A digital twin framework for predictive maintenance
Öngörücü bakım için dijital ikiz çerçevesi
- Tez No: 682086
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 104
Özet
Günümüzde bilim ve teknoloji alanındaki gelişmeler yapay zeka ve nesnelerin interneti alanlarında çalışmaları hızlandırmış durumdadır. Yapay zeka ve özellikle makine öğrenimi ile nesnelerin interneti gibi alanlarda büyük gelişmeler yaşanmış ve bu araştırma alanları endüstride farklı sektörlerde yer almaya başlamıştır. Endüstri 4.0 ile şirketlerin bu tip teknolojileri kendi çalışmalarına adapte etmesi ve iş tanımlarına eklemesi, bu teknolojilerin getireceği sayısız avantaj sebebiyle şirketlerin büyümesinde ve iş dünyasındaki rekabette hayatta kalması konusunda büyük önem taşımaktadır. Yapay zeka bilgisayarların kendi başlarına akıllıca ve doğruluk payı yüksek kararlar verebilmesini mümkün kılar. Bütün endüstrilerde düzgün bir şekilde ayarlanmış ve yapılandırılmış bir yapay zeka şirketlerin kendi kazançlarından çok daha fazla gelir elde etmelerinin önünü açabilir. Bunun temel nedenlerinden bir tanesi, yapay zekanın insanlar tarafından yapılan hataları en aza indirebilmesidir. Ayrıca yapay zeka, kararları daha hızlı verebilme ve sürekli çalışır durumda olabilme özelliklerine de sahiptir. Yapay zekaya ek olarak nesnelerin interneti de bir endüstriyel ortamdaki ekipmanları birbirine bağlayarak sistemin herhangi bir yerindeki bilgiyi bütün sisteme ulaşılabilir kılar. Makine öğrenimi başlığı altında veriden öğrenebilen modeller geliştirilebilir. Bir makine öğrenimi modeli veri kullanılarak eğitilebildiğinden ilgili verinin toplanması gereklidir. Toplanan data ilk halinde iken bir ön işleme sürecinden geçmelidir. Bu süreçte veriden gürültülerin temizlenmesi ve verinin öğrenmeye uygun hale getirilmesi gibi işlemler yapılır. İşlenen veri üzerinden öğrenme aşamasında ise birden fazla eğitme süreci gerçekleştirilip makine öğrenimi modelinin çeşitli parametreleri ayarlanarak modelin performansı zamanla artırılır. Eğitilen modelden üzerinden yapılacak tahminler ve çıkarımlar da kullanıcıların anlayabileceği ve yorumlayabileceği bir hale getirilmelidir. Bunlara ek olarak makine öğrenimi modeli, veri kaynağı ve kullanıcının aralarındaki bağlantının sağlam bir şekilde sağlanması gereklidir. Bütün bu bahsedilen süreçler ek araçların ve donanımların kullanılmasını ve bu alanlarda bilgi ve tecrübe sahibi çalışanların bulunmasını gerekli kılmaktadır. Bu tezde, makine öğrenimi için uçtan uca nesnelerin interneti çerçevesi geliştirilmiştir. Bu çerçeve ile makine öğrenimi modeli geliştirmenin farklı kaynaklardan veri toplama, veriyi ön işlemelerden geçirme, modeli eğitme ve modelden tahmin alma gibi bütün aşamaları otomatik olarak ayarlanmaktadır. Bu çerçeve, makine öğrenimi ve nesnelerin interneti gibi alanlarda yeterli bilgi ve tecrübeye sahip olmayan kullanıcılar tarafından bile rahatça kullanılabilecek şekilde tasarlanmıştır. Ayrıca bu çerçeve, gelişmiş düzeyde yeni modüller ve bu modüllerin uç uca eklenerek yeni ve farklı sistemler tasarlanabilmesi için gerekli temel elemanları içermektedir. Geliştirdiğimiz bu çerçevenin makine öğrenimi ve nesnelerin interneti alanlarını birleştiren örnek kullanım alanlarından birisi öngörücü bakımdır. Öngörücü bakım, Endüstri 4.0'ın başlaması ile öne çıkan bir bakım çalışması yöntemidir. Bu yöntemde endüstriyel bir ortamdaki bir ekipman için bakım çalışması zamanı, bu ekipman üzerinden farklı sensörler aracılığı ile toplanmış verilerin işlenmesi ile yapılan tahminler ile belirlenir. Bu tezde bahsedilen çerçeve kullanılarak geliştirilmiş bir makine öğrenimi modeli bu tahminleri almak için kullanılabilir. Çevreden