Turbofan uçak motoru ve rulman verilerinde kaskat derin öğrenme modelleriyle kestirimci
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Gelişen sensör teknolojisi ve Endüstri 4.0 devrimiyle beraber üretim hatlarından ve sistemlerin her bir adımından büyük miktarda veri toplanmaktadır. Elde edilen bu veriler hem kalite kestirimi hem de sistem ve ekipmanlarının bakım zamanlarının kestiriminde kullanılmaktadır. Endüstri 4.0 ile beraber bakım faaliyetleri de evrim geçirmiştir ve kestirimci bakım ile arızalar meydana gelmeden kestirilmesi üzerine çalışılmaktadır. Bakım süreçlerini günümüzde hassas ürünlerin çokça olması ve üretimdeki güvenirlilik sebebiyle daha da önem kazanmıştır. Doğru zamanda yapılan bakım faaliyetleri hem kaliteyi artırmakta hem de bakım maliyetlerini düşürmektedir. Kestirimci bakım uygulamaları ile arızalar meydana gelmeden önce ve ancak gereksiz parça değişimini de önleyecek şekilde sistemlerin takibi yapılmaktadır. Ayrıca toplanan veriler ile yapılan bu çalışmalarda duraksama sürelerini azaltmak için veriler içerisinde arızanın kaynağı ve türünün de kestirimi yapılmakta ve maliyetleri daha da azaltılabilmektedir. Bu tez kapsamında sistem ve ekipmanlarından elde edilen veriler üzerinde kestirimci bakım kapsamında Kalan Faydalı Ömür çalışmaları yapılmıştır. Bu kestirim modellerinde makine öğreniminin bir alt dalı olan derin öğrenme yapıları kullanılmıştır. Bu tez kapsamında Commercial Aero-Propulsion System Simulation uçak motoru veri kümesi ile rulman titreşim verileri üzerinde Kalan Faydalı Ömür kestirimi çalışılmıştır. Bu çalışmalarda veri odaklı bir model geliştirilmesi amaçlanmıştır. Derin öğrenme tabanlı kestirim modelleri sunulmuştur. Özellikle son yıllarda ön plana çıkan Öz-Dikkat Katmanı temelli yapılar önerilmiştir. Böylelikle hem sensör verilerinde hem de ihtiyaç duyulan özniteliklerde sonuca etki edecek noktalara odaklanılması amaçlanmıştır. Uçak motoru veri kümesinde Öz-Dikkat katmanı ve kısayol içeren katman yardımıyla daha hassas kestirimler yapan bir model geliştirilmiştir. Ayrıca bu kestirim problemi için asimetrik bir kayıp fonksiyonu önerilmiştir. İçermiş olduğu dört farklı senaryo ve alt veri kümelerinde başarımları test edilmiş ve elde edilen başarılı sonuçlar raporlanmıştır. Önerilen model ile FD001, FD002, FD003, FD004 alt veri kümelerinde Karekök Ortalama Karesel Hata metriğinde sırasıyla 11.017, 23.14, 12.62, 26.39 değerleri elde edilmiştir. Bu problem kapsamında veri yarışmasında önerilen skor fonksiyonunda ise sırasıyla 157.19, 2490.09, 218.6, 3800.15 değerleri elde edilmiştir. Çalışma kapsamında önerilen modelin belirli katmanlarının sonuçlar üzerine olan etkisi de ayrıca incelenmiştir. Rulman titreşim veri kümesinde son yıllarda kullanıldığı alanlarda üstün başarım sonuçları veren Dönüştürücü yapısı baz alınarak yeni bir derin öğrenme modeli sunulmuştur. Bu veri kümesinde yüksek örnekleme frekansına sahip titreşim verileri frekans uzayındaki barındırmış olduğu bilgi önişleme ile kullanılabilir hale getirilmiştir. Mel frekans uzayına getirilen veriler derin bir yapıya sahip model ile eğitilmiştir. Veri kümesinin önerildiği veri yarışmasında kestirim modellerinin başarımlarının karşılaştırılması için yeni bir skor değerlendirme fonksiyonu öne sürülmüştür. Test rulmanları üzerinde elde edilen sonuçlar bu skor fonksiyonunda 0.433 değerini vermiştir. Test veri kümesindeki her bir rulmanda elde edilen sonuçlar ve genel skor değeri literatürdeki diğer modellerle karşılaştırmalı olarak sunulmuş ve başarımdaki üstünlük belirtilmiştir. Artan veri miktarı ve derin öğrenme tekniklerinin gelişmesi ile daha hassas Kalan Faydalı Ömür tahminleri yapılabilmektedir. Özellikle tahmin çalışmalarında yeni modellerin ortaya konması ve bu yapıların titreşim, uçak motorları gibi verilerde derin yapılarla uygulanması başarılı sonuçlar vermektedir. Bu yapıların sistemlere uygulanması daha güvenilir ve izlenebilir yapıların kurulmasının önünü açmıştır.
