Bu dalga boyu verilerini kullanarak, yapay zeka ile ekipmanın sağlık durumunu nasıl analiz edebiliriz?
Fiber Bragg Grating (FBG) algılama sistemlerinden alınan yansıma dalga boyu verilerini yapay zeka (AI) algoritmalarıyla birleştirmek, ekipman yapısal sağlık izleme (SHM) ve arıza tahmini ve sağlık yönetimi (PHM) uygulamaları için temel bir bağlantıdır.
Dibe giden optik dalga boyu zamansal sinyallerinden üst düzey ekipman sağlık durumu değerlendirmesine kadar, standart bir teknik uygulama mimarisi genellikle aşağıdaki dört katmana ayrılır:
I. Fiziksel Miktarın Geri Kazanımı ve Veri Temizleme (Ön İşleme Katmanı)
Fiber Bragg Grating demodülatörlerinden elde edilen ham fiziksel nicelik, her ölçüm noktasının Bragg merkezi dalga boyudur \lambda_B (temel prensip \lambda_B = 2 n_{\text{eff}} \Lambda ile uyumludur). AI modeline girmeden önce temel ön işlemeler gereklidir:
- Sıcaklık ve Gerinim Ayrıştırması: Fiber Bragg gratings, hem sıcaklığa hem de gerinime duyarlıdır. Çevresel sıcaklık sapmalarını ortadan kaldırmak ve saf mekanik gerinim \varepsilon(t) veya sıcaklık alanı dağılımı T(t) elde etmek için diferansiyel kalibrasyon algoritmaları kullanılır.
- Sinyal Filtreleme ve Gürültü Azaltma: Fiber optik bağlantı titremesi veya ışık kaynağı dalgalanmalarından kaynaklanan yüksek frekanslı beyaz gürültüyü filtrelemek için Dalgacık Ayrıştırma (Wavelet Denoising), Kalman Filtresi veya Ampirik Mod Ayrıştırma (EMD) kullanılır.
- Veri Hizalama ve Standardizasyon: Çok kanallı örnekleme hızlarını (örneğin, 10\ \text{Hz} ila 100\ \text{Hz}) birleştirin ve Z-skoru standardizasyonu veya Maksimum-Minimum Normalizasyon uygulayın.
II. Özellik Mühendisliği ve Durum Karakterizasyonu (Özellik Çıkarma Katmanı)
İzlenen nesnenin dinamik ve statik özelliklerine göre, sürekli dalga boyu sinyallerinden çok boyutlu karakterize edici özellikler çıkarılır:
- Zamansal İstatistiksel Özellikler: Ortalama, varyans, tepe-tepe değeri, marj faktörü, darbe faktörü ve basıklık (Kurtosis, ekipmandaki erken nokta korozyonu veya çatlaklardan kaynaklanan darbe anormalliklerine karşı oldukça hassastır).
- Frekans Alanı ve Zamansal-Frekans Özellikleri: Titreşim ve dinamik gerinim izleme için, özellik frekanslarını, harmonik enerji oranını çıkarmak üzere Hızlı Fourier Dönüşümü (FFT) veya Kısa Süreli Fourier Dönüşümü (STFT) kullanılır; modal analiz teknikleri ekipmanın doğal frekansını, mod şeklini ve sönüm oranını tersine mühendislikle belirlemek için kullanılır. Doğal frekansın düşmesi genellikle sertlikte bozulma veya yapısal hasarı doğrudan gösterir.
- Uzamsal Topoloji Özellikleri: Fiber Bragg gratings, doğal olarak yarı dağıtılmış çoğullama yeteneğine sahiptir. Tek bir fiber üzerindeki birden fazla FBG ölçüm noktası bir uzamsal dizi oluşturur ve bu da kesit eğilme momenti, eğrilik değişim oranı ve uzamsal gerinim gradyan alanı gibi özelliklerin çıkarılmasına olanak tanır.
