Kestirimci bakım; veri analizi ile cihazlarda daha sorun oluşmadan önce, durumu izleyen ve arıza çıkarma ihtimallerini değerlendirip, önlem alan bir bakım türüdür. Kestirimci bakım uygulamalarında kalan ömrün tahmin edilmesini iyileştirmek için sensorlerin korelasyonları ve sensor verilerinin aykırılıklarının kullanılması amaçlanmıştır. Bu sayede kalan ömür tahminlemesine ek olarak, aykırılık kaynaklı sorunların, kalan ömüre etki eden kök sebebin bulunması ve sorun tekrarının azaltılması hedeflenmiştir.
Birden çok sensor verisi ve kalan ömür bilgisini içeren zaman bağımlı bir veri seti olması itibari ile “Turbofan Engine Degradation Simulation Data Set” veri seti kullanılarak yapay sinir ağı oluşturulmuştur. Evrişimsel sinir ağlarında (CNN) bulunan evrişim (convolution) katmanı, tekrarlayan sinir ağlarından olan uzun-kısa vadeli yapay sinir ağı (LSTM) katmanı ve lineer operasyon katmanları kullanılarak karma yapay sinir ağı oluşturulmuştur. Bu karma ağda korelasyonların bulunması için evrişim katmanı, aykırılıkların tespiti için ise LSTM katmanı kullanılmıştır. Oluşturulan bu karma yapay sinir ağının kalan ömür tahminlemesi, diğer yapay sinir ağı modelleri ile karşılaştırılmıştır.
Aynı sayıda katmanlardan oluşturulan 4 yapay sinir ağı, aynı tekrar sayısı ile ve eğitim setinin %30’u kontrol verisi olacak şekilde eğitilmiştir. 0.001 öğrenme oranı ile beraber, ADAM optimizasyon algoritmasının daha hızlı ve başarılı olduğu görülmüştür. LSTM ağının kaybının 0,0138, CNN ağının kaybının 0,0032, Dense ağın 0,0020 ve önerilen karma ağın kaybının 0,0011 olduğu gözlemlenmiştir.
Sadece sensor değerlerinin değil, sensorlerin korelasyon ve aykırılıkların da kestirimci bakım uygularken kalan ömüre etkisi olduğu tespit edilmiştir.
Anahtar Kelimeler: Kestirimci Bakım, Yapay Sinir Ağı, Aykırılık Tespiti, Korelasyon
|
