bu hududlerde bulunur. Parrak ise sıvı ostida va motor sensoründen yapısal olarak daha uzakta çalışır.

Bir tebrtoʻsatdansh kaynağından çıkan mektoʻsatdank enerji nasos mili, kolon, yataklar, gövde va bağlantılar boyunca bilanrlerken değişebilir yoki zayıflayabilir. Tadqiqotnın temel sorusu, anormal ish durumuna en yakın hududde bulunan bir sensorün, yüzeydeki sensorlerden daha bilgbilanndirici bir tebrtoʻsatdansh imzası sağlayıp sağlayamayacağıdır.

Tadqiqotda kullanılan laboratoriya düzeneğinin daldırma mesafesi taxminan 1 m olduğu uchun üst sensorlerle parrak sensori arasındaki fiziksel mesafe haqiqiy petrol dalalarındaki bazı kurulumlara göre oldukça küçüktür. Yazarlar da bazı motor sensorlerinin chuqur modellarde parrak sensorine yakın yoki daha iyi natija varmesini kısmen bu kompakt laboratoriya geometrisiyle ilişkbilanndirmektedir.

Sensor neden kapsüllenmek zorunda?

Parrak hududsine sensor yerleştirmek ölçüm açısından avantajlı olsa da bu hudud sıcak hidrokarbon, kimyasal bbilanşenler, partiküller va uzun servis aralıkları sababli elektronik sensorler açısından zorlu bir ortamdır. Tadqiqotda parraka monte edbilann Sr#8a sensorü moy temasından korunmak amacıyla epoxy-fluoroelastomer bir himoya tuzilmasiyla kapsullangantir.

Mevcut tadqiqot kapsül malzemesinin uzun süreli kimyasal dayanımını yeniden test eden bir malzeme tadqiqotsı emas. Yazarlar bu konuda daha önce haqiqiyleştirdikleri ayrı tadqiqotlarına atıf yapmakta, mevcut deneyde ise asıl olarak kapsullashden sonra tebrtoʻsatdansh sinyalinin mashinaviy oʻrgtoʻsatdansh açısından kullanılabilir kalıp kalmadığını qiymatlendirmektedir.

Laboratoriya nasossı nasıl oluşturuldu?

Deney düzeneğinde iki bosqichma-bosqich ITT Goulds VS6 vartikal turbinali nasos foydaltoʻsatdanlgan. Nasosnın nominal hızı 1770 RPM'dir va en iyi maʼlumotm noktası manbata %62 oqim, ytoʻsatdan taxminan 26,2 US galon/daqiqa olarak berilgan.

Nasos yopiq konturde çalıştırılmış; moy aynı rezervuardan çekilip tekrar aynı rezervuara döndürülerek deneyler arasında oqimkan xususiyatlerinin mümkün olduğunca tutarlı kalması amaçlanmıştır.

Sensorler nereye yerleştirildi?

Tadqiqotchilar motor, nasos podshipnikı va parrak haznesinde farklı yoʻnalishlerde akselerometrler kullanmıştır. Ana sensor-informatifliği karşılaştırmasında yedi adet moy seviyesinin ustidaki motor/podshipnik sensorü bilan bir adet kapsullangan parrak sensori baholangan. Kapsullash etkisini qiymatlendiren ayrı karşılaştırmada ise parrak haznesine kapsullangan sensorün yanına iki kapsullanmagan kontrol sensorü yerleştirilmiştir.

Shakl 1 va Shakl 3 deney mantığını nasıl gösteriyor?

Shakl 1'de motor üzerine yerleştirbilann geleneksel sensor bilan moy seviyesinin ostida parrak haznesine monte edbilann kapsullangan sensor aynı sistem ustida gösterilmektedir. Sensor sinyalleri maʼlumot toplama ünitesine, oradan da mashinaviy oʻrgtoʻsatdansh analizine aktarılmaktadır. Böylece tadqiqotning temel yaklaşımı fiziksel olarak “ölçümü arızaya/anormalliğe yakınlaştırmak” va elde edbilann tebrtoʻsatdanshi maʼlumot analiziyle qiymatlendirmek üzerine kurulmuştur.

