Makine verisi, makinenin sahip olduğu ya da oluşturduğu fiziksel nicelikler ve nitelikler bütünüdür. Bu veriler çeşitli sensörler, yazılımlar ve makine üreticileri tarafından sağlanır. Son zamanlarda, nesnelerin interneti ve büyük veri yönetimi teknolojilerinin kullanımı arttıkça makine verileri daha fazla dikkat çekmeye başladı. Bazen makine tarafından oluşturulan veriler olarak da adlandırılan makine verileri; bilgisayarlar, gömülü sistemler ve bağlı sensörler dahil olmak üzere ağa bağlı cihazların faaliyetleri ve işlemleri tarafından otomatik olarak oluşturulan dijital bilgilerdir. Daha geniş bir bağlamda, makine verileri tedarikçi, son kullanıcı uygulamaları, üreticiler vb. tarafından oluşturulan bilgileri de içerebilir.

Veri tiplerini temelde ikiye ayırabiliriz:

  • Nicel Veriler
  • Nitel Veriler

NİCEL VERİLER

Nicel veriler, her bir veri kümesinin benzersiz bir sayısal değere sahip olduğu sayılar veya sayılabilen biçimindeki verilerin değeridir. Bu veriler, araştırmacıların matematiksel hesaplamalar ve istatistiksel analizler için bu matematiksel türevlere dayalı gerçek hayat kararları vermek için kullanabilecekleri herhangi bir ölçülebilir bilgidir. Nicel veriler, birlikte geldikleri matematiksel türevlerin kolaylığı nedeniyle çeşitli parametrelerin ölçülmesini kontrol edilebilir hale getirir.

Kestirimci bakım uygulamalarında genellikle sensörlerden alınan nicel veriler üzerinden değerlendirmeler ve planlar yapılmaktadır. Bu sensörlerden toplanan veriler de kendi içinde çeşitlilik gösterebilmektedir. Sensörler analog sinyali işlenebilir bir dijital veriye dönüştürür ve bu dönüşümü uygularken toplanacak veriye göre çeşitli kurallara tâbi tutulur. Toplanacak veri sadece zaman bazlı pozisyon, basınç veya debi gibi veriler ise çoğunlukla genel değer ölçümü yapılır. Toplanacak veri de aynı zamanda frekansa bağlı değişimler de incelenmek istenirse, izlenmek istenen maksimum frekansın en az 2 katında örneklenmesi gerekmektedir.

Döner makinelerin durum analizlerinde kullanılan en önemli verilerden biri olan titreşimde ise 2 farklı tipte bu veriler toplanabilmektedir. PLC-SCADA sistemlerinde kullanılan vibrasyon sensörleri genellikle genel değer vibrasyon sensörleri olmaktadır. Bu sensörler belirli zamanda sabit örnekleme frekansları ile toplanmış titreşim sinyalinden çıkardığı RMS, Crest, Kurtosis gibi belirli özellikleri kullanmaktadır. Bu özellikler aslında ölçülen veriden çıkarılan başka bir veridir. Diğer taraftan örneklenen sinyaller belirli arayüzlerde zaman-dalga formunda ve işlenen sinyaller spektrum, cepstrum gibi farklı uzaylar ile detaylı analizler yapılabilir.

Toplanan bir sinyal verisinden farklı istatistiki veriler elde edilebildiği gibi 2 farklı veriden hesaplanan veriler("data about data") de çıkartılabilir. Bu veriler akım ve gerilim değerlerinden güç verisinin çıkarılması olabileceği gibi iki farklı titreşim verisinden faz farkı veya kuvvet ve titreşim verisinden yapının direngenlik/sönümleme özellikleri de çıkarılabilir. Aynı zamanda 2 farklı verinin istatistiksel olarak karşılaştırma sonuçlarını içeren koherans, korelasyon, kovaryans verileri de nicel veriler altında incelenebilir.

