Akıllı Arıza Teşhis Uygulamaları için Zaman-Frekans İmgelerine Dayalı Özgün Bir Derin Öğrenme Yaklaşımı
Üniversitemiz Mühendislik Mimarlık Fakültesi Bilgisayar Mühendisliği Bölümü öğretim üyelerimizden Prof. Dr. Ahmet Yazıcı, Doç. Dr. Kemal Özkan, Dr. Öğretim Üyesi Eyüp Çinar ile Rektörlükte görevli Öğretim Görevlisi Özgür Gültekin’in ortak çalışması “A Novel Deep Learning Approach for Intelligent Fault Diagnosis Applications based on Time-Frequency Images” başlıklı makale Neural Computing and Applications dergisinde yayınlandı.
Son yıllarda, sensör ve ölçüm teknolojilerinin gelişmesi ve dünya çapında Endüstri 4.0 kavramlarına artan ilgiyle birlikte akıllı arıza teşhisi ve teşhis yöntemlerinin akıllı ölçüm uygulamalarına entegrasyonu, üretimde popülerlik kazanmıştır. Makine öğrenmesi ve veri işleme algoritmaları ile güçlendirilen bu akıllı ölçüm yaklaşımları, endüstriyel makinelerdeki anormallikleri sensörlerce elde edilen verilerden hızlı ve etkin bir şekilde ortaya çıkararak olası arızaları meydana gelmeden önce yüksek bir başarımla tespit ve teşhis edebilmektedir. Bu sayede de arıza riski olan endüstriyel cihazlar önceden tespit edilerek gerekli önlemler alınabilmekte ve böylece ortaya çıkabilecek can ve mal kayıpları büyük ölçüde önlenebilmektedir.
Veri odaklı gerçekleştirilen bu alandaki çalışmalarda son yıllarda popülerlik kazanan ve makine öğrenmesinin bir alt dalı olan derin öğrenme algoritmalarından sıklıkla faydalanılmaktadır. Derin öğrenme, verilerdeki gürültüye karşı gürbüz olması ve ölçüm verilerinden herhangi bir uzmanlık gerektirmeden otomatik olarak öznitelikleri çıkarmadaki gücü sayesinde etkin çözümler sunabilmektedir. Endüstride faydalanılan mevcut birçok çözümde herhangi bir cihazdan elde edilen titreşim gibi tek tip sensör verileri ile bir derin öğrenme modeli eğitilebilmekte ve bu model yardımıyla daha önce karşılaşılmamış veriler üzerinde tespit ve teşhis işlemleri gerçekleştirilebilmektedir. Fakat bir üretim ortamında her zaman ihtiyaç duyulan miktarda geçmiş veri elde etmek mümkün olmamaktadır. Bu nedenle de bir cihazda farklı kaynaklardan elde edilebilecek çoklu sensör ölçümlerinin yapılarak bu ölçümlerin birleştirildiği bir çoklu sensör füzyon tekniğinin geliştirilmesi mevcut çözümlere nazaran çok daha etkin ve gürbüz bir yaklaşım olacaktır.
Üniversitemiz Mühendislik Mimarlık Fakültesi Bilgisayar Mühendisliği Dr. Öğretim Üyesi Eyüp Çinar’ın yürütücüsü olduğu TÜBİTAK 2232 - Uluslararası Lider Araştırmacılar Programı (Proje No - 118C252) kapsamında desteklenen ortak projeden üretilen “A Novel Deep Learning Approach for Intelligent Fault Diagnosis Applications based on Time-Frequency Images” başlıklı bu makalede, endüstride sıklıkla kullanılan rulmanların arızalarını teşhis edebilmek için zaman-frekans dönüşümlerinden ve derin öğrenme tekniklerinden faydalanan çoklu sensör verilerinin füzyonlandığı özgün bir derin öğrenme modeli önerilmiştir.
Dönen bir bileşen olan rulmanlar, endüstriyel makinelerin büyük bir kısmında yaygın olarak kullanılmaktadır. Rulmanlara konumlandırılan akıllı sensörler yardımıyla dönüş esnasında ses, titreşim, akım vb. ölçümleri yapmak mümkün olabilmektedir. Çalışma kapsamında; hazır bir veri seti olan ve açık olarak erişime sunulan Paderborn University Bearing Data Set içerisinde yer alan 32 farklı rulman sınıfına ait titreşim ve akım verileri kullanılarak bu verilerden bir arıza teşhis çalışması gerçekleştirilmiştir.
Önerilen bu model sayesinde bir rulmandan elde edilen akım ve titreşim gibi çoklu sensör verileri tek bir öğrenme modelinde birleştirilerek ortaya çıkan ya da çıkması beklenen arızalar tek bir sensörden faydalanan yaklaşımlara göre çok daha yüksek başarımlar göstermiştir. Elde edilen bu zaman serisi verileri Kısa Zamanlı Fourier Dönüşümü ile zaman-frekans düzlemine aktarılmış ve tasarlanan ResNet-18 derin öğrenme modeli buradan elde edilen görsellerle beslenerek öznitelikler çıkartılmıştır. Sonrasında ise elde edilen öznitelikler birleştirilerek etkin bir hata teşhis mimarisi ortaya koyulmuştur.
Çalışmanın sonuçları, füzyonlanan çoklu sensör verilerinden elde edilen teşhis doğruluğunun tekli sensör verilerinden elde edilen sonuçlara göre çok daha gürbüz ve yüksek başarımlı olduğunu göstermektedir. Ayrıca önerilen yaklaşım, çalışma kapsamında her ne kadar sadece rulmanlardan elde edilen titreşim ve akım verileri için test edilmiş olsa da bu yaklaşımı farklı endüstriyel cihazlar ve farklı tipteki sensör verileri için de kolaylıkla adapte etmek mümkündür.
Makaleye erişim için: Neural Computing and Applications
