dalgacık CWT - Ödev Yaptırma & Danışmanlık Merkezi

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Biyomedikal Sinyal İşleme Ödevlerinde Başarı Rehberi

İçerik Üreticisi — Sat, 06 Sep 2025 11:00:40 +0000

Biyomedikal sinyal işleme, insan vücudundan elde edilen fizyolojik işaretleri (ECG, EEG, EMG, PPG, PCG, EOG, solunum, kan basıncı, ivme, sıcaklık vb.) örnekleyip anlam çıkarmayı hedefleyen bir mühendislik disiplinidir. Bu alan; analog önyüz ve sensör tasarımı, sayısal sinyal işleme (DSP), istatistik/olasılık, makine öğrenmesi/derin öğrenme, etik ve mahremiyet kavramlarını bir araya getirir. Bir biyomedikal sinyal işleme ödevinde başarılı olmak; yalnızca “bir filtre çalıştırmak” ya da “bir sınıflandırıcı eğitmek” değildir. Başarı, veri toplama–etiket–ön işleme–özellik–model–değerlendirme–yorum zincirinin her halkasında bilinçli ve ölçülebilir kararlar vermeyi gerektirir.

1) Proje Tanımı ve Klinik Bağlam: “Neyi, kimin için, neden ölçüyoruz?”

Her ödev bir klinik/sağlık sorusuna bağlanmalı: Aritmi taraması mı yapıyoruz? Uyku apnesi şüphesi mi? Rehabilitasyonda kas yorgunluğunu mu izliyoruz? Bu bağlam; örnekleme frekansını, sensör konumunu, hedef sinyallerin band genişliğini ve etik–mahremiyet gereksinimlerini belirler.

Örnek: Sporcu takibinde EMG ile kas aktivasyon zamanlaması (onset/offset) ve yorgunluk göstergeleri (MNF/MPF) çıkarılır. Klinik apne taramasında ise PPG ve solunum bantları önemlidir.
İpucu: Proje dokümanınızda ilk sayfada “Klinik Problem → Mühendislik Hedefleri → Başarı Metrikleri” üçlüsünü tabloya dökün.

2) Sinyal Ekosistemi ve Biyofizik: ECG, EEG, EMG, PPG, PCG, EOG

ECG (Elektrokardiyogram): 0.05–150 Hz; P–QRS–T yapısı. Artefaktlar: temel çizgi kayması (BW), kas ve 50/60 Hz parazit.
EEG: 0.1–80 Hz (uygulamaya göre 0.1–45 Hz sık); delta–theta–alpha–beta–gamma bantları. Blink/EMG ve hareket artefaktlarına çok hassas.
EMG: Geniş bant (10–500 Hz), yüksek varyans; yorgunlukta spektral ağırlık düşük frekanslara kayar.
PPG: Optik nabız, 0.5–5 Hz; hareket artefaktı baskın. HR/HRV ve periferik damar dolgunluğu için.
PCG: 20–400 Hz kalp sesleri; üfürüm tespiti ve S1–S2–S3 ayrımı.
İpucu: Her sinyal için fizyolojik olaylar → frekans–zaman ölçeği eşlemesini çıkarın. Bu, filtre/özellik seçimlerini rasyonel kılar.

3) Örnekleme, Anti-Alias ve ADC Dinamiği

Biyomedikal sensör önyüzünde anti-aliasing LPF zorunludur. Örnekleme frekansı $f_{s}$ , ilgi bandının en az 2×’si olmalı; pratikte 4–10× seçilerek geçiş bandı ve filtre mertebesi rahatlatılır. ADC seçerken çözünürlük (12–24 bit), gürültü, dinamik aralık ve CMRR (özellikle ECG/EEG için) önemlidir.
Mini vaka: 200 Hz’de örneklenen ECG’de 50 Hz şebeke paraziti aliasing ile 10 Hz’e “taşınmış” görüldü; çözüm: analog notch + yeterli $f_{s}$ + dijital notch.

4) Analog/Dijital Ön İşleme Zinciri ve Kalibrasyon

Analog: Elektrot temas empedansı, yüksek giriş empedanslı ön yükselteç, drift ve ofset yönetimi.
Dijital: Baseline wander için yüksek geçiren (HPF, 0.5 Hz civarı ECG/EEG); şebeke için notch (50/60 Hz); EMG’de bant geçiren (20–450 Hz); PPG’de alçak geçiren + hareket artefaktı için adaptif filtre.
Uygulama: 0.5 Hz HPF + 35 Hz LPF + 50 Hz notch ile temel bir ECG temizliği. EEG’de 0.5–40 Hz BPF + blink giderme için EOG regresyon/ICA.

