Hafif elektrikli araç motorlarında derin öğrenme tabanlı arıza tespiti ve sınıflandırılması

Son yıllarda, çevre dostu özellikleri ve ekonomik avantajları sayesinde Hafif Elektrikli Araçlar (HEA), ulaşım alanında önemli bir popülerlik kazanmıştır. Özellikle şehir içi kısa mesafeli ulaşımda elektrikli scooter'ların yaygınlaşması HEA motorlarının yüksek performansla ve güvenilir biçimde çalışmasını zorunlu hale getirmiştir. HEA'larda yaygın olarak Fırçasız Doğru Akım Motorları kullanılmaktadır. Dış ortamlarda kullanılan bu motorlar, çevresel koşulların yanı sıra termal, manyetik ve mekanik zorlanmalar sonucunda zamanla arızalanmaktadır. Bu durum, erken ve güvenilir arıza tespiti ihtiyacını ön plana çıkarmaktadır. Bu tez çalışmasında, elektrikli scooter üzerinde gerçekleştirilen deneylerle elde edilen çok boyutlu ve hiyerarşik bir veri seti kullanılarak, motor arızalarının sınırlı veri koşullarında yüksek doğrulukla tespiti amacıyla iki farklı derin öğrenme yaklaşımı değerlendirilmiştir. Çalışmada; sağlam, rulman arızalı, mıknatıs arızalı ve çoklu (rulman-mıknatıs) arızalı motor durumları incelenmiştir. Her bir motor durumuna ait sinyaller, akı, akım, akustik, gerilim ve titreşim olmak üzere beş sensör ile kaydedilmiştir. Veri setinin hiyerarşik yapısı, arıza tipi ve sensör bilgisini içeren iki katmanlı klasör yapısıyla oluşturulmuş, böylece hem arıza türünün tespiti hem de her arıza için en ayırt edici sensör tipinin belirlenmesi sağlanmıştır. Toplanan bu veri setinin derin öğrenme modelleri için kullanılabilmesi amacıyla çok aşamalı bir sinyal işleme süreci uygulanmıştır. Tek boyutlu zaman serisi sinyalleri Uyarlanabilir Gürültü ile Komple Topluluk Görgül Kip Ayrıştırması yöntemiyle İçsel Mod Fonksiyonlarına (IMF) bileşenlerine ayrıştırılmış, daha sonra her IMF satırı Kısa Zamanlı Fourier Dönüşümü kullanılarak iki boyutlu spektrogramlara dönüştürülmüş ve veri artırma teknikleriyle çoğaltılmıştır. Üretilen bu veri seti üzerinde iki farklı derin öğrenme yaklaşımı uygulanmıştır. İlk yaklaşımda, Parçacık Sürü Optimizasyonu (PSO) algoritması kullanılarak Evrişimli Sinir Ağının (CNN) mimari yapısı sıfırdan tasarlanmıştır. Bu süreçte katman sayısı, katman tipleri, katman sıralaması, filtre boyutları ve eğitim hiperparametreleri PSO tarafından optimize edilmiş, elde edilen mimari eğitilmiştir. İkinci yaklaşımda ise, önceden büyük ölçekli veri setlerinde eğitilmiş GoogLeNet, MobileNet-v2 ve ResNet-50 gibi derin ağ mimarileri Transfer Öğrenme (TL) yöntemlerinden fine-tuning (ince ayar) ile hedef veri setine uyarlanmıştır. Modellerin performansı, beş katlı çapraz doğrulama ile test edilmiş; doğruluk (accuracy), kesinlik (precision), duyarlılık (recall) ve F1 skoru (F1 Score) metrikleri kullanılarak değerlendirilmiştir. Deneysel bulgular, hem PSO ile optimize edilen CNN mimarisinin hem de TL uygulanan ön eğitimli modellerin, çoklu motor arıza türlerinin sınıflandırılmasında yüksek başarı sağladığını ortaya koymuştur. Bu çalışma, sinyal işleme, optimizasyon ve TL yöntemlerinin bütüncül biçimde ele alınmasıyla, sınırlı veri koşullarında dahi güvenilir bir sınıflandırma performansı ortaya koyarak HEA motor arızalarını tespit etmede özgün bir çözüm sunmaktadır.