Kestirimci bakým; veri analizi ile cihazlarda daha sorun oluþmadan önce, durumu izleyen ve arýza çýkarma ihtimallerini deðerlendirip, önlem alan bir bakým türüdür. Kestirimci bakým uygulamalarýnda kalan ömrün tahmin edilmesini iyileþtirmek için sensorlerin korelasyonlarý ve sensor verilerinin aykýrýlýklarýnýn kullanýlmasý amaçlanmýþtýr. Bu sayede kalan ömür tahminlemesine ek olarak, aykýrýlýk kaynaklý sorunlarýn, kalan ömüre etki eden kök sebebin bulunmasý ve sorun tekrarýnýn azaltýlmasý hedeflenmiþtir.
Birden çok sensor verisi ve kalan ömür bilgisini içeren zaman baðýmlý bir veri seti olmasý itibari ile “Turbofan Engine Degradation Simulation Data Set” veri seti kullanýlarak yapay sinir aðý oluþturulmuþtur. Evriþimsel sinir aðlarýnda (CNN) bulunan evriþim (convolution) katmaný, tekrarlayan sinir aðlarýndan olan uzun-kýsa vadeli yapay sinir aðý (LSTM) katmaný ve lineer operasyon katmanlarý kullanýlarak karma yapay sinir aðý oluþturulmuþtur. Bu karma aðda korelasyonlarýn bulunmasý için evriþim katmaný, aykýrýlýklarýn tespiti için ise LSTM katmaný kullanýlmýþtýr. Oluþturulan bu karma yapay sinir aðýnýn kalan ömür tahminlemesi, diðer yapay sinir aðý modelleri ile karþýlaþtýrýlmýþtýr.
Ayný sayýda katmanlardan oluþturulan 4 yapay sinir aðý, ayný tekrar sayýsý ile ve eðitim setinin %30’u kontrol verisi olacak þekilde eðitilmiþtir. 0.001 öðrenme oraný ile beraber, ADAM optimizasyon algoritmasýnýn daha hýzlý ve baþarýlý olduðu görülmüþtür. LSTM aðýnýn kaybýnýn 0,0138, CNN aðýnýn kaybýnýn 0,0032, Dense aðýn 0,0020 ve önerilen karma aðýn kaybýnýn 0,0011 olduðu gözlemlenmiþtir.
Sadece sensor deðerlerinin deðil, sensorlerin korelasyon ve aykýrýlýklarýn da kestirimci bakým uygularken kalan ömüre etkisi olduðu tespit edilmiþtir.
Anahtar Kelimeler: Kestirimci Bakým, Yapay Sinir Aðý, Aykýrýlýk Tespiti, Korelasyon
|
