Rulmanlarda Taşlama Yanığı Hatasının Squeeze Net

Ağıyla Tespit Edilmesi

Detection of Grinding Burn Fault in Bearings by
Squeeze Net
2022 30th Signal Processing and Communications Applications Conference (SIU) | 978-1-6654-5092-8/22/$31.00 ©2022 IEEE | DOI: 10.1109/SIU55565.2022.9864895

Nurdoğan CEYLAN1, Sezgin KAÇAR2, Emin GÜNEY3 ve Cüneyt BAYILMIŞ4

1Sakarya
Uygulamalı Bilimler Üniversitesi, Mekatronik Mühendisliği Bölümü, Sakarya, Türkiye
2SakaryaUygulamalı Bilimler Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü, Sakarya, Türkiye
3Sakarya Uygulamalı Bilimler Üniversitesi, Bilgisayar Mühendisliği Bölümü, Sakarya, Türkiye

4Sakarya Üniversitesi, Bilgisayar Mühendisliği Bölümü, Sakarya, Türkiye

nurdoganceylan@subu.edu.tr, skacar@subu.edu.tr, eminguney@subu.edu.tr, cbayilmis@sakarya.edu.tr

Özetçe—Taşlama yanığı, rulman üretim sürecinde
karşılaşılan önemli bir sorundur. Taşlanan rulman
malzemesinde, yanık oluşması durumunda, yüzey kalitesi
bozulur, malzemenin içyapısı ve mekanik özellikleri olumsuz
etkilenir. Bu nedenle taşlama yanığının tespiti önemlidir. Bu
üretim hatasının tespitinde, akustik emisyon (AE) tekniği ve
yapay zekâ temelli yöntemler de kullanılmaktadır. Bu çalışmada,
bir rulman taşlama tezgahından AE sensörleriyle toplanmış
veriler öğrenme aktarmasıyla, evrişimli sinir ağları
(Convolutional Neural Networks-CNN) temelli Squeeze Net
ağında sınıflandırılmıştır. Ağırlıklandırılmış Squeeze Net
Ağı’nda önerilen veri kombinasyonu ve ağ parametrelerinde,
%100 doğrulukla hatalı rulman tespit edilmektedir.
Anahtar Kelimeler — taşlama yanığı; akustik emisyon; derin
öğrenme; öğrenme aktarması.
Abstract— Grinding burn is a significant problem
encountered in the bearing manufacturing process. In the case of
burns in the grinding bearing material, the surface quality
deteriorates, and the material’s internal structure and
mechanical properties are adversely affected. Therefore,
detection of grinding burn is important. Acoustic emission (AE)
technique and artificial intelligence-based methods are also used
to detect this manufacture defect. In this study, data collected
with AE sensors from a bearing grinding machine are classified
in the Squeeze Net network based on Convolutional Neural
Networks (CNN) by transfer learning. The recommended data
combination and network parameters are detected with 100%
accuracy in the weighted Squeeze Net network.
Keywords — grinding burn; acoustic emission; deep learning;
transfer learning.
I. GİRİŞ
Rulmanların en önemli mekanik özelliklerinden biri yüzey
pürüzsüzlüğüdür. Bu nedenle rulman üretiminde en önemli
işlemlerden biri taşlamadır. Taşlama, aşındırıcı bir taşlama
diski ile iş parçasının yüzeyinden talaş kaldırma işlemidir.
Taşlama işlemi sırasında, büyük miktarda enerji ortaya çıkar.
Bu enerji büyük oranda iş parçasına aktarılır. Bu durumda iş
parçasında taşlama yanığı oluşabilir. Taşlama yanığı,
oksidasyon yanması, termal yumuşama, artık gerilmeler ve
yeniden sertleşme yanığı gibi çeşitli yüzey kusurlarına neden
olur[1]. Bunlar göz önüne alındığında, taşlama yanığının
tespitinin önemi ortaya çıkmaktadır.
Akustik emisyon (AE) tekniği taşlama yanığının tespitinde
kullanılan yöntemlerden biridir [2]. Buna göre AE sensörleriyle
alınan sinyaller [3] veya sinyal görüntüleri [2], sinyal işleme
ve/veya yapay zekâ (YZ-makine öğrenmesi, derin öğrenme)
yöntemleriyle işlenir. Böylece hatalı ve hatasız rulman verileri
farklı sınıflara ayrılarak hata tespit edilmektedir.
Son yıllarda YZ alanındaki gelişmeler rulmanlarda hata
tespit çalışmalarını da etkilemiş ve artan ivmede YZ temelli
çalışmalarla rulman hatalarının tespit edildiği belirtilmiştir[4].
Godoy Neto ve ark., taşlama yanıklarını izlemek için akustik
emisyon ve titreşim sinyalleri kullanmıştır. Bu sinyalleri
sınıflandırmak için bir yapay sinir ağı (YSA) eğittiler. Sonuç
olarak % 98,3 doğruluk elde edildiği belirtilmiştir[5]. Wang
vd., AE sensörleriyle topladığı verileri bir YSA eğitmek için
kullandı. Bu eğitilmiş YSA ile AE sinyallerini yanma
var/yanma yok olarak sınıflandırmıştır[6]. Reser ve Reich,
YSA temelli bir ağı eğiterek dört sınıflı bir sınıflandırma
uygulaması yapmışlardır. Az sayıda veri olmasına rağmen ağın
başarılı sonuçlar elde ettiği belirtilmiştir[7]. Hübner ve ark.,
taşlama yanıklarını tespit etmek için evrişimli sinir ağları
(CNN) kullanan bir yaklaşım sunmuştur. Çalışmada ki veriler,
AE sensörleriyle elde edilmiştir. AE sinyallerinin zaman-
frekans görüntülerini oluşturmak için üç farklı zaman-frekans
gösterim yöntemi kullanılmıştır. Önerilen yöntemin
performansı, YSA'lar ve SVM'leri içeren geleneksel makine
öğrenimi yöntemleriyle karşılaştırılmıştır. Kullanılan yöntemin
taşlama yanıklarının tespitinde oldukça yüksek bir doğruluğa
(%99.7) ulaştığı belirtilmiştir[2]. Wen ve ark. üç farklı veri
setini ResNet-50 kullanan transfer CNN ismini verdikleri yeni
bir ağda sınıflandırıp, sınıflandırma başarımlarını
karşılaştırmıştır[8].
Bu çalışmada taşlama yanığı olan ve taşlama yanığı
olmayan rulmanlara ait AE sinyallerinden önce sürekli
dalgacık dönüşümü (CWT) ile skalogram görüntüleri elde
edilmiştir. Daha sonra hatalı ve normal sinyallere ait bu
görüntüler Squeeze Net ağında %100 doğrulukla

