Kestirimci bakım uygulamalarında makine öğrenimine dayalı anomali tespiti yöntemlerinin geliştirilmesi

Kestirimci bakım, makine koşullarını izleyerek beklenmeyen ekipman arızalarını tespit etmek ve önlemek için uygulanan bir yaklaşımıdır. Endüstriyel sistemlerde kullanılan ekipmanların düzenli olarak bakımlarının yapılması gerekmektedir. Aksi takdirde yaşanan ani bir arıza, mali kayıplara yol açabilir. Gelişmiş sensör veri toplama teknolojileri, birçok türde sensör verisinin dijital olarak üretilmesine ve saklanmasına olanak tanır. Bu veriler, yapay zeka yöntemlerine beslenerek ekipman durumları hakkında bilgiler edinilebilir. Arıza tespit uygulamalarındaki zorluklardan biri, bir sensörün performansta yetersiz kalabilmesidir. Çoklu sensör füzyonu, çoklu sensörlerden gelen verileri etkin bir şekilde birleştirerek daha sağlam bir yapı oluşturmayı amaçlar. Ayrıca, bir kaynaktan elde edilen verinin farklı modları farklı bilgiler sağlayabilir. Bu tez kapsamında, ekipman hatalarını tespit etmek için hem çok modlu öğrenmeyi hem de çoklu sensör füzyonunu içeren bir derin öğrenme mimarisi geliştirilmiştir. Arıza durumunun tespiti için titreşim ve akım sensörlerinde elde edilen verilerin hem zaman uzayında hem de zaman-frekans uzayında temsilleri bir arada kullanılmıştır. Titreşim ve akım sensörlerinden gelen ham veriler, Kısa Zamanlı Fourier Dönüşümü (STFT) kullanılarak spektrogram görüntülerine dönüştürülmüştür. Ardından, hataları tespit etmek için önerilen yönteme zaman-frekans görüntüleri ve ham zaman serisi verileri paralel olarak sağlanmıştır. Önerilen yöntemin etkinliği, iki farklı veri seti üzerinde farklı tekniklerle karşılaştırılarak incelenmiştir. Sonuçlar, önerilen yöntemin hataları tespit etmede başarılı olduğunu göstermektedir.