Endüstriyel ekipmanların veriye dayalı bakım optimizasyonları son yılların en trend konularından birisidir. Bu aşamada çeşitli sensörler makine üzerine yerleştirilerek veya halihazırda sensörlerle donatılmış makinelerden veriler alınarak ön-işlemeye tabi tutulur. Bu yazıda kestirimci bakımda yapay zeka uygulamalarının nasıl yapılabileceğinden bahsedilecektir.

Başlangıçta Kestirimci Bakım sadece kural tabanlı bir sistemdi. Ama sorunu çözmeye yakın bile değildi. Kural tabanlı kestirimci bakımda; bakım, sabit kodlanmış eşik değerlere göre gerçekleştirilir ve bir ölçüm eşik değerleri aşarsa bir uyarı gönderilir. Örneğin; Titreşim RMS değeri 7,1 mm/s'yi aştığında bir pompanın alarm oluşturması, için kural tabanlı kestirimci bakımdır. Bu kestirimci bakım uygulaması, geleneksel yöntemlerle birlikte hazır ISO standartları yardımıyla yaygın olarak kullanılmaktadır. 

Kestirimci Bakım, zaman içinde kural tabanlı kestirimci bakımdan makine öğrenimi temelli kestirimci bakıma dönüşmüştür. Makine öğrenmesine dayalı kestirimci bakımda; bir sonraki arızanın ne zaman ortaya çıkacağını tahmin etmek ve buna göre önceden bakım yapmak için gelişmiş analitik ve makine öğrenimi tekniklerini kullanır. Ama bu sorun oldukça büyük. Bu makalede, makine öğrenmesine dayalı kestirimci bakımda uygulanacak ilk adımlardan biri olan dönen makinelerde anomali tespiti üzerinde durulacaktır.

Döner Ekipmanlarda Anomali Tespiti

Pompa ve ya fan gibi dönen bir makine düzenli kullanım nedeniyle bozulmaya başlayacak ve burada 'anomaliler' olarak adlandırabileceğimiz anormallikler üretmeye başlayacaktır. Bu durum, tamamen kapanma durumu olarak değerlendirilmemeli, makinenin optimal durumunda olmadığına ve bir bakım faaliyetinden geçmesi gerektiğine dair bir uyarı olarak düşünülmelidir.

Anomali tespitinde kullanılan sensörler ve sensör çıktıları anomali tespiti performansında çok önemli yere sahiptir. Eğer doğru kabiliyetlere sahip sensörler ve bu sensörlerden elde edilecek özellikler doğru bir şekilde modele aktarılmazsa false-positive alarmlar ile gereksiz zaman ve emek kaybına, kaçırılan alarmlar ile de çok ciddi maddi ve manevi zararlara sebebiyet verebilir. Makinelerden alınan geçmişe dayalı arızalı sinyal ve sağlıklı sinyal etiketli veriler yok ise denetimli öğrenme söz konusu değildir. Bu durumda makine öğrenimi modelini yalnızca "normal" örneklerle bir eğitim setinde eğitebilir ve bir anormallik alarmını tetiklemek için orijinal sinyal ile tahmin edilen sinyal arasında bir mesafe ölçüsü kullanabiliriz.

Özellik Çıkarma(Feature Extraction)

Döner ekipmanlar doğası gereği titreşimler oluşturur ve bu titreşimlerde çalışırlar. Üretim sürekliliğini sağlamak için amaç, bu titreşimleri kabul edilebilir seviyelerde tutabilmektir. Dolayısıyla döner ekipmanlarda kestirimci bakım uygulamalarında çeşitli sensörler kullanılabilse de en temel ölçüm birimi titreşim olmaktadır. Bu aşamada da ivmeölçerlerden alınan sinyallerin hangi bilgileri içerdiği ve bu bilgilerin makine öğrenmesi modeline işlenebilirliği anomali tespitindeki temel performans parametresini oluşturmaktadır. İvmeölçerlerden toplanan ivme sinyallerinden 2 ana başlıkta özellikler çıkarılabilir: Zaman alanında çıkarılan özellikler ve frekans alanında çıkarılan özellikler.

Resim.1. İvme Sinyalinden Çıkarılan Bazı Özellikler

Zaman alanından RMS, Crest, Kurtosis, Peak gibi metrikler elde edilebilirken frekans alanından ise total harmonic distortion, 1X,2X,...,10X harmonik indikasyonlar, spectral centroid, sideband energy gibi özellikler çıkarılır. Bu aşamada özellikle frekans alanındaki özelliklerin modele aktarılması güvenilir bir makine öğrenmesi modeli oluşturmak için çok önemlidir. Frekans içeriği o makinenin normal veya anormal durumunun imzasını oluşturmaktadır. Diğer taraftan titreşim sensöründen bağımsız, harmonik analiz için devir bilgisinin de modele girilmesi bir o kadar önemli bir yere sahiptir. 3 eksen bir titreşim sensöründen frekans alanındaki her bir frekans genliğini de feature olarak makine öğrenmesi modeline dahil ettiğimizde sensör bant genişliğine göre değişmek ile birlikte her bir ölçümde 20000’den fazla özelliğin modele aktarıldığı görülmektedir. Burada dolayısıyla insan gözünün ayırt edebileceği 2D ve 3D uzaydaki veri karşılaştırmasını, makine öğrenmesi modeli çok boyutlu matematiksel uzayda birçok özelliği karşılaştırarak yapabilmektedir. Bu sayede modelin çözünürlüğüne göre de en hassas anomaliler bile tespit edilebilir duruma gelmektedir.

