Siber-fiziksel sistemler için makine sağlığı gözleme

Endüstri $4.0$ çağında, üretimde kullanılan makinelerin arıza zamanının tahmin edilmesi, verimli bir bakım elde etmek için çok önemlidir. Kalan faydalı ömür (RUL), bir makinenin onarım veya değiştirme gerektirmeden çalışmaya devam edeceği ham zaman aralıkları veya kullanım açısından zaman uzunluğunu ifade eden terimdir. Makine öğrenimi (ML), özellikle derin öğrenme, endüstri uygulayıcılarına RUL'yi tahmin etmek için etkili araçlar sağlar. Bununla birlikte, mevcut çalışmalarda alana özgün bilgiler genellikle göz ardı edildiği için ML'den tam olarak faydalanılamamıştır. Bu tez, ML tabanlı RUL tahmininin performansını artırmak için makine durumu izlemedeki alana özgü üç ana soruna odaklanmaktadır. Birincisi, RUL, makinelerin sağlıklı çalışma döneminde iyi tanımlanmamıştır, bu nedenle bu dönemde varsayılan RUL ile ilgili olarak ML'yi zorlamak, genel RUL tahmin doğruluğunu olumsuz yönde etkiler. Bu tezde, ML modellerinin bu dönemde RUL'u tahmin etmesini önlemek ve böylece doğruluğunu artırmak için sensör verilerinde bozulma başlangıç ​​noktasını tespit etmek için sistem düzeyinde anomali saptamasıyla tetiklenmiş RUL tahmin yöntemi önerilmiştir. İkinci olarak, makinelerin çalışma koşulları bozulma düzenlerini ve ilgili sensör ölçümlerini etkiler. Bu nedenle, makine değişik koşullarda çalıştığında ML tabanlı RUL tahmin modellerinin doğruluğu azalır. Bu sorunu hafifletmek için siyam sinirsel ağ tabanlı çalışma koşulu-değişimsiz öznitelik çıkarma yöntemi tanıtılmıştır. Bu iki yaklaşım, bir referans turbofan motor bozulması verisi kullanılarak doğrulanmıştır. Son olarak, ML modellerinin çoğu RUL tahmininde veri eksikliğinden zarar görür. Veriler görüntü, profil vb. gibi yüksek boyutluysa, sorun daha da zor hale gelir. Bozulma veri kıtlığı durumunda boyutluluk belasından kurtulmak için iki derin öğrenme mimarisi önerilmektedir. Önerilen modellerin verimliliği bir kızılötesi görüntü verisiyle gösterilmiştir.