Geri Dön

LSTM-based learning of automata models for production line operations

LSTM ile üretim hatlarının çalışmasına ilişkin otomat modellerini oluşturma

PDF İndir

  1. Tez No: 945939
  2. Yazar: IYAS MOHAMMAD IBRAHEEM ALTALAFHA
  3. Danışmanlar: PROF. DR. YAPRAK YALÇIN, DOÇ. DR. GÜLCİHAN ÖZDEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 89

Özet

Üretim Hatları ve Taşıma Sistemleri, modern üretim süreçlerinin temel unsurlarıdır. Üretim verimliliği, üretim ve taşıma araçlarının verimliliği ile doğrudan ilişkilidir. Üretim süreçlerinin modellenmesi, bu süreçlerin daha iyi yapılandırılması ve planlanması için kapı açar. Bir üretim hattını modelleme motivasyonu, üretim hatlarının artan karmaşıklığı ve dolayısıyla maliyetleriyle uyum içindedir. Ayrıca, sistem arıza meydana gelmeye daha yatkın hale gelir. Üretim hattı içindeki bileşen etkileşim desenlerini hesaba katmak, sistemin durumlarını girdiler ve çıktılarla ilişkilendirmekten daha iyi bir yaklaşım olduğu kanıtlanmıştır; özellikle hat çalışması sırasında yapılan herhangi bir değişiklik doğrudan hattaki desenlere yansıdığından. Sınırlı bir görev setini yerine getirmek üzere optimize edilmiş makineler, bakımı daha kolay olsa da, hat üzerindeki herhangi bir değişikliğe daha az uyum sağlayabilmektedir. Hatalardan veya nihai üründe ayarlama yapmak için gerekli olan parametre ayarlamalarından kaynaklanan değişiklik, hattı verimsiz hale getirerek israfa ve maliyet artışına yol açabilir. Hattın verimliliği doğrudan verimi etkiler; bu da karlar ve rekabet avantajı üzerinde belirleyici rol oynar. Üretim hattının esnek yapılandırılması ve planlanması, değişiklikler meydana geldikçe hattın sürekli güncellenmesine olanak tanır. Bir sistem modeli, üretim sürecinin görselleştirilmesini sağlayarak üretim çıktısının artırılmasına yardımcı olur. Endüstriyel bağlamda modelleme, modern üretim standartlarıyla birlikte gelen karmaşıklık nedeniyle her zaman bir zorluk olmuştur. Ancak finansal açıdan bakıldığında, üretim çıktısını optimize etmek ve verimliliği artırmak amacıyla bir üretim hattının modellenmesi, karları orantılı olarak etkiler; çünkü bir sistemin görselleştirilmesi ya da modeli, daha iyi planlama, yapılandırma ve kaynak dağılımına olanak tanır. Verimlilik, en iyi şekilde girdinin çıktıya oranı olarak tanımlanabilir; girdi için daha iyi bir çıktı verimi sağlandıkça, bir sistem o kadar verimli kabul edilir. Üretim hattı operasyonlarının, hattı oluşturan ayrı bileşenler yerine tek bir birim, tüm üretim hattı olarak modellenmesi, üreticinin her bir parçanın fiziği ve matematiğiyle ilgilenmesini engelleyip hattın temel görevine odaklanmasına olanak tanır. Üretim hatlarının önemli bir bileşenini temsil eden taşıma sistemleri, büyük ölçekli üretim hatlarına uygulanabilir bir yaklaşım sunmak amacıyla modelleme hedefi olarak seçilmiştir. Endüstriyel bağlamda, montaj veya işleme mekanizmaları yerine, kaynakların üretim hattındaki her iş istasyonundan geçişi yaygın uygulama olarak kabul edilir. Böyle bir kuruluma örnek olarak, gövdenin bir istasyondan diğerine taşındığı ve istenen ürün formuna doğru adım adım ilerlediği otomobil montaj hattı verilebilir. Bir otomat, bilinmeyen bir ortamla etkileşimde bulunan ve bu ortamda eylem gerçekleştirmek için aldığı kararların istenen veya istenmeyen sonuçlara yol açabileceği bir sistemi temsil eden bir modeldir. Karar alma süreci, belirli bir eylemi gerçekleştirme olasılığının ortamla yapılan