Makine Mod Analizi

Resim.2. Makine Modlarının Dağılım Grafiği

Endüstrideki kullanım alanına göre değişen yüzlerce farklı makine tipi vardır. Bu makinelerin birçoğu da sürekli değişen üretim hızı, hammadde ve proses gibi etkenlerden kaynaklı devir, güç ve proseslerde çalışmaktadır. Örneğin; basit bir hadde makinesi, istenilen malzeme kalitesi, malzeme kalınlığı ve üretim hızına bağlı olarak farklı devirlerde çalıştırılacaktır. Makineden alınan titreşim verileri de hıza bağlı olarak değişkenlik gösterecektir. Kurala dayalı kestirimci bakım uygulamalarında her hız değişiminde anomali alarmları oluşacaktır, fakat bu doğru değildir. Bu aşamada her bir proses parametresinin de(hız, güç vb.) modele dahil edilerek öncelikle makine modlarının tespit edilmesi gerekmektedir. Test amaçlı bir merdaneden 4 farklı hızda titreşim verileri toplanmıştır. Bu veriler makine öğrenmesi modeline sokulduğunda 6 farklı mod olduğu gözlenmiştir. Bu modlarda 4 tanesi farklı hızlarda çalıştığı modlar, 1 tanesi ise makinenin çalışmadığı modu oluşturmaktadır. Son mod ise anomalinin oluştuğu moddur.

Resim.3. Makine Modlarının Spektrum İmzaları

Yukarıdaki grafikte ölçümler renklendirilmemiş olsa 5 farklı grupta yer aldığını gözlemleyebiliriz. Fakat grafikte de görüleceği üzere model 6 farklı mod çıkarmıştır. Bunun sebebi ise 2 gruba ayrılan kümedeki makine çalışma devri o makine için kritik hız olması nedeniyle makine montaj ve kaplinde zaman içinde mekanik gevşeklik oluşturarak yeni bir anormal çalışma modu oluşturmasıdır. 2 gruba ayrılan kümedeki verilerin standart sapmasının diğer kümelere göre açık bir şekilde belli olsa da o küme içerisinde 2 farklı mod olduğunu ayırt etmek oldukça zordur.

Resim.4. 6 Makine Modunun Şelale Grafiği

Aynı modda çalışan iki ölçüm yukarıdaki gibidir ve spektrumda da net bir şekilde ayırt edilebilmektedir. Fakat ortalama Vrms değerlerine bakarak bu iki ölçümü ayırt etmek oldukça zordur. Tabi ki de bunun diğer bir sebebi de Vrms’in yüksek frekans titreşimleri için yetersiz olması olsa da makineden makineye değişmekle birlikte kimi arıza tiplerinde Vrms kimi arıza tiplerinde Grms statik alarmları anomali tespitinde yetersiz kalabilmektedir. Dolayısıyla tüm spektral bilgilerin makine öğrenmesi modeline aktarılması anomali tespitinde optimum sonuçlar alınmasını sağlamaktadır.

Resim.5. Algoritma Akış Diyagramı

Sonuç

Yapay zeka tabanlı kestirimci bakım uygulamalarında geçmişe dayalı etiketli verilerin olmadığı durumlarda denetimli öğrenmenin mümkün olmaması sebebiyle denetimsiz öğrenme algoritmaları kullanılarak anomali tespiti yapmak ilk adım için en doğru başlangıç olacaktır. Bunun uygulanması için de sensörlerden alınan verilerden anlamlı özellikler modellere dahil edilmelidir. Anomali tespitlerinin bakım personelleri tarafından onaylanması sonrası ise tespit edilen anomalileri kök-nedenleri ile birlikte etiketleyerek yarı-denetimli öğrenme modeline geçilebilir. Verilerin etiketlenmesi ile birlikte anomali sonrası, anomalilerin kök-nedenleri ve ekipmanın kullanılabilir faydalı ömrü(RUL) kestirilebilir. Bu aşamada endüstriden endüstriye değişen makineler, hava şartları, çalışma şartları gibi varyasyonlar sebebi ile veriye dayalı genelleştirilmiş bir yapay zeka modeli oldukça zordur. O sebeple oluşturulan genelleştirilmiş anomali tespiti algoritmalarının makinelere özel transfer öğrenme metodları kullanılarak uygulamalara başlamak süreçte ilk adımı oluşturacaktır. Daha sonra tespit edilen anomalilerin sistem üzerinden saha çalışanları tarafından etiketlenerek kök-neden analizleri ve RUL kestirimleri yapılır.