Shakl 3 ise sensorlerin haqiqiy laboratoriya nasossındaki joylashuvlarını koʻrsatadi. Motorun ichki/tashqi hududlerinde va podshipnik çevresinde kullanılan sensorlerle parrak haznesindeki sensor arasındaki yerleşim farkı bu şekilde doğrudan görülebilmektedir.

Anormal ish koşulları nasıl oluşturuldu?

Normal durumda motor 1770 RPM'de çalıştırılmış, deşarj klaptoʻsatdan tamamen açık tutulmuş va moy seviyesi minimum daldırma seviyesinin ustida tutulmuştur.

İki temel anormal durum abilansi yaratilgan:

1. Klapan değişimleri: Deşarj klaptoʻsatdan %25, %50 va %75 seviyelerine getirbilanrek oqim kısıtlanmıştır. Ani va bosqichma-bosqich değişimler test edilmiştir.
2. Moy seviyesi değişimleri: Moy seviyesi minimum daldırma seviyesinin altına va daha sonra birinci kademe parrakın altına düşürülmüştür. İkinci durumda moy oqimı kesilmektedir.

Bu koşullar haqiqiy mektoʻsatdank arıza emas. Tadqiqotda “anomaly”, sensorün normal ish temelinden farklılaşmasını sağlayan nazoratli ishlash koşulu anlamında foydaltoʻsatdanlmoqda.

Manba ichkii zamanlama belirsizliği: Ana usul boʻlimünde bosqichma-bosqich klapan değişimi taxminan 30 soniya olarak tanımlanırken ek test protokolünde %75'e bosqichma-bosqich kapanmanın 1 daqiqa sürdüğü qayd etiladi. Manuel klapan hareketlerinden manbalanan zamanlama belirsizliği de bir boʻlimde taxminan ±2 soniya, cheklovlar boʻlimünde ±2–3 soniya olarak maʼlumotlmektedir. Bu qiymatler burada tek bir sayıya dönüştürülmemiştir.

Ham tebrtoʻsatdansh neden doğrudan yeterli görülmedi?

Shakl 2, sekiz sensor kanalının normal oqim bilan klapan değişimi sırasındaki sinyallerini karşılaştırmaktadır. Örnekleme frekansı 4000 Hz olduğu uchun doğrudan çizim çok yoğun olduğundan görselleştirme amacıyla Gaussian yumuşatma uygulanmıştır. Manba, normal va anormal sinyaller arasında çıplak gözle güçlü va kolay seçbilanbilir kalıplar bulunmadığını vurgulamaktadır.

Bu nedenle tadqiqot mashinaviy oʻrgtoʻsatdanshni yalnız bir “sınıflandırıcı ekleme” adımı olarak değil, çok boyutlu tebrtoʻsatdansh xususiyatleri arasındaki daha ince farkları ortaya çıkarmak amacıyla kullanmaktadır.

Maʼlumot nasıl oynalendi?

Her sensor kanalı önce oʻqitish boʻlimünden hesaplanan oʻrtacha va standart sapma foydaltoʻsatdanb oʻrtachası 0 va standart sapması 1 olacak bichkiimde standartlashtir edilmiştir. Test maʼlumotsinin standardizasyonunda oʻqitish maʼlumotsinden hesaplanan parametrelerin aynısı foydaltoʻsatdanlgan; böylece test bilgisinin ön işleme bosqichsında oʻqitishe sızması azaltılmaya çalışılmıştır.

Oyna süreleri:

• 0,25 soniya,
• 0,5 soniya,
• 1 soniya,
• 3 soniya

olarak seçilmiş; oyna ustma-ust tushish oranları ise %90, %75, %50 va %0 olarak test edilmiştir. Böylece dört oyna süresi bilan dört ustma-ust tushish oranından oluşan 16 temel oynalash konfiguratsiyau baholangan.

Klapan değişiminin haqiqiyleştiği kayıtlarda normal va anormal zaman aralıkları oynalashden önce ayrılmıştır. Amaç, aynı oyntoʻsatdann uchunde hem normal hem anormal etiketli boʻlim bulunmasını önlemektir.

Statistik va spektral xususiyatler nelerdi?

Geleneksel xususiyatlarga asoslangan modellar uchun her kanal ustida 13 statistik va 15 spektral xususiyat hesaplanmıştır.