etkileşimlere bağlı olarak güncellenen olasılık ağırlıklarına dayandığı stokastik bir süreç olabilir. Karar verme süreci ayrıca deterministik olabilir; bu durumda, olasılık ağırlıklarına bağlı olmaksızın, bir benzersiz durumdan diğerine geçişler gerçekleşir. Ancak, karar verme sürecindeki karmaşıklık, ortamın sistem tarafından fark edilmeyen derecede bilinmeyen ajanlar veya sistemin kendisi tarafından etkilenmesi durumunda ortaya çıkar. Deterministik Sonlu Otomata'yı (DFA) grafiksel olarak temsil etmek amacıyla, girdiler, çıktılar, geçişler, durumlar ve benzersiz bir eşleme fonksiyonu ile tanımlanan durum-akış diyagramı kullanılır. Durum-akış diyagramı, sisteme her girdiyle durumdaki değişikliği ve bunun sonucunda oluşan çıktıyı temsil eder. Sistemin girdi ve çıktısı arasındaki ilişki, sisteme özgü bir fonksiyon ile tanımlanabilir. Bir otomatın endüstriyel tanımında, üründeki her değişiklik, benzersiz bir gözlemle tanımlanan bir durum olarak kabul edilir. Malzemenin nihai ürüne dönüşene kadar adım adım işlenmesi, olayların sırasının önemli olduğu ardışık bir süreç olarak tanımlanabilir. Üretim ve taşıma süreçlerinin ardışık doğasını dikkate alan anahtar teslim bir yaklaşım önerilmektedir. Bu çalışmada, Long Short-Term Memory (LSTM), basit bir pnömatik taşıma sisteminde kullanılan, desen tanıma amaçlı bir Tekrarlayan Sinir Ağı'dır. Tekrarlayan Sinir Ağları (RNN'ler), geri besleme döngüleri aracılığıyla zamansal bağımlılıkları yakalarken, LSTM ağları kapılı mekanizmalar kullanarak uzun vadeli bağımlılıkları etkili bir şekilde öğrenme yeteneğini geliştirir. Pnömatik taşıma sistemi, on bir yakınlık sensörü, üç yatay kayan platform ve dördüncü platformu temsil eden bir emme kolundan oluşmaktadır. Bloğun hareket ettiği yol kare şeklindedir ve her köşe, bloğun kare yol üzerindeki ilerlemesini izlemek amacıyla benzersiz konumlar olarak etiketlenmiştir. Bu çalışma kapsamında, pnömatik konveyör sisteminin, sisteme özgü girdileri çıktılara eşleyen bir fonksiyona ihtiyaç duyduğu belirlenmiştir. Durumlar, her zaman adımında alınan benzersiz gözlemlerdir ve durum geçişleri, gerçekleşme sırasına göre kaydedilmiştir. Gözlemler, sistemi modellemek için tartışılan algoritmalara girdi olarak kullanılmıştır. Konveyör sisteminin döngüsel yapısı, sürekli çalışan bir üretim hattına benzemektedir. Pnömatik taşıma sisteminin operasyonunu görselleştiren bir otomat çıkarmak amacıyla, Programlanabilir Lojik Kontrolcü (PLC) ile sensör okumalarından elde edilen veriler LSTM'nin eğitilmesinde kullanılmıştır. PLC, pnömatik taşıma sisteminden gelen sensör okumalarını, her gözlemin önceden belirlenmiş örnekleme frekansında kaydedilmesiyle kaydetmiştir. Önerilen LSTM yaklaşımını eğitmek için kullanılan veriler, eğitim ve test olmak üzere iki gruba ayrılmıştır. Önerilen LSTM yaklaşımından elde edilen otomat, otomat görselleştirme algoritması olan OTALA'dan elde edilen otomat ile karşılaştırılmıştır. Her iki metodolojinin çıktısı da bir otomat ile sonuçlanmış; ancak, ortaya çıkan LSTM otomatı, OTALA'dan elde edilen otomatın aksine, taşıma sisteminin daha doğru bir temsilini ortaya koymuştur. Ortaya çıkan LSTM tabanlı otomat, durumlar arasındaki geçişlerin olasılık ölçütlerine bağlı olmaması ve her gözlemin benzersiz bir duruma karşılık gelmesi nedeniyle deterministik bir durum-çıktı otomatıdır. Ayrıca, kaydedilen gözlemler ardışıklık göstermekte olup, meydana gelme sırası bir durumdan diğerine geçişleri belirlemektedir.