5) Artefakt Giderme: ICA, EMD, Wavelet ve Regresyon

ICA (Bağımsız Bileşen Analizi): EEG/EOG/EMG karışımlarını ayrıştırmada yaygın; blink/EMG bileşenleri çıkarılabilir.
EMD/CEEMDAN: Adaptif mod ayrıştırma ile BW veya tremor baskılama.
Dalgacık (Wavelet) eşikleme: PPG ve PCG’de transient/klik temizliği.
Regresyon: EOG sinyali referans alınarak blink, ivmeölçer kullanılarak hareket artefaktı çıkarımı.
Not: Aşırı temizleme “klinik özelliği silme” riski taşır; her adımın öncesi/sonrası karşılaştırmasını raporlayın.

6) Özellik (Feature) Mühendisliği: Zaman–Frekans–Zaman-Frekans

Zaman alanı: RR aralığı istatistikleri, QRS genliği, EMG RMS/AR katsayıları, PPG tepe–çukur süreleri.
Frekans alanı: Welch–AR–Burg ile güç spektral yoğunluğu; EMG’de MNF/MPF, EEG’de bant güçleri (delta–gamma).
Zaman-frekans: STFT, CWT (dalgacık), WVD; PCG üfürümlerinde dar bant enerjileri.
İpucu: 5–10 “yük taşıyan” özelliği seçin; fazlalığı PCA/LDA ile azaltın. Model basitliğini korumak genellikle performansı ve genelleştirilebilirliği artırır.

7) Segmentasyon ve Olay Tespiti: QRS, S1/S2, Spindle, Gait

Biyomedikal akış çoğu zaman olay odaklıdır.

ECG: Pan–Tompkins tarzı QRS tespiti (bandpass + türev + karesel enerji + hareketli entegral + eşik).
PCG: S1/S2 segmentasyonu; envelope çıkarımı (Hilbert/Teager enerji), HMM/HSMM ile sıralama.
EEG: Uyku iğciği (spindle), K-kompleks tespiti; band geçiren + enerji eşiği + morfolojik kurallar.
EMG: Aktivasyon başlangıcı (onset) için Teager–Kaiser enerji operatörü veya hareketli RMS + dinamik eşik.
Uygulama: QRS tespitini ref. anotasyon ile eşleştirip Se/P+ (sensitivite/pozitif öngörü) raporlayın.

8) Veri Setleri, Anotasyon ve Bölünme Stratejisi

Hatalı değerlendirme, iyi algoritmaları “kötü” gösterebilir (veya tersi).

Anotasyon: Uzman etiketleri altın standarttır; tek uzman yerine çifte okuma + uzlaşı güvenilirdir.
Bölünme: Zaman pencereli veride sızıntı riskine dikkat. Subject-wise ayrım (kişi bazlı eğitim/test) genelleme için şarttır; random split yanıltabilir.
Kısıtlı veri: K-fold (özellikle subject-wise k-fold), Leave-One-Subject-Out (LOSO).
Mini vaka: EEG nöbet tespitinde random split ile %98 AUC; subject-wise LOSO’da %87 — gerçek performans ikinci değerdir.

9) Değerlendirme Metrikleri: Klinik Relevans ve Dengeli Ölçüler

İkili sınıflama: Doğruluk tek başına yetersiz; Se, Sp, PPV, NPV, F1, AUC raporlanmalı.
Dengesiz veri: ROC yanı sıra PR-AUC kullanın.
Olay tespiti: Zaman tolerans penceresi (±50–100 ms) içinde eşleşme kuralları.
Süreklilik: HR/HRV gibi metriklerde mutlak hata (MAE) ve korelasyon.
İpucu: Klinik kullanıcılar için karar eşiği–performans eğrilerini (operating point) gösterin.

10) Klasik ML ve Derin Öğrenme: Hangisini, ne zaman?

Klasik ML: LDA/QDA, SVM, RF, XGBoost; az veri–yüksek yorumlanabilirlik. Özellik mühendisliği kritik.
Derin Öğrenme: 1D-CNN, CNN–LSTM, Transformer; ham dalga/tepe–çukur dizilerinden doğrudan öğrenir. Çok veri/augmentasyon gerekir.
Hibritler: Öğrenilmiş temsilleri klasik sınıflandırıcıya beslemek; ya da klasik özellikleri derin şebekeye yan bilgi olarak eklemek.
Örnek: PPG’den HRV sınıflaması için 1D-CNN + dikkat (attention) tabanlı havuzlama, hareket artefaktına klasik filtre + sinyal kalite indeksi (SQI) ile birlikte.

11) Sinyal Kalite İndeksi (SQI) ve Güven Skoru

Klinik kullanılabilirlik için “Bu ölçüme ne kadar güveneyim?” sorusunun yanıtı gerekir.

SQI ölçütleri: SNR, template uyuşması, tepe şekli, artefakt göstergeleri, satürasyon/doyum.
Kullanım: Düşük SQI → ölçümü dışla veya toleranslarını genişlet; kullanıcıya geri bildirim ver (sensör teması kötü vb.).
Uygulama: PPG’de hareketli pencere korelasyonu ve tepe asimetri ölçütü ile SQI; SQI<τ olduğunda HR/HRV güncellemesi yapma.

