Novelty detection on streaming sensor data for iiot applications
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Endüstriyel makinelerin anlık ve gelecekteki durumlarını değerlendirmek Endüs-tri 4.0 paradigmasının ana yapı taşlarından birisidir. Öngörücü bakım, makinelerinkendi parametrelerini göz önüne alır ve tümleşik sensörler ile makine öğrenmesi algo-ritmalarının yardımıyla da bu değerlendirmeyi gerçekleştirir. Bu şekilde yapılan bakımmakinelerdeki geri dönülemez hataların önüne geçerek, fabrika giderlerini azaltır veverimliliği arttırır. Bakım süreci otomatikleştirilerek rutin kontrollerin sayısı azaltılır.Rulmanlar dönen makinelerde yaygın olarak kullanılmaktadır. Fakat rulmanhataları sıklıkla görülmekte, zaman kayıplarına ve maddi kayıplara yol açmaktadır.Rulmanların hasar durumlarını tahmin edebilmek için öngörücü bakım çerçevesindemakine öğrenmesi teknikleri kullanılabilir. Rulman hata analizi araştırmaları gelenek-sel olarak titreşim ölçümleri üzerinde yapılmıştır. Verinin doğası gereği her bir rulmanayrı modellenmeli ya da makine öğrenmesi algoritmaları farklı ortamlarda ve makineayarlarında çalışabilir olmalıdır.Bu çalışmada akan titreşim verisi üzerinde gözetimsiz ayrılık sezimi yapısı öneril-miştir. Yapı, her bir rulman ayrı olarak düşünüldüğü ve hepsini modellemek kullanışsızolacağı için, gözetimsiz çalışabilecek şekilde kurulmuştur. Hatalı örnekler ilk aşamadamevcut olmayacağı için, rulman gelişim verisi üzerinde ayrılık sezimi yöntemleri uygu-lanmıştır. Sonuçlara göre rulman hatalarının ve diğer durum geçişlerinin tespiti ayrılıksezimi yöntemleriyle yapılabilir. Bazı durumlarda halihazırdaki yöntemlere göre dahaerken geçiş tespiti yapılabilir. Assessment of present and future condition of industrial machinery is one of thecore ideas that constitute Industry 4.0 paradigm. Predictive maintenance depends onintegrated sensors and machine learning algorithms to achieve this assessment basedon the internal parameters of machinery. This type of maintenance could save plantcosts and improve efficiency while reducing fatal defects in machinery. It automatesthe maintenance process and reduces the number of periodic checks.Bearings are used in rotating machinery extensively. However, bearing faults arecommon and could cause time and financial loss if they occur unexpectedly. Machinelearning could be used in predictive maintenance framework to predict the healthstatus of a bearing. Bearing fault analysis research has been traditionally conductedon its vibration signature. Due to nature of data, each bearing should be modelledseparately or machine learning algorithms should be robust against environment ordifferent machinery settings.In the present work unsupervised novelty detection framework on streaming vi-bration data is proposed. The framework is built in an unsupervised manner since eachbearing is considered individually and building models for each of them is impractical.Since faulty samples are not available initially, novelty detection methods are appliedon bearing degradation data. The results show that detection of bearing faults andother state changes can be made using novelty detection methods. Detection could beachieved earlier than conventional methods for some cases.
Collections