Statistik xususiyatler arasında mutlak enerji, oʻrtacha güç, entropi, kurtosis, maksimal, oʻrtacha, oʻrtacha mutlak sapma, medyan, medyan mutlak sapma, minimum, RMS, çarpıklık va standart sapma bulunmaktadır.

Spektral xususiyatler arasında maksimal spektral güç, maksimal 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 va wavalet mutlak oʻrtachası bulunmaktadır.

Bu xususiyat hesaplamaları TSFEL Python paketiyle haqiqiyleştirilmiştir.

Chuqur oʻrgtoʻsatdansh modellarine aynı xususiyatler maʼlumotlmedi

Tadqiqotning önemli usul ayrımlarından biri, chuqur modellarin 28 adet elle oluşturulmuş özelliği kullanmamasıdır. Derin zaman serisi modellari standartlashtir edilmiş zaman alanı sinyallerini, bir boyutlu Gaussian yumuşatma va alt örnekleme sonrasında doğrudan işlemektedir.

Bu nedenle tadqiqot iki farklı yaklaşımı karşılaştırmaktadır:

• Xususiyat mühendisliği: Tebrtoʻsatdanshi statistik va frekans alanı özetlerine dönüştürüp daha klasik anomali modellarine varmek.
• Temsil öğrenme: Azaltılmış zaman dizisini derin modelin kendisinin öğrenmesine bırakmak.

Hangi 10 model foydaltoʻsatdanldi?

Altı xususiyatlarga asoslangan 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).

Manba Autoencoder va DeepSVDD sinir ağı ichkierse de bunları elle çıkarılan xususiyat vaktörlerini kullanan “feature-based” grup ostida qiymatlendirmektedir.

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.

Modellar neden yalnız normal maʼlumotyle eğitildi?

Gerçek endüstriyel nasoslarda arızalı durum maʼlumotsinin az va elde edilmesinin pahalı olabbilanceği gerekçesiyle tadqiqot tek-sınıflı yoki yarı denetimli anomaliytoʻsatdan toʻsatdanqlash yaklaşımını kullanmıştır. Modellar yalnız normal ish segmentleriyle eğitilmiş, anormal ish segmentleri test sırasında foydaltoʻsatdanlgan.

Model çıktısı doğrudan “normal/anormal” etiketi değil, anomaliya balidur. Sınıflandırma eşiği oʻqitish maʼlumotsindeki normal anomali skorlarının üst kuyruğundan belirlenmiştir. Tadqiqotda %0,1, %1, %5, %10 va %20 eşik yüzdelikleri denenmiştir.

Maʼlumot sızıntısını azaltmak uchun ne yapıldı?

Bir tadqiqot segmentinden yüzlerce yoki binlerce birbirine yüksek korelasyonlu kaydırmalı oyna üretbilanbildiği uchun rastgele oyna bazlı oʻqitish/test ayrımı aşırı iyimser natija üretebilirdi. Tadqiqotchilar bu nedenle beş katlı kross-validatsiyayı tek tek oynaler yerine ishlash segmentlari düzeyinde yapmıştır.

Bu tasarım maʼlumot sızıntısı riskini azaltmaktadır; ancak bağımsız tadqiqot segmentlerinin sayısı yine cheklangandır. Natija boʻlimünde katlar arasında AUC-ROC farklarının bazı koşullarda 0,6'ya kadar çıkması, maʼlumot kümesinin bölünme bichkiimine karşı hâlâ önemli duyarlılık bulunduğunu koʻrsatadi.

Neden beşinci kross-validatsiya katı önemli?

Beşinci katta normal test koşulu sabit oqim maʼlumotsini ichkierdiğinde performans belirgin bichkiimde düşmüştür. Tadqiqotchilar bu düşüşün nedenini çözemedikleri uchun katı analizden çıkarmamıştır.

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

Parrak sensorü haqiqiyten daha bilgbilanndirici miydi?

Xususiyatlarga asoslangan modellarde parrak sensori belirgin avantaj göstermiştir. Manba, parrak hududsindeki kapsullangan va kapsullanmagan sensorlerin medyan maksimal AUC-ROC qiymatini 0,950 olarak varmektedir. Bütün moy yuqori sensorler uchun bu qiymat 0,911, en iyi parrak tashqiı sensor olan oʻqel podshipnik sensorü uchun ise 0,901'dir.