III. AI Modelleme ve Sağlık Durumu Analizi (Algoritma Çıkarım Katmanı)
Eğitim verisi etiketlerinin eksiksizliğine ve iş hedeflerine bağlı olarak, genellikle aşağıdaki AI algoritma mimarisi türleri kullanılır:
1. Erken Anomali Tespiti (Gözetimsiz Öğrenme)
- Uygulama Senaryosu: Ekipmanların çoğu zaman normal durumda çalışması ve arıza örneklerinin çok az olması.
- Algoritma Modelleri: İzolasyon Ormanı (Isolation Forest), Tek Sınıf Destek Vektör Makinesi (One-Class SVM) veya LSTM Otomatik Kodlayıcı (LSTM-Autoencoder).
- Uygulama Mantığı: Oto-kodlayıcıyı sağlıklı geçmiş çalışma aşamalarındaki dalga boyu özellikleri ile eğitir. Ekipmanın içinde yorulma dökülmesi veya lokal aşırı ısınma meydana geldiğinde, gerçek ölçülen sinyal ile model tarafından yeniden yapılandırılan sinyal arasındaki artık değer (Yeniden Yapılandırma Hatası), dinamik eşiği aşarak önemli ölçüde artar ve bu da erken alt sağlık durumu olarak belirlenir.
2. Arıza Teşhisi ve Sınıflandırması (Gözetimli Öğrenme)
- Uygulama Senaryosu: Ekipmanın tipik arıza modlarının (örneğin, yatak iç halka aşınması, cıvata gevşemesi, taban dengesizliği vb.) bilinmesi ve etiketlenmiş verilerin bulunması.
- Algoritma Modelleri: Tek Boyutlu Evrişimsel Sinir Ağı (1D-CNN), Rezidüel Ağ (ResNet) veya Gradyan Artırma Karar Ağacı (XGBoost/LightGBM).
- Uygulama Mantığı: Sürekli dalga boyu zaman serisi veya zaman-frekans spektrumları girdi tensörleri olarak kullanılır ve model, yüksek dereceli arıza göstergelerini otomatik olarak çıkararak arıza sınıfı olasılık dağılımını ve güven düzeyini çıktılar.
3. Kalan Kullanım Ömrü Tahmini (RUL / Zamansal Geri Çekilme)
- Uygulama Senaryosu: Ekipmanın ne zaman arıza eşiğine ulaşacağını tahmin ederek kestirimci bakım sağlamak.
- Algoritma Modelleri: Uzun Kısa Süreli Bellek (LSTM), Kapılı Tekrarlayan Birim (GRU), Transformer veya Fizik Bilgili Sinir Ağı (PINN).
- Uygulama Mantığı: Yağmur Sayım Yöntemi (Rainflow Counting) ile gerinim çevrim spektrumunu hesaplar, zaman serisi dikkat mekanizmasına dayalı bir sinir ağı modeline girdi olarak verir, malzeme yorulma hasarı evrim modelini (örneğin, Miner Kuralı) entegre eder ve çatlak yayılma eğilimini ve ekipmanın kalan güvenli çalışma ömrünü tahmin eder.
IV. Kenar Bilişim ve Endüstriyel Sistem Entegrasyonu
Gerçek zamanlı çıkarım gereksinimlerini karşılamak için, demodülatörler genellikle dalga boyu verilerini yüksek hızlı ağ protokolleri aracılığıyla endüstriyel kenar bilişim cihazlarına akışla iletir:
- Alt Düzey Veri Toplama Cihazı: 1\ \text{pm} veya 0.1\ \text{pm} dalga boyu çözünürlüğü sağlayan ve 1\ \text{Hz} ila 100\ \text{Hz} örnekleme frekansını destekleyen OFSCN® Fiber Bragg Grating Interrogator kullanılır. Bu cihaz, düşük frekanslı statik deformasyon izlemesinden orta-yüksek frekanslı dinamik yanıt analizine kadar olan ihtiyaçları karşılayabilir.
- Entegrasyon Arayüzü: Demodülatör, TCP, UDP ve Modbus gibi yaygın endüstriyel protokolleri destekleyerek, çok kanallı dalga boyu veri dizilerini, kenar ağ geçidinde dağıtılan Python/C++ AI çıkarım motorlarına veya dijital ikiz bulut platformlarına sorunsuz bir şekilde bağlamayı kolaylaştırır.
