Makine durumu izleme için anormal seslerin sezimi

Endüstriyel ortamlarda çalışan makinelerde meydana gelen arızaların erken tespiti, üretim güvenliği, bakım planlaması ve maliyet optimizasyonu açısından kritik oneme sahiptir. Makinelerde meydana gelen arızaların erken tespitinde ses verisi, makinelerin çalışma koşulları hakkında önemli bilgiler verebilmektedir. Mevcut anormal ses tespiti (ASD) sistemleri, makinelere entegre edilen mikrofonlar aracılığıyla, ses sinyalleri üzerinden arıza tespiti yaparak temassız ve düşük maliyetli ve uygulanabilirliği yüksek bir çözüm sunmaktadır. Ancak, bu sistemlerin performansı, gerçek dünya koşullarında karşılaşılan ortamdaki yüksek gürültü seviyesi ve karmaşık arka plan sesleri nedeniyle önemli ölçüde düşmektedir. Bu durum, özellikle geleneksel makine öğrenmesi tabanlı yöntemlerin gürültüye karşı dayanıksızlığıyla birleştiğinde, bu sistemlerin gerçek saha koşullarında performans tutarlılığını olumsuz etkilemektedir. Bu tezin ana amacı, gürültüye dayanıklı gürbüz makine öğrenimi modeli geliştirmektir. Bu çalışmada, modelin gürültüye karşı dayanıklı hale getirilmesi amacıyla, gürültü giderici otokodlayıcı (DAE) mimarisi benimsenmiştir. Bu amaçla Mel-spektrogram tabanlı öznitelikler kullanılarak eğitilen bir temel otokodlayıcı (AE) modeli önerilmektedir. Modelin performansı, yeniden yapılandırma hataları ve AUC/pAUC metrik ölçütleri ile değerlendirilmiştir. Genelleştirme yeteneklerini iyileştirmek amacıyla düzenlileştirme teknikleri uygulanmış, ancak bu iyileştirmeler sınırlı fayda sağlamıştır. Renkli gürültü (beyaz, pembe ve kahverengi) makine ortamlarında yaygın olarak karşılaşılan başlıca gürültü türleri arasındadır. Makine seslerinin farklı gürültü karakteristiklerine sahip olabileceği hipotezi ile DAE mimarisine renkli gürültü türlerinin eklenmesi amacıyla melez ve uyarlamalı olarak adlandırdığımız iki yeni gürültü ekleme yaklaşımı önerilmektedir. Bu yeni yaklaşım, her ses örneği için güç spektral yoğunluğu (PSD) eğimi hesaplanarak, gürültü türlerinin spektral özellikleri ile modellenmesi prensibine dayanmaktadır. Çalışma, performans veri kümelerinde yer alan farklı makine sesleri üzerinde değerlendirilmiştir [13]. Sonuçlar, AUC ve pAUC metrikleriyle karşılaştırılmıştır. DAE mimarisine entegre edilen melez ve uyarlamalı gürültü türlerinin modelin genel performansını güçlendirdiğini göstermektedir. Önerilen DAE tabanlı yaklaşım, kaynak alanında %0,9–1,6 arasında AUC artışı; hedef alanda ise %1,2–2,3 arasında genelleme iyileşmesi elde etmiştir. Özellikle kahverengi gürültü, orta–yüksek gürültü seviyelerinde daha başarılı iken; yüksek gürültü seviyelerinde PSD tabanlı uyarlamalı gürültü modelin genelleme performansını artırdığı görülmüştür. Bu tez, gürültü giderici otokodlayıcıların makine sesi anomali tespitine uygulanmasını incelemekte ve farklı gürültü türleri ile spektral analizler üzerinden alana katkılar sunmaktadır.