Endüstri 4.0 için derin öğrenme kullanan durum izleme ve kestirimci bakım yöntemlerinin geliştirilmesi

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.