Dönen elektrik makinelerinde arıza teşhisi ve denetimsiz alan uyarlaması için padé yaklaşımlı sinir ağları

Abstract

Fault diagnosis is a core component of condition monitoring in industrial machinery, where data-driven methods are increasingly used to address complex dynamics and varying operating conditions. Although Convolutional Neural Networks (CNNs) perform well under controlled settings, their effectiveness often depends on deep architectures and degrades under varying operating conditions. To address these challenges, this dissertation proposes Padé Approximant Neural Networks (PadéNets), inspired by Padé rational approximants, for supervised fault diagnosis and unsupervised domain-adaptive learning. Using constant-speed vibration and acoustic datasets from the University of Ottawa, one-dimensional PadéNets operating directly on raw waveforms consistently outperformed CNN and Self-Organized Operational Neural Network (Self-ONN) baselines across accelerometer and microphone channels. Classification accuracies of 99.96 %, 98.26 %, and 97.61 % were achieved for accelerometers located from closest to farthest from the drive end, while 98.33 % accuracy was obtained for the microphone channel, using compact architectures with approximately 145 K trainable parameters. To address domain shifts caused by load and speed variations, PadéNet feature extractors were also integrated into Deep CORAL, Domain-Adversarial Neural Network (DANN), and Conditional Domain-Adversarial Network (CDAN) frameworks. In cross-load transfer experiments on the CWRU dataset using raw vibration signals and in constant-to-variable speed transfer experiments on the University of Ottawa dataset using log-Mel spectrograms, CDAN with PadéNet encoders achieved target-domain accuracies of up to 99.28 % and 97.06 %, respectively. Overall, the results demonstrate that PadéNet-based architectures provide an effective balance between accuracy, robustness, and computational efficiency.

Hata teşhisi, veri odaklı yöntemlerin karmaşık dinamiklerde ve değişen çalışma koşullarında giderek daha fazla kullanıldığı endüstriyel makinelerde durum izlemenin temel bir bileşenidir. Evrişimsel Sinir Ağları (ESA) kontrollü ortamlarda başarılı sonuçlar vermesine rağmen, etkinlikleri genellikle derin mimarilere dayanmakta ve değişken çalışma şartlarında performans kaybı yaşamaktadır. Bu tezde, söz konusu kısıtların üstesinden gelmek amacıyla gözetimli arıza teşhisi ve gözetimsiz alan uyarlamalı öğrenme için, Padé rasyonel yaklaşımlarından esinlenen Padé Yaklaşımlı Sinir Ağları (PYSA) önerilmektedir. Ottawa Üniversitesi'nden alınan sabit hızlı titreşim ve akustik veri setleri kullanılarak, doğrudan ham veri üzerinde çalışan tek boyutlu PYSA'lar; ivmeölçer ve mikrofon kanalları genelinde geleneksel ESA ve Kendinden Organize Operasyonel Sinir Ağları (KOOSA) modellerinden tutarlı bir şekilde daha iyi performans göstermiştir. Yaklaşık 145 K eğitilebilir parametreye sahip kompakt mimariler kullanılarak; tahrik ucuna en yakından en uzağa konumlandırılan ivmeölçerler için sırasıyla % 99,96, % 98,26 ve % 97,61; mikrofon kanalı için ise % 98,33 sınıflandırma doğruluğu elde edilmiştir. Ayrıca, yük ve dönüş hızı varyasyonlarından kaynaklanan alan kaymalarını ele almak için PYSA öznitelik çıkarıcıları; Derin Korelasyon Hizalaması (DKH), Alan-Çekişmeli Sinir Ağları (AÇSA) ve Koşullu Alan-Çekişmeli Ağlar (KAÇA) yapılarına entegre edilmiştir. CWRU veri setindeki ham titreşim sinyalleriyle yapılan çapraz yük uyarlama deneylerinde ve Ottawa Üniversitesi veri setindeki log-Mel spektrogramları kullanılarak yapılan sabit hızdan değişken hıza geçiş deneylerinde, PYSA kodlayıcılı Koşullu Alan-Çekişmeli Ağlar, sırasıyla % 99,28 ve % 97,06'ya varan hedef alan sınıflandırma doğruluğu yakalamıştır. Genel olarak sonuçlar, PYSA tabanlı mimarilerin doğruluk ve hesaplama verimliliği arasında etkili bir denge sağladığını kanıtlamaktadır.