Diagnosis of Bearing Faults Under Variable Speed Conditions Using Deep Learning

Rulmanlar, performansı, verimliliği, stabiliteyi ve operasyonel ömrü doğrudan etkileyen temel ve hassas bileşenlerdir. Ancak, zorlu ve değişken çalışma koşulları, yalnızca güvenli çalışma ortamını tehlikeye atmakla kalmaz, aynı zamanda ani ve öngörülemeyen bileşen arızalarına yol açarak ekonomik kayıplara neden olmaktadır. Değişken hız koşulları altında çalışan rulmanlarda arıza teşhisi, geleneksel yöntemlerden daha karmaşık sinyal işleme tekniklerini ve yorumlanması daha zor yapay zekâ modellerini gerektirir. Buna rağmen, bu araştırma makalesi, hem özellik çıkarma hem de sınıflandırma sürecinde daha basit ve anlaşılır modeller kullanarak hesaplama yükünü ve model karmaşıklığını önemli ölçüde azaltmayı amaçlamaktadır. Araştırma makalesi, değişken hız koşulları altında çalışan rulmanlardan elde edilen ham titreşim verilerinin görsel temsillere dönüştürülmesini ve ardından derin öğrenme modellerinden biri olan LSTM ile sınıflandırılmasını kapsamaktadır. Geliştirilen LSTM tabanlı arıza sınıflandırma modeli, oldukça sınırlı verilerle eğitildiğinde, rulmanın dört farklı durumunu %100 doğrulukla sınıflandırmayı başarmaktadır.