12) Zaman Senkronizasyonu ve Multimodal Füzyon

ECG–PPG–ivme–solunum gibi çoklu sinyallerde zaman damgası mikro saniye–milisaniye düzeyinde hizalı olmalıdır. Füzyon, özellik seviyesinde (feature-level) veya karar seviyesinde (late fusion) yapılabilir.
Mini vaka: PPG’den nabız ve ivmeden hareket penceresi birleşince “fizyolojik olmayan nabız sıçramaları” filtrelenerek yanlış pozitifler %35 azaldı.

13) Gerçek Zamanlılık, Gecikme Bütçesi ve Bellek Kullanımı

Mobil/IoT sistemlerde algoritmalar akış üzerinde koşar.

Bütçeleme: 250 Hz ECG’de pencere 1 s ise, toplam işleme < 100 ms hedef.
Kısıtlar: Sabit nokta/ARM NEON, vektörleştirme; kaydırmalı pencere ve online istatistikler.
Enerji: Ekran/iletişim tüketimi > işlem maliyeti olabilir; akıllıca olay tetiklemeli gönderim.

14) Veri Gizliliği, Etik ve Regülasyon Farkındalığı

Kişisel sağlık verileri özel niteliklidir.

Mahremiyet: Pseudonymization, erişim kontrolü, en az ayrıcalık, açık rıza.
Güvenlik: Uçtan uca şifreleme, imzalı günlük (audit), güvenli saklama.
Etik: Yanlı/hatalı algoritmaların klinik etkisi, insan gözetimi ve uyarı metinleri.
Ödev notu: Proje raporuna etik bildirim ve veri yaşam döngüsü şeması ekleyin.

15) Raporlama ve Reprodüksiyon: Bilimsel Hijyen

Kodu yayınlayın (maskelenmiş veriyle veya açık veri setiyle).
Ortamı sabitleyin (requirements.txt, conda/env, Docker).
Tohum (seed) ve ayrımlar raporlanmalı; hiperparametre ızgarası ve en iyi konfigürasyon kayıtları eklenmeli.
Figürler: Filtre öncesi/sonrası dalga, QRS–S1–S2 hizalaması, ROC/PR eğrileri, Bland–Altman.

16) ECG Vaka İncelemesi: Aritmi için QRS + Morfoloji

Hedef: Tek kanallı ECG’den QRS tespiti, RR dizisi ve aritmi (PVC/AF) işaretleri.

Ön işleme: 0.5–35 Hz BPF + notch.
QRS: Fark–karesel enerji–entegre; adaptif eşik.
Özellik: RR varyabilitesi (SDNN, RMSSD), morfolojik (R genliği, QRS genişliği), P dalgası sürekliliği.
Model: Basit RF/SVM veya 1D-CNN.
Değerlendirme: MIT-BIH/AF veri alt kümelerinde subject-wise ayrım, Se/PPV/F1.
Çıktı: PVC için F1>0.9; AF epizodu için ROC AUC>0.95 hedeflenebilir (ölçeğe göre değişir).

17) EEG Vaka İncelemesi: Uyku Evreleme (N1–N3, REM, Wake)

Hedef: 30 s epoch sınıflaması.

Ön işleme: 0.3–35 Hz; EOG/EMG kanallarını yardımcı olarak kullan.
Özellik: Bant güçleri (relative delta/alpha), spindle yoğunluğu, zero-crossing istatistikleri, entropi ölçütleri.
Model: CNN–LSTM (zamansal bağlam) veya klasik özellik + RF.
Değerlendirme: Kappa, macro-F1; subject-wise k-fold.
Not: Sınıf dengesizliği (N1 düşük) için focal loss/class weights.

18) EMG Vaka İncelemesi: Kas Onset ve Yorgunluk

Hedef: Kas aktivasyon başlangıcını milisaniye ölçeğinde yakalamak; yorgunluk trendi.

Ön işleme: 20–450 Hz BPF; tam dalga doğrultma + hareketli RMS.
Onset: Adaptif eşik veya Teager–Kaiser enerji operatörü.
Yorgunluk: Spektral ağırlık (MNF/MPF) azalması; median frekans kayması.
Değerlendirme: Onset hatası (ms), yanlış alarm oranı; yorgunlukta eğim katsayısı.

19) PPG Vaka İncelemesi: HR/HRV ve Solunum Türevi

Hedef: Hareketli ortamda PPG’den güvenilir nabız ve HRV.

Ön işleme: Bandpass 0.5–8 Hz; ivmeyle çoklu girişli adaptif filtre (LMS/RLS).
Tepe tespiti: Şekil kısıtlı şablon eşleştirme; SQI ile birlikte.
HRV: Zaman alanı (RMSSD), frekans alanı (LF/HF) — kısa kayıtlarda AR tercih.
Bonus: PPG’de solunum modülasyonu ile respiratuvar frekans kestirimi.

