ENDÜSTRİ 4.0 İÇİN DERİN ÖĞRENME KULLANAN DURUM İZLEME VE KESTİRİMCİ BAKIM YÖNTEMLERİNİN GELİŞTİRİLMESİ

Abstract

Endüstri 4.0, endüstriyel alanda kullanılan cihazların ve nesnelerin interneti olarak tanımlanan birbiriyle haberleşen bilişim elemanlarının bir araya getirilmesini hedeflemektedir. Cihazların düşük enerji tüketimi ve büyük veri üretme kapasitesi sayesinde endüstriyel alanda kullanılan cihazlarda durum izleme yöntemleri geliştirilebilmektedir. Geleneksel yöntemle yapılan bakım çalışmaları periyodik veya arızanın ortaya çıkmasından sonra gerçekleştirilmektedir. Bu tarz yaklaşımlarda arızalanmamış bir parçanın rutin olarak değiştirilmesi veya arızalanma sonrası değişim sebebiyle zaman ve üretim kaybı gibi sorunlar oluşmaktadır. Bu nedenle derin öğrenme algoritmalarının kullanılmasıyla arıza tespiti ve durum izleme yapabilen bir çalışma sunulmuştur. Derin öğrenme yaklaşımı elde edilen büyük verilerden anlamlı sonuçlar çıkarabilmektedir. Bu yöntemde büyük miktarda etiketlenmiş eğitim verileri kullanılarak özellik çıkarımı yapılır. Derin öğrenme olarak adlandırılmasının sebebi ise çok katmanlı sinir ağının kullanılmasından dolayıdır. Bu yöntemin pek çok faydası bulunmaktadır. Önleyici bakım türünden olan arıza teşhis yöntemi, sistem henüz arızalanmadan ve periyodik bakıma ihtiyaç bırakmadan, anlık olarak izlenen sistemde parçaların kalan ömürlerini tespit edebilir. Makine öğrenmesi yöntemi görüntü tanıma, sınıflandırma gibi problemlerde başarılı sonuçlar vermektedir. Bu yöntemin endüstri ortamında elde edilen sinyallerin analizinde ve sınıflandırılmasında kullanılması arıza tespitinde modern bir yaklaşım sunmaktadır. Titreşim sinyallerinin makine öğrenmesi veya derin öğrenme yöntemi kullanılmadan analiz edilmesi ve rulman arıza tespiti yapılması mümkündür. Önerilen metotlar arasında titreşim sinyallerinin genlik oranlarından faydalanılarak bir sınıflandırma yöntemi uygulanmıştır. Tez çalışmasında; makine öğrenmesi yöntemi, titreşim sinyali genlik oranları ile sınıflandırma ve farklı derin öğrenme algoritmalarının kullanılmasıyla kestirimci bakım yöntemleri oluşturulmuştur. Kullanılan veri setleri üzerinde farklı algoritmalar uygulanarak verilerin doğru sınıflandırılması hedeflenmiştir. Çalışmada AlexNet, SqueezeNet, Resnet50 ve GoogleNet algoritmaları kullanılmış ve performansları kıyaslanmıştır. Ayrıca makine öğrenmesi ve titreşim sinyallerinin genlik oranlarına göre arıza sınıflandırma yöntemleri uygulanmıştır. Sunulan tez çalışmasının geleneksel bakım yöntemlerine göre daha az maliyetli olduğu ve yüksek doğrulukla arıza tespiti yaptığı görülmüştür.

Industry 4.0 aims to bring together devices and information elements that communicate with each other, defined as the Internet of Things (IoT), used in the industrial field. Thanks to the low energy consumption of the devices and the capacity to generate large data, condition monitoring methods can be developed in devices used in the industrial field. Maintenance work performed with the traditional method is carried out periodically or after the occurrence of the malfunction. In such approaches, problems such as the routine replacement of an undamaged part or the loss of time and production due to post-failure replacement. For this reason, a study that can perform fault detection and condition monitoring by using deep learning algorithms is presented. Deep learning approach can draw meaningful results from the big data obtained. In this method, feature extraction is made using large amounts of tagged training data. The reason it is called deep learning is because of the use of multi-layered neural network. This method has many benefits. The fault diagnosis method, which is a preventive maintenance type, can detect the remaining life of the parts in the instantly monitored system before the system fails and does not require periodic maintenance. The machine learning method gives successful results in problems such as image recognition and classification. The use of this method in the analysis and classification of signals obtained in the industrial environment offers a modern approach to fault detection. It is possible to analyze vibration signals and perform bearing fault detection without using machine learning or deep learning method. Among the proposed methods, a classification method was applied by making use of the amplitude ratios of vibration signals. In the thesis study; Predictive maintenance methods were created by using machine learning method, vibration signal amplitude ratios and classification and using different deep learning algorithms. It is aimed to classify the data correctly by applying different algorithms on the data sets used. AlexNet, SqueezeNet, Resnet50 and GoogleNet algorithms were used in the study and their performances were compared. In addition, machine learning and fault classification methods were applied according to the amplitude ratios of vibration signals. It has been seen that the presented thesis study is less costly than traditional maintenance methods and detects faults with high accuracy.