Makine öğrenimini kullanarak dönen makinelerde arıza teşhisi

Rulman arıza tespiti, makine bakımı ve makine sağlığı kontrolünde önemli bir rol oynar. Bu çalışmada, Case Western Üniversitesi'nin (CWRU) data merkezi web sitesinden alınan verileri kullanılmıştır. Bu veri setinin kullanılmasının amacı arızalı ve arızasız rulman sinyallerini sınıflandırmaktır. Bu çalışmada arızalı ve arızasız rulman sinyallerini sınıflandırmak için derin öğrenmeye dayalı bir yaklaşım önerilmiştir. Rulman Data Merkezinden alınan Sürücü Sonu ve Normal Baz Veri setlerinden spektrogramlar oluşturularak bir veri seti elde edilmiştir. Düşük, orta ve yüksek parametreleri olan üç farklı Evrişimli Sinir Ağı (CNN) modeli oluşturulmuştur. Bu üç model, arıza sınıflandırmak için karşılaştırılmıştır. Her üç modelden de tatmin edici sonuçlar alınsa da yüksek parametreli modelin doğruluk oranı neredeyse hatasız olarak elde edilmiştir. Bu çalışma, arıza sınıflandırma konusunda modellerin karmaşıklığına doğru orantılı bir şekilde artan doğruluk etkisini vurgulamaktadır. Sonuçlar, derin öğrenme modellerinin hatalı ve hatasız rulmanlar arasında ayrım yapabileceğini öne sürerek, makine arıza tespit sistemlerinde spektrogram analizinin işe yaradığını göstermektedir.