Bu natija, laboratoriya sharoitida anormal oqim va moy seviyesi değişimlerine yakın noktadan alınan tebrtoʻsatdanshin xususiyatlarga asoslangan anomali modellarine daha güçlü ayırıcı bilgi sağlayabildiğini desteklemektedir.

Chuqur modellarde joylashuv farkı daha küçüktür. LSTM-Autoencoder va Anomaly-Transformer gibi bazı modellarde bazı motor sensorleri parrak sensorinden az farkla daha yüksek natija varmiştir. Dolayısıyla manba “parrak sensori bütün model va bütün koşullarda daima yuqorindür” sonucunu desteklememektedir.

%91,3 va 0,973 qiymatleri nasıl okunmalı?

Özette vurgulanan %91,3 oʻrtacha sinf toʻsatdanqligi va 0,973 AUC-ROC, kapsullangan parrak sensorinün en yüksek/best-case natijalarıdır.

Jadval 4 aynı sensor uchun daha geniş performans özetini şöyle varmektedir:

Bu tablo kapsullangan sensorün en iyi testte güçlü natija varebildiğini, ancak kapsullanmagan kontrol sensorlerinin best-case skorlarının daha yüksek olduğunu da koʻrsatadi. Tadqiqotning kapsullash açısından ana sonucu maksimal skor eşitliği değil, bütün modellar topluca qiymatlendirildiğinde genel performans kaybının statistik olarak ahamiyatli olmamasıdır.

Kapsullash uchun statistik test ne gösterdi?

Kapsullangan va kapsullanmagan parrak sensorlerinden elde edbilann AUC-ROC dağılımları önce Shapiro-Wilk normallik testiyle baholangan. Bütün modellar uchun normallik testi p<0,001 olduğundan dağılımlar normal kabul edilmemiş va parametrik olmayan Mann-Whitney U testi foydaltoʻsatdanlgan.

Bütün modellarin toplu karşılaştırmasında:

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

olarak xabar qilingan. p=0,501 sonucu genel kapsullash etkisinin statistik olarak ahamiyatli olmadığını desteklemektedir.

Buna karşılık model bazında natijalar farklıdır. IForest, COPOD va Anomaly-Transformer gibi bazı modellar kapsullanmagan sensorde daha yüksek qiymatler maʼlumotrken CBLOF va KNN kapsullangan sensorde belirgin bichkiimde daha iyi performans göstermiştir. Bu karışık yoʻnalishlü natijalar kapsülün tebrtoʻsatdansh bilantimini tamamen etkisiz bırakmadığını, fakat tanısal bilgiyi ortadan kaldırmadığını düşündürmektedir.

Statistik xususiyatler mi, spektral xususiyatler mi daha iyi?

Shakl 6'da xususiyatlarga asoslangan modellar uchun statistik xususiyatlerin genel olarak spektral xususiyatlerden daha yüksek AUC-ROC ürettiği görülmektedir. Aynı zamanda daha uzun maʼlumot oynaleri çoğu modelde performansı artırma eğilimi koʻrsatadi.

Bu natija belirli bir tek özelliğin tüm performansı sağladığını göstermemektedir. Tadqiqot 13 statistik va 15 spektral özelliği toplu temsil olarak kullanmış va xususiyat gruplarının genel etkisini karşılaştırmıştır.

Oyna ustma-ust tushishsi ne kadar önemliydi?

%0 bilan %90 arasındaki ustma-ust tushish oranlarında model performansı genel olarak benzer kalmıştır. Tadqiqotchilar bunu yeterli sayıda oyna elde edildikten sonra tam oyna başlangıç joylashuvunun performansın tek belirleyicisi olmadığının göstergesi olarak talqinlamaktadır.

Bununla birlikte manuel klapan hareketlerinin kesin zaman sınırları bulunmadığından geçiş hududsindeki etiketler taxminan kabul edilmelidir.

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

AUC-ROC modelin normal va anormal örnekleri sıralama yeteneğini sınıflandırma eşiğinden bağımsız qiymatlendirir. Qoʻllashda ise alarm üretmek uchun belirli bir anomaliya bali eşiği gereklidir.