Özet (Çeviri)

Production Lines and Conveying Systems are the staple of modern manufacturing processes. Manufacturing efficiency is directly related to the efficiency of the means of production and conveying. Modelling of manufacturing processes open the door for better structuring and planning the manufacturing processes. A system model allows for the visualisation of the production process and therefore aid in improving production output. Modelling in the industrial context has always been a challenge due to the complexity that comes along with modern manufacturing standards. Conveying systems, representing a major component of production lines, are chosen as the target to model to present an approach applicable in large scale production lines in a simpler format. An automaton is a model representing a system, as would a state-flow diagram, where it can be defined by the inputs, outputs, transitions, states and a mapping function. A turn-key approach that considers the sequential nature of production and conveying processes is considered. Long Short-Term Memory is a pattern recognition Recurrent Neural Network, that is utilised in this study on a simple pneumatic conveying system which transports a wooden block around the system to identift the automata model of its operation. Recurrent Neural Networks (RNNs) capture temporal dependencies through feedback loops, while Long Short-Term Memory (LSTM) networks enhance this capability by using gated mechanisms to effectively learn long-term dependencies. Data from sensor readings are used to train the LSTM in order to output an Automaton that visualises the operation of the pneumatic conveying system, which is controlled by a Programmable Logic Controller. The PLC was utilised to record the sensor readings from the pneumatic conveying system, where each observation was recorded at a predefined sampling frequency. The data used to train the proposed LSTM approach was divided into two groups for training and testing. Additionally, the appropriate cycle length, to narrow down the average cycle length of the pneumatic conveying system, was measured over the course of a large number of trials. The automaton obtained from the proposed LSTM approach is compared with the automaton obtained from OTALA, which is an automaton visualisation algorithm. The outputs of both methodologies resulted in an automaton. The hyperparameters used to obtain a high accuracy automaton, using the proposed LSTM based approach, were obtained through testing and changing each parameter to monitor the effect it had on the accuracy. Furthermore a consistent range of accuracy was maintained throughout the testing therefore it is considered robust. However, the resultant LSTM automaton proves to be a more accurate representation of the conveying system, unlike the one obtained from OTALA.

Benzer Tezler

  1. Tez No

    926388

    Üretim sistemlerinde darboğaz tahminlemesi için otomatikleştirilmiş makine öğrenmesi yaklaşımı

    Automated Machine Learning Approach for Bottleneck Prediction in Manufacturing Systems

    NAGİHAN AKKURT

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiEskişehir Osmangazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERVET HASGÜL

  2. Tez No

    850961

    Machine learning based cooling time prediction in plastic injection molding process

    Plastik enjeksiyon şekillendirme sürecinde makine öğrenimi tabanlı soğutma süresi tahmini

    YİĞİT KONUŞKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Makine MühendisliğiKoç Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL LAZOĞLU

  3. Tez No

    928420

    Elektrik güç sistemlerinde ferrorezonans analizi yapay zeka tabanlı tespit ve matlab simülasyonu

    Ferroresonance analysis in electric power systems artificial intelligence based detection and matlab simulation

    FATİH SALİHOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YILMAZ UYAROĞLU

  4. Tez No

    889044

    E-ticaret sitelerine yapılan tüketici yorumlarının yapay zeka yöntemleri ile değerlendirilmesi

    Evaluation of consumer comments made on e-commerce websites by artificial intelligence

    ÖZGE CÖMERT

    Doktora

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiFırat Üniversitesi

    Teknoloji ve Bilgi Yönetimi Ana Bilim Dalı

    DOÇ. DR. NURCAN YÜCEL

  5. Tez No

    917411

    Kapalı kaynak yazılımlar için derin öğrenme temelli açıklık tespit sistemi ile siber tehdit istihbaratı

    Cyber threat intelligence with deep learning based vulnerability detection system for closed source software

    SÜLEYMAN MUHAMMED ARIKAN

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Adli Bilişim Ana Bilim Dalı

    PROF. DR. MUSTAFA ALKAN

Geri Dön