Derin öğrenme ile karar verme süreçleri

Abstract

Endüstri 4.0, dördüncü endüstri devrimi veya Endüstriyel Nesnelerin İnterneti (IIoT) olarak adlandırılan sanayi akımı, işletmelere, daha verimli, daha büyük bir esneklikle, daha güvenli ve daha çevre dostu bir şekilde üretim yapma imkanı sunmaktadır. Nesnelerin İnterneti ile bağlantılı yeni teknoloji ve hizmetler birçok endüstriyel uygulamada devrim niteliği taşımaktadır. Fabrikalardaki otomasyon, tahminleyici bakım (PdM – Predictive Maintenance) modellerigibi gelişmeler işletmelere, iş modellerini değiştiren yenilikçi çözümler sunmaktadır. Günümüz endüstriyel uygulamalarında ihtiyaç duyulan yüksek otomasyon seviyesini sağlamak için, daha verimli ekipman kullanılmalı, daha akıllı sistemler oluşturulmalıdır. Bu sayede, hem üretimdeki verim artacak hem de daha güvenli bir çalışma ortamı da sağlanmış olacaktır.İşletmeler, üretimlerine minimum aksama süresiyle, optimum hızda devam etmek istemektedir. Bu sebeple, üretimde kullanılan, hareketli parçaları olan makinelerin daha verimli kullanılmasını sağlamak için yapılacak bakım planlamaları kritik önem taşımaktadır. Bu konu ile ilgili yaklaşımlardan bir tanesi, ekipmanların durumuna bakılmaksızın bakım süreçlerini sabit aralıklarla gerçekleştirmektir. Bu yöntem planlanması basit bir yöntemdir ancak, zaman zaman ekipmanların arızası gerçekleştikten sonra bakım işleminin gerçekleştirilmesine ya da ekipmanlarda hiç bir problem yokken bakım işleminin gerçekleştirilmesine neden olabilmektedir. Bu da sistemde uzun süreli aksamalar, gereksiz bakım maliyetleri gibi sonuçları doğurmaktadır. Bakım süreçlerine farklı bir yaklaşım olan PdM, makinenin gözlemlenen durumuna bağlı olarak bakım süreçlerinin yönetilmesine olanak kılmaktadır. Bu nedenle bakım işlemleri, arızalar meydana gelmeden önce gerçekleştirilebilmektedir. PdM yaklaşımına yeni bir akış açısı getirmek amacıyla yapılan bu çalışmada yeni bir derin yapay sinir ağı mimarisi önerilmiştir. Bu mimaride bir girdi katmanı bir LSTM katmanı, bırakma (DO) ve ardından yine bir LSTM katmanı, bir gizli katman ve çıktı katmanı bulunmaktadır. Mimaride kullanılan iterasyon sayısı, parti büyüklüğü Genetik Algoritma (GA) kullanılarak, kayıp fonksiyonunu optimize eden optimizasyon algoritması, çıktı katmanında sonra kullanılan aktivasyon fonksiyonu ve DO oranı ızgara araması (GS) kullanılarak belirlenmiştir. Çalışma kapsamında önerilen mimari, GA ve GS kullanılarak geliştirilmesi, sonuçların hiç bir makine öğrenmesi ve derin öğrenme bilgisine sahip olmayan kişiler tarafından da anlaşılması kolay olması sayesinde karar verme süreçlerine doğrudan katkı sağlaması ile literatürdeki ilk çalışma olma özelliğini taşımaktadır.

Industry 4.0, the fourth industrial revolution, or the industrial flow of industrial objects (IIoT), provides the opportunity to perform tasks in a timely manner, more efficient, greater flexibility, safer and more environmentally friendly. New technologies and services associated with the Internet of Things are revolutionary in many industrial applications. Developments such as automation in the factories and predictive maintenance models offer enterprises the opportunity to propose innovative solutions that change business models. In order to achieve the high level of automation, more efficient equipment should be used and smarter systems should be created. In this way, a more secure working environment would be ensured although the productivity in production would increase.Companies generally would like to continue to work with minimal downtime. In addition, maintenance planning to ensure more efficient use of any machine with moving parts is critical. One of the approaches is to perform maintenance processes at fixed intervals regardless of the condition of the equipment. This method is a simple method of planning, but it may cause maintenance of the equipment after the malfunction of the equipment, or it may cause maintenance to be carried out when there is no problem with the equipment. This may cause long-term disruptions or unnecessary maintenance costs. Predictive maintenance, which is a different approach to maintenance processes, enables maintenance actions to be managed depending on the machine's observed condition. Maintenance is therefore carried out before failures occur.A new deep neural network architecture has been proposed in this study, which is intended to bring a approach to the predictive maintenance approach. In this architecture there is an input layer, an LSTM layer, a dropout layer (DO) followed by an LSTM layer, a hidden layer, and an output layer. The number of iterations used in the architecture and the batch size were determined by using the Genetic Algorithm (GA), optimization algorithm that optimizes the loss function, the activation function used after the output layer, the DO ratio were determined by using grid search (GS). The proposed architecture is the first study in the literature, developed by using GA and GS and contributing directly to the decision-making processes.