20) PCG Vaka İncelemesi: Üfürüm Tespiti ve S1–S2 Segmentasyonu

Hedef: Kalp sesinden üfürüm (patolojik akış) belirti çıkarımı.

Ön işleme: 20–400 Hz bandpass; Hilbert envelope; dalgacık enerji haritası.
Segmentasyon: HMM/HSMM veya “gürültü tepe izleme” ile S1–S2.
Özellik: Zaman–frekans enerji dağılımı, spektral eğim, entropi.
Model: CNN (mel-spectrogram benzeri giriş) + kalibrasyon.
Değerlendirme: Hasta bazlı ayrım; ROC/PR ve klinik hassasiyet–özgüllük noktaları.

21) Mobil/IoT ve Edge Analitiği: Gerçek Dünya

Akıllı saat/patch cihazlarda cihaz içi (on-device) çıkarım: 1D-CNN quantize (int8), sabit nokta kernel’ler, bellek/veri ayak izi optimizasyonu.

Güncelleme: Aşamalı model güncellemesi (A/B slot), imzalı paket.
Mahremiyet: Ham sinyal yerine özet/özellik gönder; federated learning düşün.

22) Hatalar ve Tuzaklar: “Neden sonuçlarım sahada düşüyor?”

Veri sızıntısı: Pencereler arası örtüşmede yanlış split → şişik skorlar.
Aşırı temizleme: Klinik sinyali kazara yok etme.
Yanlı veri: Tek demografi/cihaz → genelleme zayıf.
Yanlış metrik: Dengesiz sınıfta doğruluk raporlamak.
Eşik sabitleme: Farklı bireylerde sabit eşik → SQI/kişiye uyarlama gerek.
Çözüm: Kontrol listesi + subject-wise k-fold + ablation çalışması.

23) Raporlama Şablonu: Jüriyi/Asistanı Hızla İkna Edin

Problem ve klinik bağlam
Veri ve etik (kaynak, izin, anonimleştirme)
Ön işleme (filtreler, parametreler, önce/sonra figür)
Özellik/Model (neden bu yol?)
Değerlendirme (bölünme stratejisi, metrikler, istatistik)
Karşılaştırma (ablation: şu adım olmasaydı ne olurdu?)
Saha uygulanabilirliği (gecikme, enerji, bellek)
Sınırlamalar ve gelecek çalışma
Kod/tekrar üretilebilirlik (repo, sürüm, seed)

24) 10 Günlük Ödev Planı (Uygulanabilir)

Gün 1: Klinik problem ve hedef metrikler
Gün 2: Veri–etik; subject-wise bölünme
Gün 3: Ön işleme tasarımı + pilot figürler
Gün 4: Olay tespiti/segmentasyon prototipi
Gün 5: Özellik havuzu ve seçimi (PCA/MI)
Gün 6: Klasik ML ve 1D-CNN hızlı karşılaştırması
Gün 7: Değerlendirme (LOSO/k-fold), istatistik
Gün 8: SQI, hata analizi, eşik optimizasyonu
Gün 9: Saha/edge uygulanabilirlik ölçümleri
Gün 10: Rapor, ekler (kod, figür, tablo)

25) Geniş Bakış: Geleceğe Hazırlık

Kişiye özel modeller: Transfer learning/finetune, domain adaptation.
Kendinden denetimli öğrenme: Etiketin kıt olduğu EEG/PPG’de temsiller.
Açıklanabilirlik: Grad-CAM benzeri salience haritaları (1D-CNN); klinik güven.
Çapraz cihaz kalibrasyonu: Cihazdan bağımsız metrikler, standardizasyon.
Çok modlu–çok görevli ağlar: Tek model, çok çıktı (QRS + aritmi + HRV).

Sonuç

Biyomedikal sinyal işleme ödevi, başından sonuna ölçülebilir gerekçelerle yürütülmeli: klinik problemi netleştir, fizyolojiyi frekans–zaman ölçeğine çevir, analog–dijital ön yüzü planla, artefaktları gerektiği kadar temizle, bilgi taşıyanözellikler çıkar veya derin modelleri dikkatle eğit, doğru bölünme (subject-wise) ve dengeli metriklerle değerlendir, SQI ve güven skoru ile gerçek kullanım senaryosuna hazırlık yap, mahremiyet–etik temelini sağlam kur.
ECG’den QRS/aritmi, EEG’den uyku ve nöbet, EMG’den onset ve yorgunluk, PPG’den HR/HRV ya da PCG’den üfürüm; hangi görev olursa olsun, başarı pipeline bütünlüğünde yatar. Bu rehberdeki kontrol listeleri, vaka örnekleri ve raporlama şablonu ile ödevinizi yalnızca “çalışır” değil, bilimsel olarak savunulabilir, tekrar üretilebilir ve sahaya taşınabilir bir seviyeye çıkarabilirsiniz. Unutmayın: Biyomedikal sinyal işleme; hem insan hayatına dokunan hem de mühendislik disiplininin tüm araçlarını bir arada kullanan bir yolculuktur. Bu yolculukta her kararınızı veri, fizyoloji ve etik üçgeninde temellendirin; başarı kendiliğinden gelir.