toplanacak sensör verilerinin ve modelden gelecek olan ekipmanların durumları ile ilgili tahminlerin kullanıcıya aktarılması kısmında ise geliştirilen çerçevedeki nesnelerin interneti ara katman yazılımı kullanılabilir. Sonuç olarak, öngörücü bakım ile ekipmanların bozuk olmasından kaynaklı giderler ve bakım işlemlerinin kendi maliyetleri diğer bakım yöntemlerine kıyasla daha çok azaltılmış olur. Bakım çalışmalarının endüstride önemli bir yeri vardır ve ciddiye alınmalıdır. Bir ekipmandaki arıza kaçınılmazdır fakat arızanın nedeni ne olursa olsun sonuçları çok ciddi olabilir. Sistemdeki önüne geçilmemiş bir arıza bütün sistemin performansını düşürebilir hatta bütün sistemin çalışmasını tamamen durdurabilir. Bu tip bir arıza gerçekleştiğinde sadece bu ekipmanın sorumluğundaki iş değil, bu ekipmanın çalışmasına bağlı olan diğer bütün ekipmanlarında çalışmaları aksayacaktır. Doğru bakım stratejisi uygulanarak ekipmanların kalan kullanılabilir zamanları uzatılabilir ve bu problemden bu sayede mümkün olduğunca kaçınılabilir. Bir makine öğrenimi süreci için gerekli bütün aşamalar bu tezde bahsedilen çerçeve tarafından sağlanan ve birbirinden bağımsız çalışabilen farklı modüller aracılığı ile yapılabilir. Geliştirilen çerçevede bu modüllerin ayarlanıp birbirleri ile bağlanabilmesini kolaylaştıran bir görsel ara yüz de sağlanmıştır. Bu ara yüz sayesinde kullanıcılar gereksinimlerine en uygun şekilde farklı sistemleri rahatça geliştirebilirler. Bütün bu modüller toplu olarak kullanıldıklarında toplanan veride farklı sınıflardan farklı sayıda değerler olması, bazı verilerin eksikliği veya okunamaması ve sürekli olarak akan veriden öğrenme gibi zorlukların üstesinden gelmeye yardımcı olurlar. Bahsedilen bu zorluklar genel olarak öngörücü bakım ile ilgili toplanan verilerde karşımıza çıkmaktadır. Bahsedilen bu çerçevede üretim ortamları gibi çeşitli endüstriyel ortamlarda kullanılabilecek bir dijital ikiz simülasyonu için entegrasyon da sağlanmaktadır. Bu dijital ikiz simülasyonu makine öğrenimi modelleri ve gerçek dünya ile uyumlu çalışmaktadır. Bu sayede makine öğrenimi modellerinin, üretimin maliyeti veya verim oranı gibi farklı açılardan etkileri test edilebilir. Dijital ikiz, gerçek dünyadaki bir objenin sanal ortamdaki kopyası demektir ve bu objenin bütün özelliklerini taklit edebilir. Bu sayede dijital ikiz ile bütün sistemin güncel durumları simülasyon üzerinden ek masrafa gerek olmadan kolayca takip edilebilir. Bunlara ek olarak, geliştirilen bu çerçevenin sağladığı kontrol paneli aracılığı ile makine öğrenimi modellerinin eğitilme ve test edilme süreçlerindeki performansları görselleştirilebilir. Ayrıca, kullanıcılar dijital ikiz simülasyonunun parametrelerini ayarlayabilir ve simülasyondaki sanal bir objenin o anki durumunu tek bir yerden takip edebilir. Bu kontrol paneli aracılığı ile durumu kritik olan ekipmanlar için kullanıcılara uyarı da verilmektedir. Bu çerçevenin çalışabilirliğini test etmek amacıyla farklı açık kaynaklı veri kümeleri kullanılmıştır. Turbofan motorlarındaki bozulmaların ve hidrolik sistemlerin sağlamlılığının tespit edilmesi öngörücü bakım ile ilgili olan veri kümeleridir. Geliştirilen bu çerçevenin etkinliği doğruluk, kesinlik, duyarlılık ve f1 skoru gibi metrikler ile gösterilmiştir. Ayrıca kullanılan makine öğrenmesi algoritmaları farklı parametrelerle test edilmiş ve sonuçlar gösterilmiştir. Endüstri 4.0 ile uyumlu olan ve umut vaat eden bu sistemlerin bir arada kullanılması ile farklı iş alanlarındaki kullanıcılara endüstrinin değişen koşullarına uyum sağlamada ve karşılaşılan zorlukların üstesinden daha rahat gelme konusunda yardım etmek amaçlanmaktadır.
