Fırçalı DA Motorlarda Açık Veri Seti İle Makine Öğrenmesi Tabanlı Kestirimci Bakım ve Arıza Teşhisi

Fırçalı Doğru Akım (FDA) motorları, endüstriyel otomasyon sistemlerinde ve tahrik mekanizmalarında yaygın olarak kullanılmakta olup, fırça aşınması ve sargı deformasyonları beklenmedik duruşlara ve yüksek bakım maliyetlerine neden olabilmektedir. Bu çalışmada, fırçalı DA motorların durum teşhisi ve Kalan Faydalı Ömür (Remaining Useful Life, RUL) tahmini için veri odaklı, ağaç tabanlı toplu öğrenme yöntemleri önerilmiştir. F.A.I.R veri setinden çoklu sensörlerden elde edilen akım, gerilim, devir, motor-ortam sıcaklık farkı ve spektral titreşim öznitelikleri kullanılarak motor ömrü; Evre I (Sağlıklı), Evre II (Hafif Aşınma), Evre III (Orta Aşınma) ve Evre IV (Kritik/Arıza) olmak üzere dört sağlık evresine ayrılmıştır. Durum teşhisinde Random Forest algoritması %98,7 test doğruluğu ve %95,70 10 katlı çapraz doğrulama başarısı ile Extra Trees algoritmasına göre daha yüksek performans göstermiştir. Öznitelik önem analizi, motor sağlığını en güçlü şekilde temsil eden değişkenlerin net sıcaklık artışı, yüksek frekanslı titreşim bileşenleri (16–26 kHz) ve motor devri olduğunu ortaya koymuştur. RUL tahmininde ise Extra Trees Regressor modeli 0,9666 belirlenme katsayısı (R²) ve 21,49 zaman adımı RMSE değeri ile en başarılı sonucu elde ederken, Random Forest Regressor modeli 0,9603 R² ve 23,43 zaman adımı RMSE değerleriyle benzer düzeyde yüksek performans sergilemiştir. Elde edilen sonuçlar, önerilen yaklaşımın FDA motorlarda durum izleme ve öngörücü bakım uygulamaları için güvenilir ve etkili bir karar destek sistemi olarak kullanılabileceğini göstermektedir.