Öğrencilerin akademik başarılarını desteklemek ve yoğun tempoda geçen okul yaşamlarında yardımcı olmak amacıyla kurulan “Ödev Yaptırma” platformu, özgün ve kaliteli ödev çözümleri sunmaktadır. Öğrencilerin farklı branşlardan ödevlerini, projelerini ve makalelerini profesyonel ve deneyimli ekip üyelerimiz aracılığıyla titizlikle hazırlıyoruz. Her bir ödevi, konunun gerektirdiği derinlemesine araştırmalar ve analizler doğrultusunda çözümleyerek, öğrencilerimizin özgün düşünce yapısını ön plana çıkarmasını sağlıyoruz.

“Ödev Yaptırma” olarak, müşteri memnuniyetini ve güvenilirliği en üst düzeyde tutmaktayız. Öğrencilerin bize teslim ettikleri ödevlerin tümü, gizlilik ve güvenlik ilkelerine sıkı sıkıya bağlı kalınarak işlenir. Her ödev, öğrencinin taleplerine ve öğretmenin yönergelerine uygun olarak özelleştirilir ve her zaman orijinal içerik üretmeye özen gösteririz. Öğrencilerin akademik itibarını korumak ve güvenilir bir öğrenme deneyimi sunmak için elinizdeyiz.

“Ödev Yaptırma” platformu, kullanıcı dostu arayüzü sayesinde öğrencilere kolayca ulaşılabilir bir hizmet sunmaktadır. Kullanıcılar, web sitemiz üzerinden basit adımlarla ödevlerini yaptırma taleplerini iletebilir ve ihtiyaç duydukları konuda uzmanlaşmış ekip üyelerimizle iletişime geçebilirler. Hızlı yanıt verme ve esneklik, öğrencilerin zaman baskısı altında olan durumlarında da yanlarında olduğumuzu hissettirir. “Ödev Yaptırma” olarak, öğrencilerin başarısını desteklemek ve onlara daha fazla öğrenme fırsatı sunmak için buradayız

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Biyomedikal Sinyal İşleme Ödevlerinde Başarı Rehberi first appeared on Ödev Yaptırma & Danışmanlık Merkezi.

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Elektrik Makinalarında Arıza Teşhis Yöntemleri

İçerik Üreticisi — Mon, 01 Sep 2025 09:00:17 +0000

Elektrik makinaları—özellikle asenkron motorlar (IM), senkron motorlar, daimi mıknatıslı senkron motorlar (PMSM) ve generatörler—endüstrinin görünmez kaslarıdır. Üretim bandında bir motorun plansız duruşu, verim düşmesi, güvenlik riski ve tedarik zinciri aksaması demektir. Bu nedenle çağdaş bakım felsefesi reaktiften → kestirimcibakıma kaymıştır. Arıza teşhisinin (fault diagnosis) amacı; erken, güvenilir ve aksiyon alınabilir sinyali üretmektir: Yatak bozulması (bearing), stator sargı kısa devresi, rotor çubuk kırığı, eksenel kaçıklık (misalignment), dengesizlik (unbalance), gevşeklik (looseness), hava aralığı eksantrikliği, bar/kafes hataları, soğutma problemleri, izolasyon yaşlanması, güç kalitesi kaynaklı zorlama (harmonik, gerilim düşümü) ve tahrik tarafı (inverter, anahtarlama) kusurları.

Bu rehber; ödev/dönem projesi veya sahaya yakın bir pilot çalışma için uçtan uca bir yöntem sağlar: ölçüm mimarisi, titreşim/akım/gerilim/ısıl/akustik sensörler; MCSA (Motor Current Signature Analysis), VFD sürücülü sistemlerde özgün işaretler, time/frequency/time–frequency analizleri, cepstrum/envelope, Park/Clarke dönüşümleri, model tabanlı kalıntı (residual), makine öğrenmesi (ML) ve derin öğrenme (DL) ile özellik mühendisliği, özgün vaka çalışmaları, belirsizlik ve eşik belirleme, RUL (Remaining Useful Life) kestirimi, veri kalitesi, siber-fiziksel güvenlik ve proje kontrol listeleri. Odak: Sadece “grafik çizmek” değil; kanıtlı karar üretmek.