Tadqiqotda bazı modellar yüksek AUC-ROC elde etmesine rağmen sabit üst-kuyruk eşikleri foydaltoʻsatdanldiğında aynı ölçüde yüksek oʻrtacha sinf toʻsatdanqligi sağlamamıştır. Bu natija, iyi sıralama performansının otomatik olarak iyi dala alarm eşiği anlamına gelmediğini koʻrsatadi.

Chuqur modellar uchun %20 üst-kuyruk eşiğinde kapsullangan parrak sensorinün oʻrtacha sinf toʻsatdanqligi %74,4, oʻqel podshipnik sensorünün ise %74,1 olarak berilgan. Bu iki qiymatin yakınlığı, laboratoriya sharoitida bazı eşik seçimlerinde yüzey sensorlerinin de rekabetçi kalabildiğini koʻrsatadi.

Gerçek zamanlı izleme mümkün mü?

Mevcut tadqiqot maʼlumotleri çevrimtashqiı analiz etmiştir. Yazarlar aynı yaklaşımın kaydırmalı oyna tabanlı çevrim ichkii sisteme dönüştürülebbilanceğini belirtmektedir. Böyle bir qoʻllashda sensor oqimı tamponlanacak, standartlashtir edbilancek, xususiyat yoki zaman dizisi temsiline dönüştürülecek va her yeni oynade anomaliya bali hesaplanacaktır.

Tadqiqotda iForest va COPOD gibi hafif modellarin qoʻllashdaki çıkarım sürelerinin bir soniytoʻsatdann ostida olduğu qayd etiladi. Buna rağmen yazarlar haqiqiy dala qoʻllashsında asıl zorluğun yalnız hesaplama olmadığını; moy ostidaki sensorden güvanilir maʼlumot bilantimi, uzun kablo mesafeleri, değişen tadqiqot rejimlerine göre eşik yoʻnalishetimi, yanlış alarm bastırma va zaman uchunde yeniden kalibrasyon gibi mühendislik sorunlarının daha kritik olacağını vurgulamaktadır.

Tadqiqotning qoʻllab-quvvatlagan natijalar

• Kapsullangan bir akselerometr laboratoriya sharoitida moy ostida parrak haznesine monte edbilanrek kullanılabilir tebrtoʻsatdansh maʼlumotsi sağlayabilmiştir.
• Parraka yakın sensorler xususiyatle xususiyatlarga asoslangan anomali modellarinde motor va podshipnik sensorlerinden daha fazla ayırıcı bilgi sağlamıştır.
• Xususiyatlarga asoslangan modellar uchun parrak sensorlerinin medyan maksimal AUC-ROC qiymati 0,950 olarak xabar qilingan.
• Kapsullangan sensor uchun en iyi natija 0,973 AUC-ROC va %91,3 oʻrtacha sinf toʻsatdanqligidur.
• Kapsullangan sensorün tüm konfiguratsiyaları kapsayan oʻrtacha natijaları 0,816 AUC-ROC va %63,0 oʻrtacha sinf toʻsatdanqligidur.
• Bütün modellar birlikte qiymatlendirildiğinde kapsullash sababli statistik olarak ahamiyatli bir genel AUC-ROC kaybı tespit edilmemiştir.
• Statistik xususiyatler incelenen xususiyatlarga asoslangan modellarde genel olarak spektral xususiyatlerden daha iyi performans göstermiştir.
• Daha uzun oyna süreleri çoğu modelde performansı iybilanştirme eğilimi göstermiştir.
• İşletme segmenti düzeyindeki kross-validatsiya, aynı segmentten türetbilann oynalerin oʻqitish va teste karışmasından manbalanabbilancek maʼlumot sızıntısını azaltmayı amaçlamıştır.

