Açıklanabilir yapay zeka ve akustik sinyaller kullanılarak endüstriyel makinelerde anomali tespiti

Endüstriyel sistemlerde meydana gelen arızalar, yalnızca üretim kesintileri ve maliyet artışlarına yol açmakla kalmaz, aynı zamanda güvenlik riskleri ve müşteri memnuniyetsizliği gibi sorunlara da neden olmaktadır. Bu nedenle, anomalilerin erken tespit edilmesi, üretim süreçlerinde verimliliğin artırılması ve hataların piyasaya sürülmeden önce belirlenmesi açısından büyük önem taşımaktadır. Bu tezde, endüstriyel makinelerden toplanan ses sinyalleri kullanılarak, makine sağlığındaki anormalliklerin ve arıza durumlarının tespit edilmesine yönelik hafif ve etkili gözetimli ve gözetimsiz öğrenme yöntemleri geliştirilmiştir. Tez çalışmasında kullanılan yöntem, sensörlerden elde edilen ses sinyallerinin özellik mühendisliği süreçleriyle işlenmesi ve farklı makine öğrenmesi modelleri ile test edilmesini kapsamaktadır. Ses sinyallerinden 17 farklı ses sinyali özelliği çıkarılmış, çoğu bir dizi olan bu 17 farklı ses sinyali özelliğinden de çeşitli istatiksel metrikler çıkarılarak her bir ses sinyali verisi için 110 özniteliğin bulunduğu bir veri seti oluşturulmuştur. RF, XGBoost, EBM ve DNN olmak üzere dört farklı gözetimli öğrenme yöntemiyle oluşturulan modeller ve yapılan analizler sonucunda, MIMII veri setindeki dört makine türü için ortalama, %99.78 doğruluk ve %99.95 AUC değeri elde edilmiştir. Önerilen yöntem, ayrıca ToyADMOS veri setindeki oyuncak arabalar ile gerçek bir vaka çalışması olan beyaz eşya elektrik motorlarından elde edilen ses sinyalleri üzerinde test edilmiş ve sırasıyla %95.62 ve %99.38 AUC değerleriyle literatürdeki mevcut yöntemlerden daha iyi sonuçlar elde etmiştir. Çalışmada, gerçek zamanlı akustik izleme ve kestirimci bakım sistemleri için değerli bilgiler sunmak amacıyla, RF, IG, SHAP, LIME, EBM ve LASSO olmak üzere altı farklı açıklanabilir yapay zekâ (XAI) yöntemlerini kullanarak elektrik motoru, pompa, fan, sürgülü ray ve valf makine türleri için anomali tespitinde kullanılabilecek kritik ses sinyali özellikler belirlenmiştir. Özellik seçimi ve azaltımı süreçleriyle, yalnızca önemli olarak belirlenen özelliklerin bulunduğu veri setleri ile gözetimsiz öğrenme modelleri eğitilmiştir. Bu yöntem yalnızca ayırt edici özellikler verilerek etiketli veri olmadan anomali tespiti yapmayı çalışan modellerin performansını güçlendirmek için kullanılmıştır Gözetimsiz öğrenme yöntemlerinden Autoencoder (AE) modelinin, çoğu makine türünde İzolasyon Ormanı (IF) modeline göre daha başarılı performans gösterdiği gözlemlenmiştir. Gözetimsiz modellerde her makine kimliği için elde edilen ortalama AUC değerleri; pompalar için %99.11, fanlar için %99.54, sürgülü raylar için %98.85, valfler için %98.12 olmuştur. Sonuç olarak, bu çalışma, endüstriyel makinelerde anomali ve arıza tespiti için hafif, etkili ve açıklanabilir bir yöntem sunarak literatüre ve endüstriyel uygulamalara katkı sağlamaktadır. Önerilen yöntem hem performans hem de hafif bir yöntem oluşunun getirdiği maliyet avantajlarıyla mevcut çözümlerin önemli ölçüde önüne geçmiştir.