Makine öğrenmesi ve derin öğrenme yöntemleriyle otonom kestirimci bakım modellerinin geliştirilmesi
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Dijitalleşme ve Endüstri 4.0 kapsamında, kestirimci bakım uygulamaları endüstride önemli bir rol oynamaktadır. Bu uygulamalar, arıza sürelerinin azalması ve verimliliğin artması açısından büyük öneme sahiptir. Son zamanlarda Yapay Zekâ (YZ) teknolojilerinin kullanımının artmasıyla birlikte, ekipmanların verilerinin izlenmesi ve kalan ömürlerinin tahmin edilmesi de yaygınlaşmıştır. Bu çalışmada, "Nasa Turbofan" veri seti kullanılarak kestirimci bakım uygulamaları üzerinde deneyler yapılmıştır. Deneylerde iki farklı algoritma olan XGBoost ve Uzun ve Kısa Süreli Hafıza Ağları (Long-Short Term Memory–LSTM) kullanılmıştır. Veri seti ön işleme süreçlerinden geçirilerek gereksiz veriler atılmıştır ve kalan ömür zamanı (RUL) kolonu özellik mühendisliği yöntemleriyle oluşturulmuştur. Parçalı lineer bozulma modeli kullanılarak, erken RUL değeri belirlenmiş ve kalan ömrün tahmini yapılmıştır. Algoritmaların performansı farklı hata metrikleri kullanılarak değerlendirilmiştir. Hiperparametrelerin değiştirilmesiyle modellerin başarı oranlarının önemli ölçüde artırdığı göz önünde bulundurularak XGBoost'un hiperparametrelerinin manuel olarak ayarlandığı ve "Autogluon" kütüphanesinin kullanıldığı durumlar karşılaştırılmıştır. Autogluon kütüphanesinin kullanılmasıyla XGBoost algoritmasının performansının önemli ölçüde arttığı gözlenmiştir. Bu çalışma ile endüstriyel makinelerin daha az arızalanmasını sağlamak amacıyla uygulanan kestirimci bakım uygulamalarında YZ temelli algoritmaların kullanımının önemi ve verimliliğe olan katkıları gösterilmiştir.
In the context of digitization and Industry 4.0, predictive maintenance applications play a significant role in the industry. These applications are of great importance in reducing downtime and increasing efficiency. With the increasing use of Artificial Intelligence (AI) technologies in recent years, monitoring equipment data and predicting their remaining lifetimes have also become widespread. In this study, experiments were conducted on predictive maintenance applications using the "Nasa Turbofan" dataset. Two different algorithms, XGBoost and Long Short-Term Memory (LSTM), were used in the experiments. The dataset underwent preprocessing, where unnecessary data was removed, and the Remaining Useful Life (RUL) column was created using feature engineering methods. Using the Piecewise Linear Degradation model, early RUL values were determined, and remaining life predictions were made. The performance of the algorithms was evaluated using various error metrics. Considering that changing hyperparameters significantly increased the success rates of the models, XGBoost's hyperparameters were manually adjusted, and cases using the "Autogluon" library were compared. It was observed that the performance of the XGBoost algorithm significantly improved when the Autogluon library was used. This study demonstrates the importance and contributions of AI-based algorithms in predictive maintenance applications aimed at reducing industrial machine failures and improving efficiency.
In the context of digitization and Industry 4.0, predictive maintenance applications play a significant role in the industry. These applications are of great importance in reducing downtime and increasing efficiency. With the increasing use of Artificial Intelligence (AI) technologies in recent years, monitoring equipment data and predicting their remaining lifetimes have also become widespread. In this study, experiments were conducted on predictive maintenance applications using the "Nasa Turbofan" dataset. Two different algorithms, XGBoost and Long Short-Term Memory (LSTM), were used in the experiments. The dataset underwent preprocessing, where unnecessary data was removed, and the Remaining Useful Life (RUL) column was created using feature engineering methods. Using the Piecewise Linear Degradation model, early RUL values were determined, and remaining life predictions were made. The performance of the algorithms was evaluated using various error metrics. Considering that changing hyperparameters significantly increased the success rates of the models, XGBoost's hyperparameters were manually adjusted, and cases using the "Autogluon" library were compared. It was observed that the performance of the XGBoost algorithm significantly improved when the Autogluon library was used. This study demonstrates the importance and contributions of AI-based algorithms in predictive maintenance applications aimed at reducing industrial machine failures and improving efficiency.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control, Bilim ve Teknoloji
