Elektrik motorları için makine öğrenmesi temelli arıza analizi

Günümüzde endüstriyel tesislerde seri üretimin durmadan verimli bir şekilde devam etmesi oldukça önemli bir konudur. Üretim hatlarında yaşanabilecek herhangi bir arıza, uzun duruşlara neden olup üretim verimliliğini (Overall Equipment Effectiveness-OEE) olumsuz yönde etkilemektedir. Bu arızaların yaşanmasını önlemek için planlı bakım ve kestirimci bakım uygulamaları büyük bir öneme sahiptir. Geleneksel bakım yöntemlerinin yanında günümüz endüstriyel teknolojilerinin etkisi ile özellikle endüstri 4.0'ın getirdiği yeni yöntemler ile kestirimci bakım uygulamaları, bakım çalışmaları içerisinde ön plana çıkmıştır. Uyarıcı bakım olarak da bilinen bu yöntem sayesinde üretim sistemlerinde bakım gerektiren bir arıza önceden tahmin edilerek bu durum yaşanmadan ve sistemi uzun bir süre durdurmadan önüne geçilebilmektedir. Bu tez çalışmasında, bir gıda üretim tesisinin nişasta transfer sisteminde yer alan helezon motoru ve şanzıman grubundan alınan titreşim ve sıcaklık değerleri ile ortam sıcaklık ve nem parametreleri kullanılarak arıza analizleri, farklı modeller aracılığıyla yapılmıştır. Yapılan bu arıza analizleri sonucunda arıza kaynaklı uzun duruşların öngörülebilmesi üretim, zaman ve maliyet kayıpları ile sonuçlanabilecek arızaların engellenmesi açısından önem teşkil etmektedir. Bu analiz çalışmasında yapay zekâ metotları arasında yer alan makine öğrenmesi algoritmaları kullanılmıştır. Makine öğrenmesi algoritmaları kapsamında denetimli öğrenme yöntemlerinden olan k-en yakın komşu (K-Nearest Neighbor, KNN), karar ağacı (Decision Tree, DT), Naive Bayes (NB), destek vektör makineleri (Support Vector Machine, SVM), rassal orman (Random Forest, RF) ve XGBoost algoritmaları kullanılarak sistemlerin performans verileri karşılaştırılmıştır. Çalışma kapsamında ele alınan modellerde girdi verisi olarak ortam sıcaklık ve nem, motor sıcaklık ve titreşim ile redüktör sıcaklık ve titreşim parametreleri kullanılmıştır. Modelin arıza yok, arıza kısa duruş, arıza uzun duruş yakın ve uzun duruş büyük arıza olmak üzere dört çıktısı bulunmaktadır. Bu veriler, bazı denetimli öğrenme algoritmaları kullanılarak Python programında analiz edilmiştir. Çalışmanın sonucunda XGBoost ve DT algoritmalarının daha yüksek doğruluk oranı verdiği tespit edilmiştir.