Filo tabanlı veri odaklı hata teşhis sistemi geliştirilmesi

Abstract

Üretim ve bilgisayar teknolojilerinin birleşimi ile verimliliği üst düzeye çıkarmak, yapay zekâ yaklaşımları ile hataları en aza indirmek hatta makine öğrenmesi ile oluşabilecek hataları önceden tahmin edebilmek önem kazanmıştır. Veri odaklı hata teşhis sistemi bu konulara çözüm olarak ortaya çıkmıştır. Sistemdeki veriler kullanılarak hata teşhisi yapılarak olası arıza durumları önceden tespit edilebilmektedir. Benzer işi yapan birden fazla araç veya makinenin olduğu sistemlerde ise, hata teşhisi için filo tabanlı anomali durum tespit yönetim yaklaşımları geliştirilmiştir. Bu çalışmada, veri odaklı hata teşhis sistemi konusunda yapılan Filo Tabanlı Durum İzleme uygulaması geliştirilmiştir. Yapay zekâ tabanlı tekniklerin çoğunda bir makine üzerinde analiz yapılmaktadır. Analiz teknikleri için geçmişe yönelik büyük veri kümelerine ihtiyaç duyulmaktadır. Veri kümesi ihtiyacı için makine uzun süre çalıştırılıp veri toplanması veya test platformlarından veri alınması gerekmektedir. Bu yüzden veri seti oluşturma işlemi oldukça maliyetlidir. Ancak elde birbirine benzer özellikte ve benzer işi yapan sistemler varsa, bir filo tabanlı izleme sistemi kurulabilir. Böyle bir filo yönteminde geçmişe ait büyük veri setlerine ihtiyaç duyulmamakta olup filodaki benzer sistemlerin aynı çalışma koşullarında benzer veriler üretmesi gereksinimi dikkate alınarak farklılıklar tespit edilmektedir. Filo yönetimi için geliştirilen uygulama web tabanlı olarak geliştirilmiş, test platformları ve deneyler ile dişli kutusu, iyon değirmeni, şaft ve şanzıman makineleri ve içindeki rulmanlar için oluşturulmuş dört farklı veri seti için başarılı sonuçlar alınmıştır. Çalışmada Hızlı Fourier Dönüşümü (Fast Fourier Transform, FFT) ve Dinamik Zaman Çarpıtma (Dynamic Time Warping, DTW) gibi dönüşüm yöntemleriyle verilerdeki ani yükselmeler, harmonik ve gürültü gibi istenmeyen değişimler giderilmiştir. Filodaki sistemler arası benzerlikler Öklid, Kare Öklid, Menhattan Mesafesi vb. metrikler ile tespit edilerek, birbiriyle benzerlik gösteren sistemler, Hiyerarşik Kümeleme algoritması ile kümelenmiştir. Kümeleme sonucunda her bir bileşen için anomali puanları bulunmuştur. Uygulama sonucunda filodaki diğer üyelerden farklılık gösteren makine ya da rulmanın hatalı olduğu gözlemlenmiştir

With advancement of production and computer technologies, maximizing productivity, minimizing errors , and even predicting them before they occur with machine learning technologies gained an attraction. Data­Driven Fault Diagnosis approaches have emerged as a solution to these issues. By using sensor data acquired from monitored system, possible malfunctions can be predicted and diagnosed in advance. In manufacturing systems with more than one component performing a similar task, fleet­based management approaches have been developed for anomaly detection and fault diagnosis. In this study, a fleet­based condition monitoring approach and an application has been developed for a data­driven fault diagnosis system. Most of the artificial intelligence­based techniques for fault detection are implemented locally on a machine. For data­driven supervised fault prediction and diagnosis techniques most of the time large historical data sets are needed for high accuracy and performance. Due to this requirement, the machine must be operated for a long time to collect data. Therefore, the process of creating a data set might be costly. However, a fleet­based monitoring system approach based on similarity comparisons can be established if there are similar systems at hand. In such a fleet method, there is no need for large historical data sets, and anomalies are determined by taking into account the need for similarities of the machine components in the fleet when operating under similar conditions. The work developed for fleet management in this thesis is developed as web­based, and promising results are obtained on four different test data that include machinery and bearings faults. In this study, based on the nature of sensor signal being examined data is pre­processed utilizing different transforming techniques such as Fast Fourier Transform (FFT) and similarities of the signals among each other are compared via Dynamic Time Warping (DTW) utilizing different measurement metrics such as Euclidean, Square Euclidean, Menhattan Distance etc. By obtaining distance based metric information, similar systems are clustered via Hierarchical Clustering algorithm. Anomaly scores are calculated for each component utilizing the results of clustering. Our results show that , faulty machines or bearing differs from healthy members of the fleet can be detected utilizing this approach