Time series analysis with deep learning approaches for industry 4.0

Günümüzde, internete bağlı cihaz sayısı oldukça artmıştır ve bu da nesnelerin interneti teriminin çıkışını sağlamıştır. Nesnelerin interneti sayesinde cihazlar artık kendileri karar verebilmekte ve aralarında bilgi paylaşabilmektedirler. Son zamanlarda çok duyduğumuz Endüstri 4.0 ise üretim teknolojileri için veri alışverişi ve otomasyon için kullanılan bir terimdir. Üretim sanayisi cihazların birçok sensora sahip olması nedeniyle oldukça büyük miktarda veriye sahiptir. Bu veriler süreçlerin otomasyonu ve iyileştirilmesi için kullanılabilir. Bu çalışmanın amacı da derin öğrenme metotlarıyla zaman serisi analizi yaparak bileşenlerin kalan faydalı ömürlerini bulmaktır. Literatüre bakıldığında bileşenlerin kalan faydalı ömürlerinin tahminiyle ilgili birçok çalışma bulunduğu görülebilir. Bu çalışmalarda yapay sinir ağları, sinyal işleme ve birçok makine öğrenmesi teknikleri gibi çeşitli metodolojiler kullanılmıştır. Veri setinin kalitesi tahmin modellerinin oluşturulmasında büyük önem taşımaktadır. Bu çalışmada NASA'nın 4 PHM veri seti incelenmiştir ve aralarından Femto Enstitüsü'nün rulman veri seti seçilmiştir. Kullanılan bu veri setinde yüksek frekanslı gürültü görülmektedir. Bu nedenle ivmeölçer verisi üzerinde Ayrık Dalgacık Dönüşümü uygulanmıştır. Ortalama, basıklık, çarpıklık, standart sapma, varyans, ortalama karekök, kret faktörü gibi özellikler çıkarılmıştır. Ayrıca, rulmanların kalan kullanım ömrünü belirlemek için sağlık göstergesi değerleri hesaplanmıştır. Uzun-kısa süreli bellek (LSTM) sinir ağı kullanılarak kalan faydalı ömür tahmin modeli oluşturulmuştur. Doğru LSTM parametrelerini bulmak ve tahmin modelinin farklı öğrenme ve test verileriyle nasıl çalıştığını analiz etmek için çeşitli deneyler yaptık. Son olarak, oluşturduğumuz modelin sonuçlarını, literatürdeki diğer bu veri setini kullanan çalışmaların sonuçları ile karşılaştırdık ve modelimizin diğerlerine göre daha az performanslı çalıştığını gördük. Bu veri seti, LSTM ağı için doğrudan uygulanamaz ve ön işleme adımına daha çok odaklanmak gerekmektedir.