978-1-6654-5092-8/22/$31.00 ©2022 IEEE

Authorized licensed use limited to: LIVERPOOL JOHN MOORES UNIVERSITY. Downloaded on February 24,2023 at 07:55:22 UTC from IEEE Xplore. Restrictions apply.
 sınıflandırılmıştır. Sınıflandırma işlemi hem farklı ağ
parametrelerinde hem de farklı veri kombinasyonlarında
gerçekleştirilmiştir. Çalışmada kullanılan AE verileri Ortadoğu
Rulman Sanayi Tic. A.Ş. (ORS) AR-GE birimi tarafından,
taşlama tezgahında yapılan deneylerden elde edilmiştir.
Taşlama tezgahının 10 farklı parametresi değiştirilerek 101 ayrı
AE ölçümü yapılmıştır. Bunların 40 tanesinde yanık
gözlenmiştir.
Çalışmanın ikinci bölümünde teorik çerçeve sunulmuştur,
üçüncü bölümünde uygulama ve algoritma anlatılmıştır. Sonuç
bölümünde çalışmanın hatalı-hatasız rulmanları ayırmadaki
başarımı ortaya konmuştur. Ayrıca farklı veri kombinasyonları
ve ağ parametreleri karşılaştırılmıştır.
II. TEORİK ÇERÇEVE
A. Evrişimli sinir ağları (CNN)
Evrişimli Sinir Ağı (CNN), katmanlarından en az birinde
genel matris çarpımı yerine evrişim (bkz. şekil 1). kullanan
basit sinir ağlarıdır [9].
Şekil. 1. Evrişim işlemi
CNN'ler üç tür katmandan oluşur. Bu katmanlar şunlardır:
Evrişim Katmanı (CL), pooling katmanı (PL) ve tam bağlı
katman (bkz. Şekil 2). Tam bağlı katman, geleneksel bir ileri
beslemeli sinir ağı ile aynı yapıya ve işleme sahiptir. CNN'nin
avantajları, CL'ler ve PL'lerin yapı ve işlemlerindeki
farklılıklardan gelir [10].
Şekil. 2. Temel CNN yapısı
Bir CL, birçok öğrenebilir kernellerden oluşur. Her kernelin
eğitilebilir bir ağırlığı ve biası vardır. CL, girdi verilerini bu
katmandaki kernellerle birleştirir. Evrişim işleminin sonucu
daha sonra bu CL'nin nihai çıktısını üretmek için bir aktivasyon
Authorized licensed use limited to: LIVERPOOL JOHN MOORES UNIVERSITY. Downloaded on February 24,2023 at 07:55:22 UTC from IEEE Xplore. Restrictions apply.
fonksiyonunu besler. Matematiksel olarak, evrişim katmanı
Denklem (1) ile ifade edilebilir [11].
Xnl = ∑Cc=1 (Xcl-1 *Wl c,n )+Bnl (1)
Burada * evrişim işlemini ifade eder. Xnl l’inci katmandaki
n’inci özellik matrisi, Xcl-1 , l−1’inci katmandaki girişin c’inci
kanala karşılık gelen kısmını ifade eden matris, Wl c,n , l’inci
katmandaki n’inci filtrenin c’inci kanalına karşılık gelen ağırlık
matris Bnl , l’inci katmandaki n’inci filtrenin bias matrisidir.
Aktivasyon fonksiyonu olarak, ReLU (Rectified Linear
