Yapay Zeka Destekli Makine Modu Benzerliği ile Arıza Teşhisi

Sanal veri analizi ile makine titreşim verilerini izleyerek arıza teşhisi yapmak için yapay zeka uygulamaları yaygın olarak kullanılmaktadır. Yapay zeka uygulamalarının en etkili sonuçları sağlaması için, uzun süreler boyunca makinaların düzenli olarak izlenmesiyle elde edilen verilerle eğitilmesi ve uzmanlar tarafından değerlendirilmesi gerekir. Bu eğitim sonucunda, makine işletme karakteristikleri tanınacak ve olası arızaların teşhisi mümkün olacaktır. Ancak, eğitim sürecinde bile makine arızalarının başarıyla tespit edilmesi gerekmektedir. Bu durumlarda, henüz yeterli miktarda veri bulunmuyorsa veya uzmanlardan çalışma karakteristiklerini elde etmek zorsa, makine mod benzerliği analizi temelli bir teşhis tekniği kullanılabilir.

Sensörlerden gelen ham titreşim verileri anlamlı özelliklere dönüştürülebilir ve bu özellikler kullanılarak bir makinenin işletim döngüsünü özetleyen “makine modları” bulunabilir. Makine modları, bir makinenin ömrü boyunca karşılaşabileceği önemli değişiklikleri gösterir, örneğin makine duruşu, işletme koşullarında küçük değişiklikler ve arızalar gibi. Çıkartılan modlar, endüstride kullanılan benzer makine tipleri için benzer eğilimleri gösterir. Bu nedenle, bilgi veya ölçüm bulunmayan bir makinenin işletme karakteristiği, işletme karakteristikleri iyi bilinen başka bir makinenin modları kullanılarak belirlenebilir. Normal şartlarda çok zaman ve çaba gerektiren bir süreç, mod benzerlik analizi ile kolay, hızlı ve anlaşılır hale gelir.

Mod benzerlik uygulaması için bir “donör” makinenin belirlenmesi ilk adımdır. Bir donör makine, yapay zeka algoritmamız tarafından iyi tanınan ve sistemine makine modu bilgisi sağlayan bir makinedir. Donör makineden gelen ham titreşim verileri, zaman ve frekans alanlarında çeşitli tekniklerle analiz edilir ve özelliklerine ayrılır. Bu özellikler, makine öğrenme algoritması tarafından değerlendirilir ve bunların ilgili sinyalleri makine modlarına ayrılır. Elde edilen modlar, saha uzmanları olan güvenilirlik mühendisleri tarafından incelenir ve hangi işletme koşullarına veya arıza tiplerine ait oldukları belirlenir. Aynı anda, “alıcı” makinenin verileri işlenir ve özellikleri çıkartılır. Alıcı makine, durumu bilinmesi istenen ve makine modlarının aktarılacağı makinedir. Alıcı makine, donör makinesine benzer bir tahrik sistemine sahip olmalıdır. Son olarak, alıcı makinenin hata modları, donör makinesinin arızalı modları ile alıcı makinenin mevcut ölçümleri arasındaki benzerlik analiz edilerek belirlenebilir. Bu uygulamada, bir gerçek makine, donör olarak kullanılabileceği gibi hazır bir kapsamlı mod kütüphanesi de kullanılabilir.

Bu tekniği daha net bir şekilde göstermek için bir uygulama yapabiliriz. İlk olarak, işletme karakteristikleri tamamen tanımlanmış bir donör makine olarak 250 kW’lik bir elektrik motoru tarafından tahrik edilen bir santrifüj pompayı düşünelim. Alıcı makine olarak, 200 kW kapasiteli bir elektrik motoru tarafından tahrik edilen bir fanı ele alacağız. Seçilen bu iki makinenin temel özellikleri çok farklı olsa da, ham titreşim verileri doğru bir şekilde analiz edilirse, onlar arasında bir korelasyon kurarak makine modlarını transfer etmek mümkün olacaktır. Her iki seçilen makinenin de değişken dönme hızları vardır. Bu nedenle, makine sağlığı açısından kritik bir öneme sahip rezonans durumu, örneğin belirlenecek arıza türü olarak seçilmiştir. Ancak benzer bir uygulama birçok farklı arıza nedeni için yapılabilir.

Donör makineden 3 eksenli titreşim verileri ve ölçüme özgü RPM (devir per dakika) değerleri toplandı. Ham veriden anlamlı özellikler çıkartıldı ve bunlar makine öğrenme algoritmasına beslendi. Algoritma, makine modlarına ayrılmış ölçümleri çıktı olarak verir. Rezonans karakteristiğini gösteren mod ve bu moda dahil edilen ölçümler, alıcı makine ile karşılaştırma yapmak üzere işaretlendi.

Alıcı makine için ölçümler aynı şekilde toplandı ve özellikleri çıkartıldı. Ardından, son bir işlem olarak, donör makinesinde rezonans arızası olarak işaretlenmiş modun ölçümleri ile alıcı makinenin tüm ölçümleri benzerlik algoritmasına beslendi. Her ölçüm için elde edilen benzerlik skoru, ölçümün rezonans moduna ne kadar yakın olduğunu gösterir. En yüksek skora sahip ölçümler daha sonra güvenilirlik mühendis ekibi tarafından tamamen arıza modunu doğrulamak için tekrar incelenmelidir.

Bu uygulamada, ölçüm numarası 341 en yüksek benzerlik skoruna sahiptir ve alıcı makine için rezonans karakteristiklerini gösterdiği doğrulanmıştır.

Tanıma sürecinde bile, kestirimci bakım kapsamında, makine mod benzerlik karşılaştırmaları yaparak çalışma ve arıza modları belirlenebilir. Bu şekilde, başlangıç eğitimini ve tahmin aşamalarını beklemeksizin birçok makinenin anlık durumu hakkında bir fikir edinmek mümkündür ve bu sayede acil durumlarda daha hızlı tepkiler verilebilir.