Özet:
Sonsuz vidalı redüktörler (SVR) endüstrinin birçok alanında kullanılmaktadır. SVR'ler çalışma prensipleri gereği diğer redüktörlerden farklıdır ve daha çok arızalanma riski altındadır. Bu nedenle SVR'lerde meydana gelebilecek arızaların tespiti ve buna göre önlem alınması kesintisiz çalışması istenen sistemler ve tesisler için özellikle önemlidir. Bu amaçla bu çalışmada SVR'lerin kestirimci bakımına yönelik dinamik çalışma koşullarını taklit eden bir deney düzeneği geliştirilmiştir. Deney düzeneği ile sağlam ve arızalı SVR'ler üzerinden toplanan titreşim, ses ve termal görüntü verilerinden öznitelikler çıkarılmış ve arıza tespiti ve sınıflandırılması amacıyla kullanılmıştır. Titreşim ve ses verilerine ait zaman ve frekans bölgesinden çıkarılan öznitelikler ve termal görüntülere ait öznitelikler tek tek, ikili ve üçlü kombinasyonlarda kullanılarak elde edilen sonuçlar karşılaştırılmıştır. Çalışmalarda, yapay sinir ağları (YSA), destek vektör makinesi (DVM), k en yakın komşu (k-NN), ANFIS (adaptif nöro-bulanık arayüz sistemi) ve derin öğrenme algoritmaları arıza tespiti ve arıza türünün sınıflandırılması amacıyla kullanılmıştır. Titreşim, ses ve termal görüntü verilerinden çıkarılan özniteliklerin tek tek ve ikili kombinasyonlarda kullanılmasının sınıflandırma başarısını düşürdüğü gözlemlenmiştir. En yüksek sınıflandırma başarıları ölçüm verilerine ait özniteliklerin tümünün beraber kullanılmasıyla elde edilmiştir. Sonuçlar öznitelik seçiminin sınıflandırıcı performansını en üst düzeye çıkarmak için önemli bir adım olduğunu göstermiştir.