Unit) [9] katmanı, CNN'lerde de en sık kullanılan aktivasyon
fonksiyonudur. Fonksiyon, negatif giriş değerleri için ‘0’
döndürür, ancak herhangi bir pozitif giriş değeri için o değeri
döndürür. ReLU’nun işlevi Denklem (2)'de tanımlanmıştır.
Xnl ( ,j)=max 0,Xnl-1 ,j (2)
Her CL'den sonra bir PL gelir. Bir PL'nin amacı, önceki
katman tarafından üretilen özellik haritalarının boyutunu
küçültmektir. PL'nin çalışması, maksimum pooling veya
ortalama pooling şeklindedir. PL Denklem (3)'te tanımlanmıştır
[11].
n
Xnl ( ,j)=maxr=
+R
(maxs+J
s=j (Xl-1 r,s )) (3)
B. Squeeze Net CNN ağı
Squeeze Net, ImageNet veri tabanındaki bir milyondan
fazla görüntü üzerinde eğitilmiş CNN tabanlı bir derin öğrenme
ağıdır. 68 CNN katmanından oluşur. Önceden eğitilmiş ağ,
görüntüleri 1000 nesne kategorisine sınıflandırabilir. Sonuç
olarak, ağ, çok çeşitli görüntüler için zengin özellik
gösterimlerini öğrenmiştir. Ağ, 227'ye 227'lik bir görüntü giriş
boyutuna sahiptir [12].
Bu çalışmada, bir zaman-frekans görüntüsüne dayalı olarak
taşlama yanığı sinyallerini sınıflandırmak için önceden
eğitilmiş Squeeze Net derin CNN'leri uyarlanmıştır.
C. Sürekli Dalgacık Dönüşümü (CWT)
CWT'de analiz fonksiyonu bir dalgacıktır, ψ. CWT, sinyali
bir dalgacığın kaydırılmış ve sıkıştırılmış veya uzatılmış
versiyonlarıyla karşılaştırır. Bir işlevi esnetme veya sıkıştırma,
toplu olarak genişleme veya ölçekleme olarak adlandırılır ve
fiziksel ölçek kavramına karşılık gelir.
Dalgacık karmaşık değerliyse, CWT ölçek ve konumun
karmaşık değerli bir fonksiyonu, gerçek değerliyse, CWT ölçek
ve konumun gerçek değerli bir fonksiyonudur. Bir ölçek
parametresi (a>0), ve konum (b) için, CWT Denklem (4) ile
tanımlanır [13].
+∞ 1 t-b
C a,b;f t ,ψ t = -∞
f t ψ*( )dt (4)
a a
CWT, bir sinyalin frekansının zaman içinde nasıl
değiştiğini analiz etmek için kullanılır. CWT ayrıca zaman
domenindeki bir sinyali zaman-frekans alanına dönüştürür. Bu
 gösterimlere skalogram denir. Bir skalogram, bir sinyalin CWT
katsayılarının mutlak değeridir (bkz. Şekil 3).
Şekil. 6. Ölçüm 1’e ait sinyal
A. Verilerin hazırlanması
Verilerin işlendiği bilgisayarın özellikleri; Intel (R) Core
(TM) i5-5200U, CPU 2.20 GHz, RAM 8.00 GB. Veri işleme
süreci Şekil 7'de gösterilmiştir. İlk olarak Matlab ortamında 2
boyutlu sinyallerden görüntüler elde edilmiş ve bu görüntüler
derin ağların girişine uygun olarak RGB formatında 227*227
boyutlarında skalogram görüntülerine dönüştürülmüştür.