1) Arıza taksonomisi: Mekanik, elektriksel, elektromanyetik, termal

Mekanik: Yatak yuvarlanma elemanı hasarı (iç/dış bilezik, bilye/merdane), yağlama eksikliği, dengesizlik, eksen kaçıklığı, gevşeklik, rotor sürtmesi.
Elektriksel: Stator sargı kısmi kısa devre, izolasyon bozulması, faz dengesizliği, gevşek bağlantı, gerilim düşümü/sag, harmonikler.
Elektromanyetik: Rotor çubuk kırığı (kafes), hava aralığı eksantrikliği (statik/dinamik), manyetik doygunma.
Termal/soğutma: Fan/kanal tıkanması, aşırı ısınma, sıcaklık sensörü arızası, yaşam döngüsü kaynaklı yaşlanma.
Ödev ipucu: Teşhis kapsamını belirli bir taksonomi ile sınırlayın; aksi halde etiketleme ve karar ağaçları dağılır.

2) Ölçüm topolojisi: Hangi sinyali nereden alacağız?

Titreşim (ivme/ hız/ yer değiştirme): Yatak kovanı, DE/NDE (drive/non-drive end) konumları; 2–10 kHz bandı kritik.
Akım/gerilim (MCSA): Hattın üç faz akımı, DC link akımı; VFD sürücülü ise anahtarlama yan bantlarına dikkat.
Hız/pozisyon: Enkoder/Tach; slip tahmini ve senkron harmonikler için referans.
Sıcaklık/termal: Stator/rotor yaklaşımı için NTC/PT100; ısıl runaway riskleri.
Akustik/ultrasonik: Yüksek frekans yatak kusurları ve kavitasyon.
Kısmi boşalma (PD): Yüksek gerilim makinelerinde izolasyon kusurlarına erken uyarı.
Kurulum kuralı: Aynı olay için en az iki modalite (ör. titreşim + akım) → yanlış pozitif/negatif oranını düşürür.

3) Zaman alanı metrikleri: Hızlı tarama için düşük maliyetli

RMS, peak, crest factor, kurtosis (tepebasıklık), skewness, zero-crossing.
Yatak hasarında kurtosis ↑; dengesizlikte RMS ↑ ama yüksek frekans bandı (envelope) sakin kalabilir.
Kayma penceresi (sliding window) ile trend çıkarın; z-score/CLT/CI ile eşik atayın.
Yanlış adım: Tek bir metrikle karar → kaçırma/yanlış alarm. En az RMS + kurtosis + bant sınırlı RMS üçlüsü kullanın.

4) Frekans alanı: MCSA ve titreşim spektroskopisi

4.1 MCSA (Motor Current Signature Analysis)

Asenkron motorda rotor bar kırığı → yan bantlar: $f = f_{s} (1 \pm 2 s)$ (s: slip).
Hava aralığı eksantrikliği → $f = f_{s} (1 \pm k)$ ve slot harmonikleri.
Stator sargı kusurları → karakteristik modülasyon izleri.
VFD’de PWM taşıyıcı ve anahtarlama yan bantları maskeler; pencereleme, ortalama, notch gerekir.

4.2 Titreşim PSD/spektrum

Yatak doğal frekansları: BPFI/BPFO/BSF/FTF (geometry ve RPM’den hesap).
Dengesizlik → 1× RPM; misalignment → 1× ve 2×; gevşeklik → harmonik zenginleşme.
Dişli kutusu varsa mesh frekansları (GMF) + yan bantlar (sidebands).
Pratik: PSD + order tracking (RPM normalize) ve cepstrum; mekanik kökenli hatalarda tekrarlı yapı netleşir.

5) Zaman–frekans: Spektrogram, dalgacık, envelope demodülasyon

STFT/Spektrogram: Geçici darbeler ve yük değişimleri için; kısa pencerede zaman çözünürlüğü, uzun pencerede frekans çözünürlüğü.
CWT/DWT (Wavelet): Çok ölçekli; yatak yüzey kusurlarındaki darbe trenini yakalamada güçlü.
Envelope (zarf) analizi: Bant geçiren (ör. 5–10 kHz) sinyalın zarfını almak → yatak kusur frekansları belirginleşir.
Hilbert & cepstrum: Modülasyon ve tekrarlılık kanıtı; dişli ağ frekanslarında etkilidir.

6) Fazor/transformatif alan: Park–Clarke ile imza aramak

Clarke (αβ) ve Park (dq) dönüşümleri; stator akımının iki/üç eksenli gösterimi.
Sağlıklı makinede dairesel/eliptik iz; kusurlarda iz deformasyonu, DC bileşenler ve harmonik adacıkları.
PMSM’de mıknatıs arızaları (demanyetizasyon) Park uzayında asimetrik iz bırakır.
Ödev katkısı: dq veya αβ uzayı “Lissajous” serileriyle görselleştir; sınıflar arası ayrışmayı göster.

7) VFD sürücülü sistemlerde teşhis: Zor mod

PWM anahtarlama spektrumu, taşıyıcı/alt-yan bantlar, common-mode gürültü; akım ve titreşim sinyalini “kirletir”.
Çözüm: Senkr. ortalama, notch filtre, teker teker faz spektrumu, DC-link ripple izleme.
Düşük hızlı sürüşte (Hz-level) yatak kusurları akımda az görünür → titreşim/envelope şart.
İpucu: Sürücü verilerini (frekans, tork referansı) ölçüme etiket olarak kaydedin; yanlış yorum azalır.