Toplanan sinyal verileri de kendi içerisinde farklı gruplara ayrılmaktadır. Çoğu makine bileşeni, arızalı durumu sağlıklı durumdan ayırt etmenin yanı sıra diğerlerinden ayrılmalarını karakterize eden belirli titreşim sinyallerine yol açar. Ayırt edici özellikler, farklı tekrarlama frekansları olabilir. Örneğin; belirli bir dişli çiftini karakterize eden bir dişli ağ frekansı ve birbirine geçen iki dişlinin ortak ağ frekansları üzerindeki modüle edici etkilerini karakterize eden farklı yan bant aralıkları olabilir. Kestirimci bakım için toplanan titreşim sinyalleri çeşitli şekillerde kategorize edilebilir. Elde edilen sinyal tipi, uygulanması gereken sinyal işleme tekniğini de etkilemektedir. Titreşim sinyallerini aşağıdaki görseldeki gibi kategorize edebiliriz.

Sinyallerde en temel ayrım, durağan ve durağan olmayan şeklindedir. Durağanlık, istatistiksel özelliklerin zamanla değişmez olduğu anlamına gelir.Deterministik sinyaller temel olarak, bunların tamamen kendini oluşturan sinüzoidlerin ayrık frekanslarından oluştuğu anlamına gelir. Bu bileşenlerin frekansı, genliği ve ilk fazı (yani sıfır zamanında) bilindiğinde, sinyalin değeri gelecekte veya geçmişte herhangi bir zamanda tahmin edilebilir; dolayısıyla "deterministik" tir. Rastgele sinyaller, değerleri herhangi bir zamanda tahmin edilemediğinden biraz daha karmaşıktır, ancak durağan rastgele sinyaller için istatistiksel özellikleri zamanla değişmez. "Durağan olmayan", durağanlık koşullarını sağlamayan herhangi bir şey anlamına gelir ve "sürekli değişen" ve "geçici" olmak üzere iki ana sınıfa ayrılabilir. Bu iki türü ayırt etmek için kesin bir kural yoktur, ancak genel olarak geçici sinyallerin yalnızca sınırlı bir süre boyunca var olduğu ve tipik olarak sadece bu süre içinde varlık olarak analiz edildiği söylenebilir. Bunu açıklamak gerekirse; örneğin, azalan bir üstel fonksiyon teorik olarak sonsuza kadar azalır, ancak pratik açıdan sadece sonlu bir süre için ölçülebilir bir değere sahiptir.

Tanımı gereği durağan rastgele bir sinyal sabit bir güce ve dolayısıyla sonsuz enerjiye sahiptir. Döngüsel durağan(cylostationary) sinyaller, tanım gereği, zamanla periyodik olarak değişen güce sahiptir ve dolayısıyla toplam enerjileri de sonsuzdur. Bir makinenin çalışması veya yavaşlaması sırasında ölçülen titreşim sinyalleri gibi durağan olmayan diğer sinyaller de sonlu uzunluğa sahiptir, ancak tipik olarak geçici olaylardan ziyade sürekli değişen durağan olmayan sinyaller olarak kabul edilmeleri daha olasıdır. Sürekli değişen durağan olmayan sinyaller genellikle zaman/frekans analizi teknikleri ile analiz edilir.

Figür 2. Örnek Sinyal Tipleri

Figür 2’ye göre ilk iki sinyal (periyodik ve yarı periyodik) deterministiktir ve tamamen ayrı sinüzoidal bileşenlerden oluşur. Periyodik (testere dişi) sinyal için, bu bileşenler temel periyodik frekansın tam sayı katlarındadır/harmoniklerindedir. Yarı-periyodik sinyal için, ayrı frekanslar bir harmonik serinin tüm katları değildir. Bu durum yarı-periyodik sinyallerde en az iki bileşen arasındaki frekans oranının irrasyonel bir sayı olması gerektiği anlamına gelir. Tipik bir örnek, birkaç bağımsız şaftı olan bir gaz türbini motorundan gelen titreşim sinyalleri ile verilmektedir. Her şaft normalde harmonik aileleri oluşturacaktır, ancak toplam sinyal yarı-periyodik olacaktır. Üçüncü sinyal (durağan rastgele) zaman alanında yarı-periyodik sinyalden çok farklı görünmez, ancak spektrumu tamamen farklıdır, ayrı frekanslar yoktur ve spektral gücü frekansla sürekli olarak dağıtılır. Gösterilen örnek, dikkate alınan frekans aralığında tek tip bir spektruma sahip olan 'beyaz gürültü'dür.