Şekil. 3. CWT’lerin mutlak değerlerinin katsayıları: Skalogram

III. METOT
Çalışmada kullanılan veriler, taşlama makinesinin (bkz.
Şekil 4 ve 5) farklı çalışma koşullarında 41 makara ve 60 Şekil. 7. Verilerin işleme adımları
bilezik taşlama ölçümü yapılarak elde edilmiştir.
Veri setinde temel olarak hatalı ve normal sinyaller olmak
üzere 2 grup sinyal vardır. Bu sinyallerden 65536 uzunluğunda
alt örnekler oluşturulmuştur. Bu alt örneklerden farklı
kombinasyonlarda deneme veri setleri oluşturulmuştur. Bunlar;
126 adet normal-36 adet hatalı, 90 adet normal-72 adet hatalı,
81 adet normal-81 adet hatalı kombinasyonlarıdır
B. Sinyal işleme
Sinyal hazırlama aşamasından sonra, Matlab'da CWT
yardımıyla sinyallerden skalogram görüntüleri elde edilmiştir.
Filtre bankasında kullanılan dalgacık, analitik Morse (3,60)
dalgacığıdır, sinyal uzunluğu 1000, örnekleme frekansı 128 Hz
Şekil 4. Taşlama makinası ve AE sensörü
ve oktav başına ses sayısı 12'dir.
AE sinyallerini elde etmek için Kistler 8152C1050500
C. Squeeze Net ağıyla görüntü işleme ve sınıflandırma
serisi sensör kullanılmıştır (bkz. Şekil 4).
Bu aşamada elimizde normal ve hatalı sinyallerin ilk 1000
örneğinin CWT'si alınarak elde edilmiş 227*227*3 skalogram
görüntüsü bulunmaktadır. Bu görüntüler 3 farklı
kombinasyonda (126-36, 90-72 ve 81-81) gruplanmıştır. Her
bir grupta eğitim ve test verileri rastgele 2 gruba (%75 eğitim-
%25 test, %70 eğitim-%30 test) ayrılarak ağın doğrulama
verilerini ezberlemesinin önüne geçilmeye çalışılmıştır.
1) Squeeze Net ağının yapısı ve ağ parametreleri
TABLO I. AĞ YAPISI VE PARAMETRELERİ
Layers/Parameters Names Of Number
Layers/Parameters
Layers 1*1Imageinput Layer 1
Şekil. 5. Taşlama yanığı verilerinin elde edilme düzeneği
1*1Convolutional2D Layer 26
Sinyaller 4 MHz'de örneklendi ve testlerde 3 dakikalık 1*1ReLU Layer 26
ölçümler kaydedildi. Şekil 6.'da, ölçüm 1 sinyali 1*1MaxPooling2D Layer 3
1*1DepthConcetenations 8
gösterilmektedir. Layers
1*1GlobalAveragePooling2 1
D Layer
1*1Dropout Layer 1
1*1SoftMax Layer 1
1*1ClassificationOutput 1
Layer
Parameters Dropout Layer of 0.6
Probabiltiy
Mini Batch Size 10
Max Epoch 19
Initial Learn Rate 0.0003
Loss Function Crossentropyex