Özet (Çeviri)
With the emergence of Industry 4.0, it became essential to incorporate technologies like artificial intelligence (AI), specifically machine learning (ML), and the internet of things (IoT) to survive in the industrial competition due to their numerous advantages. AI enables computers to make intelligent decisions on their own with high precision. In any industry, properly constructed AI can result in much higher savings as it reduces the errors caused by humans. It is also fast and constantly operational. In addition, IoT is able to connect all the equipments in an industrial environment together which makes the information from any part of the system available to any other part of the system. A machine learning model needs data to learn, therefore a data acquisition phase is required. The raw collected data generally needs preprocessing before learning and the learning phase requires parameter tuning and performance analysis to be improved over time. The predictions that the model makes also need to be interpreted and converted to a form for users to understand. In addition, connections between the machine learning model, data source and the user should be established and trusted while being easy to maintain. All these phases require the use of additional tools and new employees with knowledge and experience in those areas. In this thesis, we explain a generic end-to-end IoT framework for machine learning. With this framework, all the phases for developing a machine learning model such as data acquisition from various sources, data preprocessing, training the model and getting predictions automatically handled. This framework is designed in a way that even users with less experience in those fields are able to use it. It contains necessary tools as a building block to create more sophisticated modules and pipelines. One of the most prominent uses of our framework combining machine learning and IoT is in predictive maintenance (PdM) tasks. With the start of Industry 4.0, one of the leading solutions for maintenance is PdM which is a type of maintenance where the maintenance time for an equipment in an industrial environment is determined using the predictions based on the historical data collected on that equipment using various sensors. A machine learning model built in our framework can be used to get those predictions and the IoT middleware provided by our framework can be used to collect the sensor data from the environment and inform users about the conditions that the equipment is in. PdM helps to reduce the downtime costs of the assets by performing maintenance at the optimal time which also leads to reduced maintenance costs. Maintenance in the industry is an important aspect that should be taken seriously. Whatever the reason is, a fault on an equipment can cause performance degradation or even stop the operation entirely. When this happens, not only the work under its responsibility but also the works of other equipments that depend on its operation may be disrupted. In order to mitigate this problem, the remaining useful life of the resources can be extended with proper maintenance. Our framework provides different independent modules for all the necessary phases of a learning task that can be arranged and connected in a visual environment. This enables the users to create unique and specialized pipelines for their needs easily. These modules collectively help to overcome the challenges such as data being unbalanced, data with missing values and learning from continuously streamed data. All these challenges are in the nature of the data to be used for predictive maintenance. Once the learning is completed, the performance can be assessed and the predictions for the future of the equipment can be generated by the modules provided by the framework. This framework also provides integration for digital twin simulation of the production environments. This digital twin simulation is compatible with the machine learning models to test the effect on different aspects of production like the cost or the throughput rate. A digital twin is a virtual copy of a real world object, therefore it also enables to monitor the status of the entire system from the simulation without extra cost. With our framework, the status of an equipment can be predicted in advance and visualize on the digital twin to take necessary measures. Through the built-in dashboard in our framework, the training and testing performances of the machine learning models can be visualized. Users can also adjust the settings of the digital twin and see the statistics of individual components from a single place. The dashboard also gives warnings about the equipments that are in critical condition. The dashboard takes the responsibility of combining outputs from the machine learning models and the digital twin in a single place. Various open source data were used to test the framework for different tasks such as predicting turbofan engine degradation and predicting the stability of hydraulic systems which fall under the category of predictive maintenance. The effectiveness of the proposed framework is shown using metrics such as precision, recall, f1 score and accuracy. The combination of these promising solutions compatible with Industry 4.0 helps users to overcome the challenges and adapt to the changing conditions of the industry.
Benzer Tezler
- Veri güdümlü dijital ikiz modeli ile freze takım tezgahı takım aşınma tahminlemesi ve kesme parametreleri optimizasyonu
Prediction of tool wear and cutting parameter optimization of milling machine tool with data-driven digital twin model
GİZEM BURUN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Network digital twins: Tackling challenges and enhancing wireless network management
Ağ dijital ikizleri: Sorunları ele alma ve kablosuz ağ yönetimini geliştirme
ELİF AK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BERK CANBERK
- Nesnelerin internetinde uç bilişim için güven yönetim modeli
Trust management model for edge computing in the internet of things
BURCU BOLAT AKÇA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF BOZKAYA ARAS
- Geleceğin kentlerinde kamusal açık alan tasarım niteliklerinin değerlendirilmesi
Evaluation of public open space design qualities in cities of the future
BÜŞRA KILIÇDAĞ
Yüksek Lisans
Türkçe
2023
Mimarlıkİstanbul Teknik ÜniversitesiKentsel Tasarım Ana Bilim Dalı
PROF. DR. MEHMET OCAKÇI
- Artifical neural networks flood forecasting: Investigation of the contributions of data assimilation for applications to Cevennes rivers
Yapay sinir ağlarıyla taşkın tahmini: Uygulamalar için veri asimilasyonunun katkılarının değerlendirilmesi Cevennes rivers
ÇAĞRI ALPEREN İNAN
Doktora
İngilizce
2023
Jeoloji MühendisliğiMuğla Sıtkı Koçman ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. BEDRİ KURTULUŞ
PROF. DR. ANNE JOHANNET