8) Model tabanlı yöntemler: Kalıntı (residual) ile sağlıktan sapma

Gri kutu (grey-box) IM modeli: $R_{s}, L_{s}, R_{r'}, L_{r'}, M, J, B$ parametreleriyle tahmini akım/gerilim.
Kalıntı: Ölçü–model farkı. Artış → parametre sapması/arıza.
Parçalı hata teşhisi: Rotor direncindeki artış (bar kırığı) → spesifik kalıntı; sargı kısası → farklı iz.
Kombinasyon: Model kalıntısı + spektral özellikler → daha az yanlış alarm.

9) Makine öğrenmesi: Özellik → sınıflandırıcı → güven skoru

Özellik seti: Zaman (RMS, CF, kurtosis), frekans (pik/yan bant amplitüdleri, bant güçleri), zarf (BPFI/BPFO), Park-iz ölçütleri, termal trendler.
Ölçekleme ve seçme: Z-score, PCA, mRMR; aşırı uyumdan kaçın.
Sınıflayıcılar: Random Forest, SVM (RBF), XGBoost, LightGBM; dengesiz sınıflarda class-weight/fokal kayıp.
Kalibrasyon: Platt/Isotonic ile olasılık kalibrasyonu; eşik ↔ yanlış alarm dengesini ROC/PR eğrileriyle seç.
Ödev çıktısı: Eğitim/doğrulama ayrımı (zaman bazlı), kaçak sızıntısız (leakage-free) pipeline grafiği.

10) Derin öğrenme: Ham sinyalden öğrenmek (ama dikkat!)

1D-CNN: Ham zaman serisinden kanallar; seviyelendirme (normal/arıza türleri).
2D-CNN: Spektrogram/ scalogram görüntüleri; transfer learning (ResNet, EfficientNet).
RNN/LSTM/Transformer: Sekans bağımlılıkları ve uzun vadeli trend.
Zorluklar: Veri etiketleme maliyeti, sınıf dengesizliği, domain shift (farklı motor ve yükler).
Pratik: Az veri → klasik özellik + ağaç yöntemleri; çok veri → 2D-CNN. Her durumda açıklanabilirlik (Grad-CAM, SHAP) sağlayın.

11) Eşik belirleme ve alarm mühendisliği

Statik eşik (SPE/Hotelling T², z-score) yerine uyarlamalı eşik: RPM, yük, sıcaklığa bağlı.
Alarm fırtınası engeli: Histerezis, min-süre, “ilk alarmı bastırma” (sustur), olay birleştirme.
Çoklu modalite kuralı: En az iki bağımsız sinyal eşik aşarsa “kırmızı”, tek aşarsa “sarı”.
Sağlık indeksi (HI): 0–1 arası; bakım kararlarını HI trendiyle verin.

12) RUL (Kalan Faydalı Ömür) kestirimi

Trend tabanlı: Özellik ↑ (örn. envelope RMS) → degradasyon modeli (log-lineer).
Fizik tabanlı: Yatak pitting büyümesi, yağlama bozulması; parametrelerle ömür eğrisi.
Karma (PHM): Veriyle fizik birleşimi; belirsizlik bandı (Bayes/Bootstrap) şart.
Ödev örneği: 90 günlük titreşim trendinden log-regresyonla RUL tahmini; %95 CI ile rapor.

13) Güç kalitesi ve besleme kaynaklı teşhis

Gerilim dengesizliği (VUF), harmonikler (THD), flicker; motor tork dalgalanması ve ısınma.
Kaynak mı yük mü? Gerilim–akım senkron ölç; impedans tabanlı ayrıştırma.
Yüksek dv/dt (VFD): Yatak akımları (EDM) ve izolasyon stresi; RFI filtre ve şaft topraklama ile önle.

14) Termal görüntüleme ve ısıl analiz

IR kamera: Emissivity düzeltmesi; parıltılı yüzeye siyah bant.
Veri kullanımı: Sargı sıcak nokta, rulman yuvası sıcaklığı; trend ve eşik.
Isıl–elektrik köprü: Sıcaklık ↑ → R_s ↑ → akım dengesizliği ve kayıp ↑.

15) Sensör yerleşimi ve veri kalitesi

Titreşim: DE/NDE, yatak kapağına dik; epoksi ile sağlam montaj.
Akım: Akım trafosu/ Hall; örnekleme 10–20 kHz (VFD’de daha yüksek).
Senkronizasyon: RPM/enkoder; order tracking için şart.
Veri eksikliği/bozukluk: İmputasyon ve kalite bayrakları; modeli “çürütmeyin”.