Authorized licensed use limited to: LIVERPOOL JOHN MOORES UNIVERSITY. Downloaded on February 24,2023 at 07:55:22 UTC from IEEE Xplore. Restrictions apply.
 Execution Environment CPU
Measurement Criteria Accuracy
Squeeze Net eğitilmiş bir ağ olsa da transfer öğrenme
çalışmalarında yeni veriler için yeniden eğitilmesi ve yeni
verilere uygun hale getirilmesi gerekir. Eğitilen Squeeze Net
ağının parametreleri ve ağ yapısı Tablo I.'de verilmiştir.
IV. SONUÇLAR VE TARTIŞMA
Taşlama makinesinin 10 farklı ayarlanabilir özelliği (disk
hızı, elmaslama frekansı, talaş kaldırma miktarı, kesme basıncı
vb.) değiştirilerek ölçümler alınmıştır. Bu ölçümlerden elde
edilen veriler Tablo II.’de verilen kombinasyonlarda Sequeeze
Net ağında sınıflandırılmıştır.
Şekil. 7. Uygulama 3 başarım grafiği
TABLO II. UYGULAMALAR VE BAŞARIM
Uygulama FİP AİP Normal Hatalı Eğitim Test Doğruluk
KAYNAKLAR
Veri Veri Verisi Verisi (%) [1] W. Guo, B. Li, S. Shen, ve Q. Zhou, “An intelligent grinding burn
(Adet) (Adet) (%) (%) detection system based on two-stage feature selection and stacked
1 X  81 81 75 25 75 sparse autoencoder”, Int. J. Adv. Manuf. Technol., c. 103, sayı 5–8,
2 X  81 81 70 30 64.42 ss. 2837–2847, 2019, doi: 10.1007/s00170-019-03748-5.
3 X  90 72 75 25 100 [2] H. B. Hübner, M. A. V. Duarte, ve R. B. da Silva, “Automatic
grinding burn recognition based on time-frequency analysis and
4 X  90 72 70 30 71.43
convolutional neural networks”, Int. J. Adv. Manuf. Technol., c. 110,
5 X  120 42 75 25 97.5 sayı 7–8, ss. 1833–1849, 2020, doi: 10.1007/s00170-020-05902-w.
6 X  120 42 70 30 100 [3] J. M. Griffin, “Traceability of acoustic emission measurements for
7  X 81 81 75 25 65 micro and macro grinding phenomena—characteristics and
identification through classification of micro mechanics with
8  X 81 81 70 30 54.17 regression to burn using signal analysis”, Int. J. Adv. Manuf.
9  X 90 72 75 25 60 Technol., c. 81, sayı 9–12, ss. 1463–1474, 2015, doi:
10  X 90 72 70 30 75 10.1007/s00170-015-7210-3.
[4] M. Hamadache, J. H. Jung, J. Park, ve B. D. Youn, “A
11  X 120 42 75 25 77.5 comprehensive review of artificial intelligence-based approaches for
12  X 120 42 70 30 77.55 rolling element bearing PHM: shallow and deep learning”, JMST
FİP:Farklı İşleme Parametreleri, AİP:Aynı işleme Parametreleri Adv., c. 1, sayı 1–2, ss. 125–151, 2019, doi: 10.1007/s42791-019-
0016-y.
Tablo II.’deki uygulamalar dikkate alındığında aşağıdaki [5] R. F. G. Neto, M. Marchi, C. Martins, P. R. Aguiar, ve E. Bianchi,
sonuçlar çıkarılabilir. “Monitoring of grinding burn by AE and vibration signals”,
ICAART 2014 - Proc. 6th Int. Conf. Agents Artif. Intell., c. 1, ss.
 Tezgâh ayarlarının sınıflandırma başarımına etkisi 272–279, 2014, doi: 10.5220/0004753602720279.
