TİTREŞİM SİNYALLERİNDEN RULMAN ARIZALARIN TESPİT EDİLMESİ

Abstract

Döner makinelerdeki rulmanlar, sistem güvenliği ve operasyonel süreklilik açısından kritik öneme sahip mekanik bileşenlerdir. Bu çalışmada, Case Western Reserve University (CWRU) rulman veri seti kullanılarak dört farklı makine öğrenmesi algoritması olan Random Forest, XGBoost, Support Vector Machine (SVM) ve Naive Bayes modelleri ile rulman arıza sınıflandırması gerçekleştirilmiştir. Zaman alanında çıkarılan istatistiksel öznitelikler temelinde, her modelin doğruluk (accuracy), kesinlik (precision), duyarlılık (recall) ve F1-skoru metrikleri ile performansları değerlendirilmiş ve karşılaştırılmıştır. Bulgular, özellikle Random Forest ve XGBoost algoritmalarının %95.73 doğruluk ve %96 precision, recall ve F1-score ile üstün performans sergilediğini ortaya koymuştur. SVM modeli %93.73 doğrulukla güvenilir bir alternatif olarak değerlendirilirken, Naive Bayes algoritması %92.40 doğrulukla nispeten daha düşük performans göstermiştir. Ayrıca, istatistiksel özniteliklerin tekil sınıflandırma başarımı incelenmiş ve özellikle standart sapma (sd) ve RMS gibi özniteliklerin yüksek katkı sunduğu belirlenmiştir. Bu çalışma, geleneksel makine öğrenmesi algoritmalarının farklı öznitelik yapılarına göre performanslarını detaylı biçimde analiz ederek, rulman arızalarının erken ve doğru tespiti için karar vericilere yol gösterici bir referans sunmaktadır.