Tadqiqotning qoʻllab-quvvatlamagan yoki test etmediği natijalar

• Tadqiqot haqiqiy petrol dalasında dala tasdiqlashsı sunmamaktadır.
• Tadqiqot yüzlerce metre daldırılmış nasos koşullarını deneysel olarak test etmemiştir.
• Mevcut deneyler xom neft yerine gidravlik moy kullanmaktadır.
• Mevcut deneyler yuqori haroratta değil taxminan 25 °C'de yapılmıştır.
• Parrak balanssızlığı, kavitasyon, mil kaçıklığı yoki podshipnik bozulması gibi bilanrleyici mektoʻsatdank arızalar test edilmemiştir.
• %91,3 toʻsatdanqlik va 0,973 AUC-ROC genel oʻrtacha performans emas; en iyi durum natijalarıdır.
• Parrak sensorü bütün mashinaviy oʻrgtoʻsatdansh modellarinde bütün moy yuqori sensorlerden yuqorin emas.
• Kapsullashnin sinyali hichki değiştirmediği gösterilmemiştir; yalnız genel tanısal performans kaybı statistik olarak ahamiyatli bulunmamıştır.
• Bir laboratoriya maʼlumot kümesindeki model metriği haqiqiy dala arıza yakalama oranına eşit emas.
• Uzun dönem dala kablolaması, telemetri, bosim çevrimleri va haqiqiy ishlash sürüklenmesi bu tadqiqotda doğrulanmamıştır.

Tadqiqot Usuli va Natijalari

Deney düzeneğinin teknik özeti

Normal va anormal ish sharoitlari

Maʼlumot ön işleme

Kullanılan modellar

Ana performans natijalari

Kapsullash istatistiği

Kapsullangan va kapsullanmagan parrak sensori performans dağılımları normal dağılmadığı uchun Mann-Whitney U testi uygulanmıştır. Bütün modellarin toplu qiymatlendirmesinde U=352704 va p=0,501 bulunmuştur. Manba bu sonucu kapsullashnin genel model performansında statistik olarak ahamiyatli kayıp oluşturmadığı şeklinde talqinlamaktadır.

Model bazındaki p qiymatlerinin çoğu p<0,001 olmasına rağmen farkların yoʻnalishü modelden modele değişmektedir. Örneğin CBLOF va KNN kapsullangan sensorle daha yüksek, IForest, COPOD va Anomaly-Transformer ise kapsullanmagan karşılaştırmada daha yüksek skorlar göstermiştir. Bu natija genel oʻrtachanın ostida farklı model-sinyal etkbilanşimleri bulunduğunu koʻrsatadi.

En önemli maʼlumot cheklanganlığı

Tadqiqotda çok sayıda kaydırmalı oyna bulunmasına rağmen bunların önemli boʻlimü az sayıdaki bağımsız ishlash segmentinden türetilmektedir. Oyna sayısının yüksek olması bağımsız deney sayısının aynı ölçüde yüksek olduğu anlamına gelmez.

Beş katlı kross-validatsiyada AUC-ROC qiymatlerinin bazı katlar arasında 0,6'ya kadar değişebilmesi, model performansının hangi ishlash segmentinin test boʻlimüne düştüğünden etkbilanndiğini koʻrsatadi. Bu nedenle oʻrtacha performans, tek bir en yüksek skordan daha ahamiyatli genelleme göstergesi olarak baholangan.

Saha qoʻllashsına geçişte çözülmesi gereken başlıca sorunlar

• Daha derin nasoslarda uzun sinyal bilantim mesafesi,
• xom neft va farklı kimyasal oqimkanlarla malzeme uyumluluğu,
• yuqori harorat va bosim çevrimlerinde kapsül sızdırmazlığı,
• yüksek frekanslı sürekli maʼlumot oqimının tamponlanması,
• değişen ishlash noktalarında anomali eşiklerinin uyarlanması,
• yanlış alarm bastırma va alarm kalıcılık mantığı,
• nasos yaşlanmasına bağlı uzun dönem model sürüklenmesi,
• haqiqiy mektoʻsatdank arızalarla dala tasdiqlashsı

Manba va Usul Haqida Izoh

Toʻliq asl tadqiqot nomi: In-Situ Monitoring of Submerged Pump Impellers Using Encapsulated Accelerometers and Machine Learning

Mualliflar, manba tartibi bilan: Sahil P. Wankhede; Xiangdong Xie; Ali H. Alshehri; Keith W. Brashler; Mohammad Ba’adtoʻsatdan; Doru C. Turcan; Kamal Youcef-Toumi; Xian Du.

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

Masʼul muallif: Xian Du — xiandu@umass.edu

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

Manba türü va hakemlik durumu: Bu tadqiqot hakem qiymatlendirmesinden geçmemiş bir preprinttir; natijaları bu yayın bosqichsı dikkate alınarak qiymatlendirilmelidir.

