Çeşitlendirilmiş girdiler ile derin öğrenme tabanlı rulman hata tespit ve sınıflandırması

Elektrik motorları, sabit performansları ve kullanım kolaylıkları sayesinde pek çok endüstriyel alanda tercih edilmektedir. Ancak, rulman arızaları, motor bozulmaları içinde en sık karşılaşılan sorunlardan birisidir. Rulman bozukluklarının erken aşamalarda ve doğru bir şekilde teşhisi, maliyetli arızaların önlenmesi ve operasyonel verimlilik için kritik önem taşımaktadır. Arıza teşhis tekniklerinin geliştirilmesi, arızalanmış parçaların düşük maliyetle değiştirilmesine veya yerinde en etkin şekilde onarılmasına olanak sağlayarak, motorun ömrünü uzatır ve bakım masraflarını azaltır. Mevcut literatürdeki çalışmalar genellikle basit kategorizasyonlar ve hata tespiti için temel yöntemleri esas almıştır. Bu yaklaşımlar çoğunlukla az sayıda sensör verisi kullanmaktadır ve bu da teşhis sürekliliği ve doğruluğu konusunda sınırlamalara sebep olmaktadır. Bu çalışma kapsamında, Dallas üniversitesinde geliştirilmiş özel bir sensör seti kullanılarak, motor ve rulmanlardan elde edilen sekiz çeşit veri üzerinden analiz yapılmıştır. Hedefimiz, rulmanlardaki beş farklı arıza tipi yanında bir sağlıklı durum olmak üzere altı farklı durumu doğru şekilde sınıflandırmaktır. Bu amaç doğrultusunda elde ettiğimiz deneysel verilere dayanarak, hangi giriş verilerin daha informatik ve öngörülebilir olduğunu değerlendirip, farklı girdi kombinasyonları ve modelleme teknikleri ile performans ve doğruluk oranları incelenmiştir. Böylece, rulman arızalarının teşhisi ve izlenmesi konusunda, mevcut literatürdeki eksikliklerin giderilmesi ve alanın ilerlemesine katkıda bulunacak yeni ve daha kapsamlı bir metodoloji sunulmuştur. Bu çalışmanın sonuçları, endüstriyel uygulamalarda kullanılan elektrik motorlarının güvenilirliğini artırarak, arıza yönetimi ve bakım stratejilerinin optimizasyonuna önemli bir katkı sağlayacaktır.