Arıza Teşhisinde Derin Meta-Öğrenme Tabanlı Çoklu Sinyal Veri Füzyon Yaklaşımı

Üniversitemiz Mühendislik Mimarlık Fakültesi Bilgisayar Mühendisliği Bölümü öğretim üyelerimizden Doç. Dr. Eyüp Çinar ile Rektörlükte görevli Öğr. Gör. Dr. Özgür Gültekin’in ortak çalışması “Deep Meta-Learning-Based Multi-Signal Data Fusion Approach for Fault Diagnosis” başlıklı makale Journal of Intelligent Manufacturing dergisinde yayınlandı.

Son yıllarda, özellikle endüstriyel ortamlarda makine ve teçhizat durumlarının izlenmesi ve arızalarının teşhisi konusunda veri odaklı çözümler yaygınlaşmaktadır. Bu alanda yapılan mevcut çalışmaların büyük bir kısmında derin öğrenme yöntem ve tekniklerinden faydalanılsa da çoğu yaklaşım, büyük miktarda etiketlenmiş ve zaman damgalarıyla işaretlenmiş arıza verisine ihtiyaç duymaktadır. Ancak gerçek endüstriyel ortamlarda uzun süreli ve kapsamlı olarak arıza verisinin toplanması gerçekçi olmamakla birlikte çoğu zaman zor ya da imkânsızdır.

Üniversitemiz Mühendislik Mimarlık Fakültesi Bilgisayar Mühendisliği Bölümü öğretim üyesi Doç. Dr. Eyüp Çinar’ın yürütücüsü olduğu TÜBİTAK 2232 - Uluslararası Lider Araştırmacılar Programı (Proje No: 118C252) kapsamında desteklenen ve Öğr. Gör. Dr. Özgür Gültekin’in doktora tezinden üretilen “Deep Meta-Learning-Based Multi-Signal Data Fusion Approach for Fault Diagnosis” başlıklı bu makalede, bahsedilen sorunlara çözüm olarak, sınırlı miktardaki verilerden arıza teşhisi yapabilen çoklu sinyal füzyonuyla güçlendirilmiş derin meta-öğrenme tabanlı bir arıza teşhis yaklaşımı geliştirilmiştir. Yapılan çalışmada geliştirilen yöntem; veri kıtlığı, alan adaptasyonu ve model karmaşıklığı gibi zorluklara bir çözüm sunmayı hedeflemekte olup özellikle veri ölçüm süresinin sınırlı olduğu ortamlarda yüksek bir genelleme kapasitesi ve gürbüzlük sağlamaktadır.

Önerilen yaklaşım, metrik tabanlı bir meta-öğrenme algoritması olan İlişki Ağlarını içermekte ve veri ön işleme süreçlerinde kısa zamanlı Fourier dönüşümünden (STFT) faydalanmaktadır. Ayrıca, gömülü temsillerin elde edilmesinde çok dallı ve özdeş öznitelik çıkarıcılardan oluşan bir mekanizmanın kullanıldığı bu yöntemde, çoklu sinyallerin kolaylıkla öznitelik seviyesinde birleştirilmesine olanak sağlayan özgün bir füzyon yaklaşımı tasarlanarak geliştirilmiştir. Meta-öğrenme yaklaşımının temel amacı, daha önce görülmemiş ancak ilişkili sınıfları az veriyle doğru şekilde teşhis etmek olduğundan, yapılan testler üç farklı kullanım senaryosuna göre gerçekleştirilmiştir: (1) benzer arızaların farklı seviyelerinin teşhisi, (2) aynı arıza türlerinin farklı çalışma koşullarında teşhisi ve (3) farklı arıza türlerinin teşhisi.

Çalışmada elde edilen bulgular, çoklu sinyal kullanımının, yalnızca tek bir sinyalin kullanıldığı durumlara kıyasla arıza teşhis sürecinin doğruluğunu, hassasiyetini ve gürbüzlüğünü artırdığını kanıtlamaktadır. Ayrıca, yöntemin esnekliği ve farklı senaryolara uyarlanabilirliği, birçok endüstriyel ortamda kullanılan çeşitli makine ve teçhizat arızalarını teşhis edilebilme potansiyeline sahip olduğunu göstermektedir. Önerilen yaklaşım, derin öğrenme tabanlı geleneksel yöntemlere kıyasla, çıkarımların gerçekleştirileceği hedef alan için daha az veriyle dahi yüksek teşhis başarımına ulaşabilmekte; ayrıca, oluşturulan meta-görev yaklaşımı sayesinde de daha az parametreye sahip modellerin geliştirilmesini sağlayabilmektedir. Böylece hem eğitim hem de çıkarım süreçleri daha hızlı gerçekleşmekte ve süreçlerde daha az kaynağa ihtiyaç duyulmaktadır.

Üç farklı kullanım senaryosu için üç ayrı endüstriyel veri seti üzerinde yapılan deneyler, önerilen yaklaşımın tekli sinyal kullanımına kıyasla daha üstün performans sergilediğini ve kullanılan sinyal sayısı arttıkça başarımının yükseldiğini ortaya koymaktadır. Ayrıca, literatürdeki mevcut yöntemlere kıyasla üç farklı kullanım senaryosu için yapılan bütün testlerde daha yüksek test doğruluğu ve daha düşük standart sapma değerleri elde edilmiştir. Bu bağlamda, çalışmada önerilen yaklaşımın gerçek hayattaki endüstriyel ortamlarda arıza teşhisi için güçlü bir potansiyele sahip olduğu düşünülmektedir.

Makaleye erişim: https://link.springer.com/article/10.1007/s10845-025-02609-1