With the developing sensor technology and the Industry 4.0 revolution, a large amount of data is collected from each step of the production lines and systems. These obtained data are used for both quality estimation and estimation of maintenance times of systems and equipment. With Industry 4.0, maintenance activities have also evolved, and predictive maintenance is being worked on before malfunctions occur. Maintenance processes have become more important today due to the high number of sensitive products and reliability in production. Maintenance activities performed at the right time both increase quality and reduce maintenance costs. With predictive maintenance applications, systems are monitored before failures occur and in a way to prevent unnecessary parts replacement. In addition, in these studies carried out with the collected data, the source and type of failure can be predicted within the data to reduce downtime, and costs can be further reduced. Within the scope of this thesis, Remaining Useful Life studies were carried out within the scope of predictive maintenance on the data obtained from systems and equipment. Deep learning structures, a sub-branch of machine learning, were used in these prediction models. Within the scope of this thesis, the Remaining Useful Life estimation was studied on the Commercial Aero-Propulsion System Simulation aircraft engine dataset and bearing vibration data. In these studies, it is aimed to develop a data-driven model. Deep learning-based prediction models are presented. Self-Attention Layer-based structures, which have come to the forefront in recent years, are proposed. Thus, it is aimed to focus on the points that will affect the result both in sensor data and in the required attributes. In the aircraft engine dataset, a model that makes more precise predictions with the help of the Self-Attention layer and the layer containing shortcuts has been developed. In addition, an asymmetric loss function is proposed for this prediction problem. The model is tested on four different scenarios and sub-datasets, and the successful results are reported. With the proposed model, 11.017, 23.14, 12.62, and 26.39 values were obtained in the Root Mean Squared Error of evaluation metric in FD001, FD002, FD003, and FD004 sub-datasets, respectively. In the score function proposed in the data competition within the scope of this problem, 157.19, 2490.09, 218.6, and 3800.15 values were obtained, respectively. Within the scope of the study, the effect of specific layers of the proposed model on the results was also analyzed. In the bearing vibration dataset, a new deep learning model is presented based on the Transformer structure, which has given superior performance results in the fields where it has been used in recent years. In this dataset, vibration data with high sampling frequency is made available by preprocessing the information contained in the frequency domain. The data brought to the Mel frequency domain were trained with a model with a deep structure. A new score evaluation function is proposed to compare the performance of the prediction models in the data competition where the dataset is proposed. The results obtained on the test bearings gave a value of 0.433 in this score function. The results obtained on each bearing in the test dataset and the overall score value are presented in comparison with other models in the literature, and the superiority in performance is indicated. More accurate Remaining Useful Life predictions can be made with the increasing amount of data and the development of deep learning techniques. In particular, introducing new models in prediction studies and applying these structures with deep structures in data such as vibration and aircraft engines give successful results. Applying these structures to systems has paved the way for establishing more reliable and traceable structures.
With the developing sensor technology and the Industry 4.0 revolution, a large amount of data is collected from each step of the production lines and systems. These obtained data are used for both quality estimation and estimation of maintenance times of systems and equipment. With Industry 4.0, maintenance activities have also evolved, and predictive maintenance is being worked on before malfunctions occur. Maintenance processes have become more important today due to the high number of sensitive products and reliability in production. Maintenance activities performed at the right time both increase quality and reduce maintenance costs. With predictive maintenance applications, systems are monitored before failures occur and in a way to prevent unnecessary parts replacement. In addition, in these studies carried out with the collected data, the source and type of failure can be predicted within the data to reduce downtime, and costs can be further reduced. Within the scope of this thesis, Remaining Useful Life studies were carried out within the scope of predictive maintenance on the data obtained from systems and equipment. Deep learning structures, a sub-branch of machine learning, were used in these prediction models. Within the scope of this thesis, the Remaining Useful Life estimation was studied on the Commercial Aero-Propulsion System Simulation aircraft engine dataset and bearing vibration data. In these studies, it is aimed to develop a data-driven model. Deep learning-based prediction models are presented. Self-Attention Layer-based structures, which have come to the forefront in recent years, are proposed. Thus, it is aimed to focus on the points that will affect the result both in sensor data and in the required attributes. In the aircraft engine dataset, a model that makes more precise predictions with the help of the Self-Attention layer and the layer containing shortcuts has been developed. In addition, an asymmetric loss function is proposed for this prediction problem. The model is tested on four different scenarios and sub-datasets, and the successful results are reported. With the proposed model, 11.017, 23.14, 12.62, and 26.39 values were obtained in the Root Mean Squared Error of evaluation metric in FD001, FD002, FD003, and FD004 sub-datasets, respectively. In the score function proposed in the data competition within the scope of this problem, 157.19, 2490.09, 218.6, and 3800.15 values were obtained, respectively. Within the scope of the study, the effect of specific layers of the proposed model on the results was also analyzed. In the bearing vibration dataset, a new deep learning model is presented based on the Transformer structure, which has given superior performance results in the fields where it has been used in recent years. In this dataset, vibration data with high sampling frequency is made available by preprocessing the information contained in the frequency domain. The data brought to the Mel frequency domain were trained with a model with a deep structure. A new score evaluation function is proposed to compare the performance of the prediction models in the data competition where the dataset is proposed. The results obtained on the test bearings gave a value of 0.433 in this score function. The results obtained on each bearing in the test dataset and the overall score value are presented in comparison with other models in the literature, and the superiority in performance is indicated. More accurate Remaining Useful Life predictions can be made with the increasing amount of data and the development of deep learning techniques. In particular, introducing new models in prediction studies and applying these structures with deep structures in data such as vibration and aircraft engines give successful results. Applying these structures to systems has paved the way for establishing more reliable and traceable structures.
Açıklama
Anahtar Kelimeler
Elektrik, Elektronik Mühendisliği, Electrical, Electronics Engineering
