Akademik Veri Yönetim Sistemi
Avrupa Bilim ve Teknoloji Dergisi, sa.22, ss.176-183, 2021 (Hakemli Dergi)
Makine sağlığı göstergesi, bir makine parçasının bozulma aşamalarını ve ortaya çıkacak nihai arızasını gösterir. Bu çalışmanın temel amacı, makine öğrenmesi metodolojisi kullanarak titreşim verilerinden makine sağlığı göstergesini belirlemektir. Tespit edilen bu sağlık göstergesi daha sonra kalan faydalı ömür tahminde kullanılacaktır. Makine sağlık göstergesini hesaplamak için gerekli adımlar, özellik çıkarma, normalleştirme ve temel bileşen analizi olarak listelenmiştir. Bu çalışmada titreşim sinyalleri zaman alanından frekans alanına Welch yöntemi kullanılarak dönüştürülmüş ve ardından sıralanan öznitelikler basıklık, çarpıklık, etkin değer, tepe faktörü ve etki faktörü hesaplanmış. Özniteliklerin gürültüsü z-skor ve Savitzky-Golay yöntemleri kullanılarak azaltılmıştır. Sonrasında, temel bileşen vektörlerini hesaplamak için düzeltilmiş özniteliklere temel bileşen analizi uygulanmıştır. Bu vektörlerden monoton eksponansiyel artış eğilimine en iyi uyan vektörler kullanışlı temel bileşen vektörlerdir. Sağlık göstergesi, faydalı temel bileşen vektörlerinin ortalama değeridir ve kalan faydalı ömrü tahmin etmek için kullanılmıştır. Tahminin başarısı determinasyon katsayısı (R2) ve kök ortalama kare hata (RMSE) değerleri ile belirlenmiştir. Sonuçlara göre, R2 ve RMSE değerleri: prior eğitim seti için sırayıla 0.6625 ve 17.8925; posterior eğitim seti için sırayıla 0.9947 ve 1.7688; test seti için sırayıla 0.9897 ve 2.2025’tir.
The machine health indicator shows the deterioration stages of a machine part and its failure. The main purpose of this study is to
determine the machine health indicator from vibration data using machine learning. The determined health indicator will then be used
in the remaining useful life estimation. The necessary steps to calculate the indicator are listed as feature extraction, normalization,
and principal component analysis. In this study, vibration signals are transformed from time domain to frequency domain using the
Welch method then the listed features kurtosis, skewness, effective value, crest factor and impact factor are calculated. The noise of
these features has been reduced utilizing z-score and Savitzky-Golay methods. Subsequently, principal component analysis is applied
to compute principal component vectors. Of these vectors, vectors that best match the monotone exponential upward trend are chosen
as useful principal component vectors. The health indicator is the mean value of the useful principal component vectors and it has
been used to estimate the remaining useful life. The success of the prediction is determined by the determination coefficient (R2
) and
root mean square error (RMSE) values. According to the results, R2 and RMSE values are: 0.6625 and 17.8925 for the prior training
set, respectively; 0.9947 and 1.7688 for posterior training set, respectively; for the test set it is 0.9897 and 2.2025, respectively.