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 emas. Bibliyografik kontrolde bu başlık ostida 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 tashiydi. Yüklenen SSRN sürümünde başlık “In-Situ Monitoring...” olarak değiştirilmiştir. Bu Maʼlumotanla makalesinde bilimsel manba-of-truth olarak yüklenen SSRN 6932283 sürümü kullanılmış va iki sürümün metinleri birleştirilmemiştir.

Lisans: Yüklenen SSRN sürümünde şekillerin yeniden kullanımına yoʻnalishelik açık bir Creativa Commons lisans beyanı tespit edilmemiştir. Bu nedenle manba şekilleri bire bir kopyalanmamış; usul va sayısal bulgular metin, standart HTML tabloları va Maʼlumotanla Liva maʼlumot yapılarıyla aktarılmıştır.

Moliyalashtirish: Tadqiqot Saudi Arabian Oil Company (Saudi Aramco) tarafından desteklenmiştir.

Minnatdorchilik: Yazarlar Saudi Aramco'ya teknik yoʻnalishlendirme va endüstriyel problemin belirlenmesindeki iş birliği, MIT'ye ise teknik va mühendislik görüşleri uchun teşekkür etmektedir.

Manfaatlar toʻqnashuvi: Ali H. Alshehri, Keith W. Brashler, Mohammad Ba’adtoʻsatdan va Doru C. Turcan, tadqiqotyı destekleyen Saudi Arabian Oil Company bilan bağlantılıdır. Diğer yazarlar rekabet eden çıkar bildirmemektedir. Yazarlar görüş va natijaların Saudi Aramco'nun görüşlerini zorunlu olarak temsil etmediğini ayrıca belirtmektedir.

Maʼlumotlar mavjudligi: Yüklenen sürümde ayrı bir maʼlumot erişbilanbilirliği yoki açık maʼlumot deposu beyanı tespit edilmemiştir.

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

Manba ichkii usulsel tutarsızlıklar: Kademeli klapan değişimi ana usul boʻlimünde taxminan 30 soniya olarak tanımlanırken ek test protokolünde %75'e bosqichma-bosqich kapanma 1 daqiqa olarak maʼlumotlmektedir. Manuel klapan hareketine ilişkin zamanlama belirsizliği bir boʻlimde taxminan ±2 soniya, cheklovlar boʻlimünde ise ±2–3 soniya olarak qayd etiladi. Bu farklılıklar sessizce birleştirilmemiştir.

Performans metriği hakkında not: Özette vurgulanan %91,3 oʻrtacha sinf toʻsatdanqligi va 0,973 AUC-ROC kapsullangan parrak sensorinün en yüksek natijalarıdır. Jadval 4'te aynı sensor uchun oʻrtacha AUC-ROC 0,816 va oʻrtacha sinf toʻsatdanqligi %63,0 olarak maʼlumotlmektedir. Bu nedenle en iyi kat/konfiguratsiya qiymatleri genel oʻrtacha performans gibi talqinlanmamalıdır.

Ilmiy talqin chegarasi: Tadqiqot taxminan 1 m daldırma, gidravlik moy va taxminan 25 °C laboratoriya sharoitida yürütülen bir proof-of-concept deneyidir. Klapan va moy seviyesi değişiklikleri anormal ish sharoitlari oluşturmak uchun foydaltoʻsatdanlgan. Gerçek bilanrleyici mektoʻsatdank arızalar, haqiqiy petrol dalası derinlikleri, xom neft kimyası, yuqori harorat-bosim çevrimleri va uzun dönem dala işletimi doğrudan doğrulanmamıştır.

Maʼlumotanla usul izohi: Bilimsel ichkierik yüklenen tadqiqotning deney düzeneği, usulleri, tabloları, grafik izohları, model natijaları, statistik analizleri va cheklovlarına dayanmaktadır. Dış bibliyografik kontrol yalnız tadqiqot kimliği, SSRN DOI'si, önceki arXiv sürümü va güncel yayın durumunun doğrulanması uchun kullanılmış; başka manbalardan yeni nasos performansı yoki mashinaviy oʻrgtoʻsatdansh sonucu eklenmemiştir.