Makine öğrenmesi kullanılarak endüstriyel pres makinesi için kestirimci bakım uygulaması

Abstract

Endüstri 4.0 uygulamalarının temel amacı üretim zinciri boyunca maksimum çalışma süresini sağlamak, üretim maliyetlerini düşürmek ve verimliliği artırmaktır. Endüstri 4.0 teknolojilerinden olan Büyük Veri, Nesnelerin İnterneti (IoT) ve Makine Öğrenmesi (ML) sayesinde Kestirimci Bakım çalışmaları hız kazanmıştır. Endüstride Kestirimci Bakım uygulamak, bakım ve onarım süresi uzun süren arıza sayısını azaltmakta, üretim kayıplarını ve maliyetlerini minimum seviyeye indirmektedir. Makine öğrenmesinin kullanımıyla, ekipmanlarda bilinmeyen sebeplerle yaşanan arızalar ve ekipmanın bakım ihtiyacı tahmin edilebilmektedir. Makine öğrenmesi ile tahmin modelleri oluşturmak için doğru bilgi toplamak ve farklı sistemlerden gelen birçok veriyi kullanabilmek gerekmektedir. Kestirimci bakımla ilgili büyük miktardaki verinin varlığı ve gerçek zamanlı bu verileri izleme ihtiyacı, veri toplarken yaşanan gecikmeler, ağ ve sunucu problemleri bu süreçte yaşanan büyük zorluklardır. Bir diğer önemli hususta yapay zekanın kullanımı ile ilgilidir. Örneğin eğitim verilerini elde etme, değişken çevre şartları ile başa çıkma, belirli bir senaryoya daha iyi uyan ML algoritmasının seçilmesi, operasyonel koşullara ve üretim ortamına duyarlı bilginin gerekliliği yapılacak analizler için büyük önem taşımaktadır. Bu çalışmada otomotiv endüstrisinde kullanılan transfer pres makinesi için bakım ihtiyacı zamanı tahmininde bulunan ve anormal durumlar yaklaştığında ilgili kişilere uyarı mesajı verebilen kestirimci bakım çalışmaları incelenmiştir. Öncelikle makineye geçmişte meydana gelen arızaların tespitine yönelik çeşitli sensörler yerleştirilmiş ve bu sensörlerden hangi verilerin toplanacağı belirlenmiştir. Toplanan verilerle anomali tespiti yapabilmek ve geçmişteki arızaları modellemek için kullanılan makine öğrenmesi algoritmaları oluşturularak otomotiv parçaları üreten bir fabrikada uygulama yapılmıştır. Gerçek üretim koşullarında toplanan ham verilerin eksik ve yanlış kısımları temizlenerek model için hazır hale getirilmesi sağlanmıştır. Geçmişte yaşanan iki farklı motor arızası için veriler arızaya yakın ve arızaya uzak olarak etiketlenmiş, makine öğrenmesi algoritmaları ile arıza tahmini yapılmıştır. Kullanılan denetimli makine öğrenmesi algoritmalarından Rastgele Orman algoritması en yüksek performansı göstermiştir.

The main purpose of Industry 4.0 applications is to provide maximum uptime throughout the production chain, to reduce production costs and to increase productivity. Thanks to Big Data, Internet of Things (IoT) and Machine Learning (ML), which are among the Industry 4.0 technologies, Predictive Maintenance studies have gained speed. Applying Predictive Maintenance in the industry reduces the number of breakdowns with long maintenance and repair times, and minimizes production losses and costs. With the use of machine learning, malfunctions in equipment due to unknown reasons and the need for maintenance of the equipment can be predicted. In order to create prediction models with machine learning, it is necessary to collect accurate information and to use many data from different systems. The existence of a large amount of data related to predictive maintenance and the need to monitor this data in real time, delays in data collection, network and server problems are major difficulties in this process. Another important issue concerns the use of artificial intelligence. For example, obtaining training data, dealing with variable environmental conditions, choosing the ML algorithm better suited to a specific scenario, necessity of information sensitive to operational conditions and production environment are of great importance for analysis. In this study, predictive maintenance studies for the transfer press machine used in the automotive industry, which can predict the maintenance need time and give warning messages to the relevant people when abnormal situations approach, are examined. First of all, various sensors have been placed in the machine for the detection of past malfunctions and it has been determined which data will be collected from these sensors. Then, machine learning algorithms used to detect anomalies with the collected data and model past failures were created and an application was made in a factory that produces automotive parts. The missing and incorrect parts of the raw data collected under real production conditions were cleaned and made ready for the model. For two different engine failures in the past, the data were labeled as near to failure and far from failure, and failure prediction was made with machine learning algorithms. Among the supervised machine learning algorithms used, the Random Forest algorithm showed the highest performance.