Endüstriyel hata tespiti için özdenetimli tahmin karşıtlığı zaman-frekans yöntemi

Endüstriyel bilişim, büyük miktarda veri üretir, ancak hata tespiti dinamik süreçler ve doğrusal olmayan etkileşimler nedeniyle zorluklarla karşılaşır. Derin öğrenme ve makine öğrenimi bu konuda yardımcı olsa da, sensör hataları, iletim hataları ve sınırlı etiketli veriler gibi sorunlar devam etmektedir. Özdenetimli öğrenme (SSL), etiketlenmemiş verileri kullanarak modelleri eğitip etiketler oluşturabilen bir yaklaşımdır. SSL'nin önemli bir yöntemi olan tahmin karşıtlığı öğrenme, zaman serisi verilerindeki zamansal ilişkileri koruyarak parametre ayarlamaya gerek kalmadan daha verimli bir çözüm sunar. Bu tezde, endüstriyel ortamlarda hata tespiti (FD) yeteneğini artırmak amacıyla tahmin karşıtlığı öğrenmesini kullanan yenilikçi bir özdenetimli öğrenme mimarisi önerilmektedir. Önerilen yaklaşım, zamansal bağımlılıkları yakalamak ve model dayanıklılığını artırmak için zaman ve frekans alanı bilgilerini birleştirmektedir. Bu çalışmanın temel katkıları şunlardır: SSL'de zaman-frekans bilgisinin yenilikçi bir şekilde birleştirilmesi, hata tespiti için tahmin karşıtlığı öğrenmenin ilk kez uygulanması, gerçek zamanlı performans ve ölçeklenebilirlik için karmaşık ağ analizi ve kapsamlı bir değerlendirme sürecinin (ablation çalışmaları dahil) gerçekleştirilmesi. Veri kıtlığı sorunlarını ele almak ve karmaşık ortamlarda hata tespit doğruluğunu artırmak amacıyla önerilen model, temel zamansal ilişkileri korurken dayanıklılığı artıran veri dönüşümleri içermektedir. Yaklaşımımız, endüstriyel süreçlerde hata tespit sistemlerini test etmek için yaygın olarak kullanılan Tennessee Eastman Süreci (TEP) referans veri setleri (Ricker ve Rieth versiyonları) ile değerlendirildi. Ayrıca, su yönetim sistemine kasıtlı saldırı senaryoları enjekte edilmiş anormallikler içeren Secure Water Treatment (SWaT) ve Water Distribution (WADI) veri setleri üzerinde de değerlendirmeler gerçekleştirilmiştir. TEP veri setleri üzerindeki deneysel sonuçlar, önerilen yaklaşımın mevcut referans modelleri önemli ölçüde geride bıraktığını göstermektedir. Modelimiz, %92,04 Doğru Pozitif Oranı (TPR), 22,18 adım Ortalama Tespit Gecikmesi (ADD) ve %97,62 Doğru Tanı Oranı (CDR) elde ederek veri kıtlığı zorluklarını etkili bir şekilde ele almış ve karmaşık endüstriyel ortamlarda hata tespit doğruluğunu artırmıştır. Benzer şekilde, diğer referans veri setlerinde de üstün performans gözlemlenmiştir. Pratik uygulanabilirliği sağlamak için, modelimizin gerçek zamanlı performansını ve ölçeklenebilirliğini hem bulut hem de uç bilgi işlem ortamlarında değerlendirmek amacıyla karmaşık ağ topolojisi analizi gerçekleştirilmiştir. Bu analiz, endüstriyel ağları karmaşık sistemler olarak ele alarak, uç ve bulut bilgi işlem mimarileri arasındaki gecikme farklarının kapsamlı bir karşılaştırmasını sunmaktadır. Bu yaklaşım, hata tespit literatüründe önemli bir boşluğu doldurmaktadır. Önerilen özdenetimli öğrenme mimarisi, kapsamlı ağ analizi ile birleştirildiğinde, endüstriyel kimya tesislerinde hata tespiti için sağlam bir çözüm sunmaktadır. Gelişmiş derin öğrenme tekniklerinin çeşitli bilgi işlem ortamlarında uygulanmasına yönelik pratik hususlarla entegre edilmesi sayesinde, endüstride daha verimli ve güvenilir hata tespit sistemlerinin geliştirilmesinin yolu açılmaktadır.