Çevrimsel-durağan sinyal, genlik modülasyonlu bir beyaz gürültüdür. Bir sinyalin genlik modülasyonunun (tek bir frekansla), modülasyon frekansına eşit bir miktarda modüle edilmiş her bir frekans bileşeni etrafında aralıklı olarak spektrumda yan bant çiftleri ile sonuçlandığı sinyallerdir.

Tipik bir çevrimsel-durağan olmayan sinyal Figür2’de gösterilmemiştir, ancak örneğin, modüle edici sinyalin periyodunun sabit olmaması ancak zamanla deterministik bir şekilde değişmesi dışında, oradaki çevrimsel-durağan sinyale benzer olabilir.

NİTEL VERİLER

Diğer bir önemli makine verisi kategorisi nitel(Meta) verilerdir. Meta veriler, olayın gerçekleştiği koşulları açıklamak için bir olaya eklenen verilerdir. Örneğin, telefonunuzun kamerasıyla her fotoğraf çektiğinizde, fotoğrafın çekildiği tarih, kamera merceğinin açıklığı, pozlama süresi, GPS konumu ve daha fazlası dahil olmak üzere fotoğrafla ilgili meta veriler otomatik olarak oluşturulur. Benzer bir şekilde kestirimci bakımda da toplanan titreşim, sıcaklık, devir vb. gibi bilgilerin yanı sıra toplanan rulman modeli, kaidenin zemine bağlantı şekli, kaplin tipi gibi sistemi niteleyen bilgiler arıza kök-neden teşhisi ve bakım planlamasında nicel veriler ile korele edilerek analiz edilir.

Makine tarafından oluşturulan veriler ham ve gerçeklere dayalıdır, genellikle belirli bir zamanda bir olayın veya belirli bir parametrenin değerinin basit bir kaydını sağlar. Makine sağlığı araçları, kestirimci bakım platformları, verileri başka bir zamanda izlemek ve makine tarafından oluşturulan ek veriler ve diğer kaynaklardan gelen verilerle ilişkilendirmek için kullanılır. Verilere bağlam eklenmesi aşağıdaki gibi soruları yanıtlar:

"Bu veriler nereden geldi?"

"Bu veriler neyi temsil ediyor?"

"Bu veriler ne zaman toplandı?

Bu soruları yanıtlamak, verileri bağlamsallaştırır ve bilgiye dönüştürülür. Bilgi düzeyinde, verilerde var olan ilişkileri ve sistemin genel durumu hakkında bize söylediklerini analiz etmeye, anlamaya ve içgörü geliştirmeye başlıyoruz. Verilere hizmet perspektifinden veya güvenlik perspektifinden baksak da amaç, verileri bir şey hakkında somut bir tespit veya tahmin yapmak için kullanmaktır.

Makine Veri Analitiği araçları, makine verilerini işlemek için temel DIKW piramidini takip eder. İlk olarak, veriler ağdaki çeşitli kaynaklardan toplanır. Ardından, bir AI uygulaması verileri elemek, eğilimleri belirlemek ve değişiklikleri izlemek için algoritmalar kullanır. Daha sonra, yeni bilgi ve anlayışlar oluşturmak için bilgi kapsamlı bir şekilde analiz edilir ve sistem genelinde ilişkilendirilir. Son olarak, içgörüler kullanıcılara bildirildiğinde, birileri sistemin durumunu iyileştirmek için içgörüler üzerinde harekete geçebilir.

REFERANSLAR

[1] Randall, R. B. (2022). Vibration-based condition monitoring: Industrial, automotive and Aerospace Applications. Wiley.