Endüstriyel tesislerde asenkron motorlar, üretimin görünmeyen ama vazgeçilmez taşıyıcılarıdır. Bu motorların uzun süreli ve yüksek yük altında çalışması, rulmanları en kritik zayıf halka haline getirir. Rulman kaynaklı arızalar yalnızca ekipman sağlığını değil; üretim sürekliliğini, iş güvenliğini ve bakım bütçelerini de doğrudan etkiler.
Geleneksel bakım uygulamalarında rulman arızaları çoğunlukla titreşim analizi, termal ölçümler veya akım sinyallerinin yorumlanmasıyla tespit edilir. Ancak bu yöntemler büyük ölçüde uzman deneyimine dayanır ve çoğu zaman periyodik ölçümlerle sınırlı kalır. Bu durum, arızaların erken evrede yakalanmasını zorlaştırırken plansız duruş riskini de artırır. Bakım 4.0 yaklaşımı ise bakım fonksiyonunu, insan sezgisinin ötesine taşıyarak veriye dayalı, sürekli izlenebilir ve öngörülebilir bir yapıya dönüştürmeyi hedefler.
ÇOKLU SENSÖRDEN TEK KARARA
Bu çalışmada, asenkron motor rulman arızalarının erken teşhisi ve sınıflandırılması amacıyla çoklu sensör verilerini bir araya getiren derin öğrenme tabanlı bir yaklaşım geliştirilmiştir. Temel hedef; tekil sensörlerin sunduğu sınırlı bakış açısını aşarak titreşim, akım ve tork gibi farklı fiziksel büyüklükleri bütüncül bir karar mekanizması içinde değerlendirmektir.
Deneysel düzenekten elde edilen üç eksenli titreşim, üç fazlı akım ve tork sinyalleri, ön işleme adımlarının ardından zaman–frekans temsillerine dönüştürülmüştür. Elde edilen spektrogramlar, Evrişimli Sinir Ağı (CNN) tabanlı modele giriş verisi olarak sunulmuştur. Bu sayede sinyallerdeki geçici bozulmalar ve karakteristik arıza imzaları, yalnızca zaman ya da frekans alanında değil, her iki boyutta birlikte analiz edilebilmiştir.
Bu yaklaşım, rulman arızalarının erken evrede ayırt edilmesini kolaylaştırırken; farklı sensörlerin birbirini tamamlayan bilgi içeriğinden faydalanılmasını sağlamaktadır.
VERİ FÜZYONUNUN KARAR KALİTESİNE KATKISI
Elde edilen sonuçlar, veri füzyonunun arıza sınıflandırma performansını belirgin biçimde artırdığını göstermektedir. Tekil sensör kullanımlarında doğruluk oranları belirli bir seviyede kalırken, titreşim, akım ve tork verilerinin birlikte değerlendirildiği senaryoda sınıflandırma başarısı %99’un üzerine çıkmıştır.
Bu bulgu, endüstriyel bakım uygulamaları açısından önemli bir gerçeğe işaret etmektedir: arızaya tek bir pencereden değil, birden fazla fiziksel göstergenin ortak diliyle bakmak.
Veri füzyonu sayesinde model, sağlam rulman durumu ile dış bilezik, iç bilezik ve bilye arızalarını yüksek hassasiyetle ayırt edebilmiştir. Sınırlı düzeyde gözlenen karışıklıklar ise, farklı arıza türlerinin bazı frekans bileşenlerinde benzer karakteristikler göstermesinden kaynaklanmaktadır. Buna rağmen elde edilen genel doğruluk, sistemin endüstriyel karar destek süreçleri için güvenilir bir altyapı sunduğunu ortaya koymaktadır.
ARAYÜZ DESTEKLİ UYGULAMA
Teknik başarının sahaya yansıyabilmesi için geliştirilen model, LabVIEW ve Python entegrasyonuna sahip grafiksel kullanıcı arayüzleriyle desteklenmiştir. Bu arayüzler; veri toplama, ön işleme, model eğitimi ve test süreçlerini operatör açısından sadeleştirirken, karmaşık hesaplama adımlarını arka planda yürütmektedir.
“Giriş–İşlem–Sonuç” mantığıyla tasarlanan yapı sayesinde bakım personeli, teknik detaylara girmeden motorun mevcut durumunu anlık olarak izleyebilmekte ve hızlı karar alabilmektedir. Eğitilmiş model, yeniden eğitim gerektirmeden yalnızca çıkarım yaparak sonuç üretebilmekte; bu da analiz süresini ciddi biçimde kısaltmaktadır.
Bu özellikler, geliştirilen sistemi yalnızca bir araştırma çıktısı olmaktan çıkararak sahada uygulanabilir bir bakım destek aracına dönüştürmektedir.
Bu çalışma, derin öğrenme destekli veri füzyonunun Bakım 4.0 vizyonuyla güçlü bir uyum içinde olduğunu ortaya koymaktadır. Bakım fonksiyonu, bu yaklaşımla birlikte yalnızca arızaya müdahale eden reaktif bir yapıdan çıkarak; üretimi yönlendiren, öngörülebilir ve planlı bir karar mekanizmasına dönüşmektedir.
Geliştirilen sistem; enerji, metal, çimento ve proses endüstrileri gibi asenkron motorların yoğun olarak kullanıldığı alanlar için ölçeklenebilir bir kestirimci bakım yaklaşımı sunmaktadır. Aynı zamanda görselleştirme kabiliyeti sayesinde eğitim kurumlarında da yapay zeka tabanlı bakım uygulamalarının öğretiminde kullanılabilecek bir altyapı ortaya koymaktadır.
VERİYE DAYALI BAKIMIN SAHADAKİ KARŞILIĞI
Bu çalışma kapsamında geliştirilen CNN tabanlı sistem, asenkron motor rulman arızalarının yüksek doğrulukla erken teşhis edilebileceğini göstermektedir. Otomatik özellik çıkarımı ve sınıflandırma süreçleri, bakım mühendisliğinde yıllardır süregelen manuel yükleri azaltırken; yanlış alarm riskini de minimize etmektedir.
Elde edilen bulgular, yapay zeka destekli kestirimci bakım yaklaşımlarının artık deneysel bir seçenek değil, endüstriyel rekabetin doğal bir gerekliliği haline geldiğini göstermektedir. Bakım 4.0 çağında başarı; yalnızca ekipmanı izlemekten değil, veriyi doğru okumaktan ve doğru zamanda aksiyona dönüştürmekten geçmektedir.