ölçülmüştür. Buna göre aynı tezgâh parametreleriyle işlenen [6] Z. Wang, P. Willett, P. R. Deaguiar, ve J. Webster, “Neural network
parçalardan elde edilen hatalı-normal sinyallerin sınıflandırma detection of grinding burn from acoustic emission”, Int. J. Mach.
Tools Manuf., c. 41, sayı 2, ss. 283–309, 2001, doi: 10.1016/S0890-
başarımı daha yüksektir. Farklı tezgâh ayarlarından elde edilen 6955(00)00057-2.
en yüksek doğruluk %77.55’tir (bkz. Tablo II., uygulama 12). [7] C. Reser ve C. Reich, “Grinding burn prediction with artificial
Buna karşın aynı tezgâh ayarlarıyla işlenmiş parçalardan elde neural networks based on grinding parameters”, Smart SysTech
edilen sinyallerin sınıflandırma başarımı %100 dür (bkz. Tablo 2019 - Eur. Conf. Smart Objects, Syst. Technol., ss. 56–60, 2019.
II, uygulama 3 ve 6). [8] L. Wen, X. Li, ve L. Gao, “A transfer convolutional neural network
for fault diagnosis based on ResNet-50”, Neural Comput. Appl., c.
 Veri setinin hatalı-normal sınıflarının oranının 32, sayı 10, ss. 6111–6124, 2020, doi: 10.1007/s00521-019-04097-
sınıflandırma başarımına etkisi ölçülmüştür. Buna göre en w.
[9] I. Goodfellow, Y. Bengio, ve A. Courville, Deep Learning. London:
yüksek doğruluk uygulama 3 ve 6 da elde edilmiştir.
The MIT Press, 2016.
 Şekil. 7.’de Tablo II.’de sonuçları verilen uygulama 3’e ait [10] D. T. Hoang ve H. J. Kang, “A survey on Deep Learning based
bearing fault diagnosis”, Neurocomputing, c. 335, ss. 327–335,
eğitim ve test sonuçlarını gösteren grafik mevcuttur. Buna göre 2019, doi: 10.1016/j.neucom.2018.06.078.
durdurma kriteri max epoch; 19’dur. Ağın eğitimi ve test [11] C. Cheng, J. Li, Y. Liu, M. Nie, ve W. Wang, “Deep convolutional
verilerinin sınıflandırılması 5 dk 48 sn de tamamlanmıştır. Bu neural network-based in-process tool condition monitoring in
işlem CPU üzerinde çalışmıştır. Ve 228 iterasyonda abrasive belt grinding”, Comput. Ind., c. 106, ss. 1–13, 2019, doi:
tamamlanmıştır. 10.1016/j.compind.2018.12.002.
[12] “SqueezeNet convolutional neural network - MATLAB
 Sonuç olarak literatürde taşlama yanığının CNN temelli squeezenet”.
ağlarda sınıflandırma başarımına bakıldığında, önerilen https://www.mathworks.com/help/deeplearning/ref/squeezenet.html
(erişim Şub. 07, 2022).
yöntemle daha yüksek (bkz. [2]) sınıflandırma başarımlarının
[13] “Continuous Wavelet Transform and Scale-Based Analysis -
elde edildiği görülmektedir. MATLAB & Simulink”.
https://www.mathworks.com/help/wavelet/gs/continuous-wavelet-
transform-and-scale-based-analysis.html (erişim Şub. 07, 2022).

Authorized licensed use limited to: LIVERPOOL JOHN MOORES UNIVERSITY. Downloaded on February 24,2023 at 07:55:22 UTC from IEEE Xplore. Restrictions apply.