16) Vaka A: 90 kW asenkron motorda rotor bar kırığı

Belirti: MCSA’da $f_{s} (1 \pm 2 s)$ yan bantları; spektrumda belirgin artış.
Doğrulama: Yük değişiminde yan bant amplitüdü artıyor; titreşimde 2× slip bileşeni.
Aksiyon: Bakım planı + yedek motor; üretim penceresine göre değişim.

17) Vaka B: 30 kW pompa tahrikinde yatak hasarı

Belirti: Envelope’da BPFI pikleri ve yan bantlar; kurtosis artışı.
Doğrulama: IR ile yatak bölgesi sıcak; yağ analizi metal partikül ↑.
Aksiyon: Planlı takas, yağlama protokolü revizyonu.

18) Vaka C: PMSM’de parsiyel demanyetizasyon

Belirti: Park (dq) uzayında eliptisite; akım 5. harmonikte artış.
Doğrulama: Tork ripple ↑; termal normal.
Aksiyon: Aşırı ısınma geçmişi araştır, kalkış akımı limitleri ve kontrol loop’u gözden geçir.

19) Yazılım iskeleti ve raporlama (ödev çıktısına hazır)

Pipeline: Veri al → QC → bant geçiren → PSD/Envelope → özellik tablosu → sınıflayıcı → HI/RUL → alarm.
Rapor: Spektrum/spektrogram, Park-izleri, zarf pikleri, ROC/PR eğrileri, karışıklık matrisi, RUL–zaman grafiği.
Metrikler: Doğruluk/recall/F1, yanlış alarm oranı, erken uyarı süresi (FTA – Failure To Alarm = 0).
Dokümantasyon: Sensör konum şeması, eşik tablosu, bakıma dönüş kuralları.

20) Güvenlik, siber-fiziksel endişeler ve veri yönetişimi

Siber güvenlik: SCADA/IIoT bağlantısı; TLS/mTLS, ağ segmentasyonu, rol tabanlı erişim.
Veri mahremiyeti: Üretim verisi ve modellerin IP değeri; logların tutulma süresi.
Güvenilirlik: Sensör arızası simülasyonu; tek arıza güvenliği (single-point failure) → fail-safe.

21) Sık yapılan hatalar → hızlı çözümler

Sadece titreşime güvenmek: VFD’li düşük hızda kaçırır → MCSA + envelope ikilisi kullanın.
RPM etiketlememek: Order tracking yapılamaz → Tach/enkoder şart.
Statik eşik: Yük/sıcaklıkla değişmez → koşula bağlı (conditioned) eşik.
Spektral pencere hatası: Yan loblar yanlış piki büyütür → Hanning/Hamming, ortalama.
Az veriyle DL: Aşırı uyum → klasik özellik + RF/SVM ile başlayın; veri büyüyünce 2D-CNN.
Alarm fırtınası: Histerezis ve olay birleştirme yok → operatör kör olur.
Yanlış teşhis–yanlış bakım: Arıza hipotezini ikinci modalite ile doğrulamadan parça değiştirmeyin.

22) 7 günde “ödev-seviyesi” arıza teşhis planı

Gün 1: Arıza kapsamı, sensör yerleşim planı, veri toplama frekansı.
Gün 2: Kalibrasyon, boşta/yükte temel kayıt (baseline).
Gün 3: PSD, envelope, Park-izleri; özellik listesi (≥20 öznitelik).
Gün 4: Özellik seçimi, temel sınıflandırıcı (RF/SVM) ve ilk ROC.
Gün 5: Eşik/Alarm mühendisliği; HI ve renk kuralı (yeşil/sarı/kırmızı).
Gün 6: RUL trend modeli; belirsizlik bandı.
Gün 7: Rapor ve sunum: vakalar, metrikler, bakım planı önerisi.

Sonuç: Teşhis bir grafik değil—karar verme sistemidir

Elektrik makinalarında arıza teşhisi; sensör seçimi, sinyal işleme, modelleme ve karar mekanizmasının bütünleşiktasarımıdır. Başarılı bir sistem, çoklu modalite ile (titreşim+akım+ısı) kanıt biriktirir; VFD sürücülü ortamlarda özgün gürültü kaynaklarını tanır ve bastırır; Park/Clarke/MCSA/envelope ve time–frequency analizi birlikte kullanır; eşiği koşula göre ayarlar; ML/DL ile yalancı alarmları azaltır; kararları RUL ve belirsizlik bandıyla sunar; bakım ekiplerine “ne zaman, ne yapmalı?” diye sorulduğunda net bir iş emrine dönüşen bilgi verir. Ödevinizde bu yaklaşımı sergilerseniz, “bu motorda sorun var” demekle kalmaz; hangi tür sorun, kanıtı ne, güven skoru kaç, önerilen aksiyon nedirsorularını birlikte yanıtlayan bir mühendislik ürünü ortaya koyarsınız.

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Elektrik Makinalarında Arıza Teşhis Yöntemleri first appeared on Ödev Yaptırma & Danışmanlık Merkezi.