Fabrikalardaki otonom taşıyıcı araçlar için veri odaklı anomali tespiti

Abstract

Endüstri 4.0 ile beraber akıllı fabrikaları gerçeklemek üzere otonom sistemlerin geliştirilmesi öngörülmektedir. Bu sistemlerin kontrolünün, izlenmesinin veya olası anormal durum tespitlerinin insan müdahalesi olmaksızın veri üzerinden yapılması beklenmektedir. Endüstri 4.0'ın gerçeklenmesinde kritik öneme sahip teknolojilerden birisi de otonom robotlardır. Bu bağlamda akıllı fabrikalarda iç lojistik amaçlı kullanılan ve taşıma görevlerini gerçekleştiren otonom taşıyıcı araç (OTA)'ların izlenmesi önemlidir. OTA'ların sorunsuz olarak çalışması hem sistem güvenliği hem de verimlilik için gereklidir. Bu nedenle OTA'lardan oluşan sistemlerde oluşabilecek anormal durumların tespit edilmesi önemlidir. Bu çalışmada, OTA sistemlerinde veri üzerinden anormal durum tespitine yönelik iki problem ele alınmaktadır. İlk olarak fabrika seviyesinde OTA'ların oluşturduğu trafikteki anormal durumların tespit edilmesine yönelik çözüm geliştirilmektedir. Burada anormal durumların denetimli öğrenme ile öğrenilmesi ve sonrasında ise anomali tespiti yapılmaktadır. Literatürdeki yöntemlerinden karar ağacı ve bulanık mantık kullanılarak OTA'ların oluşturduğu trafikteki anormal durum tespit edilmektedir. İkinci olarak ise OTA konumlandırma sisteminde kullanılan konum hesaplama yaklaşımlarında anormal durum tespiti yapılmaktadır. Bu yaklaşımda herhangi bir ortama ait OTA'da bulunan üç farklı konum hesaplama yönteminden elde edilen veriler `Üst Güven Sınırı (Upper Confidence Bound, UCB)` algoritması ile öncelikle öğrenilmekte, sonrasında ise buradaki ödüldeki olası değişimler İstatiksel Proses Kontrol (İPK) ile tespit edilmektedir. Önerilen her iki anormal durum tespit yaklaşımı, ESOGÜ Akıllı Fabrika ve Robotik Laboratuvarında (Intelligent Factory and Robotic Laboratory, IFARLAB) kurgulanan farklı deney ortamlarında oluşan veriler ile test edilmiştir.

Autonomous systems will be developed to realize smart factories in the context of Industry 4.0. It is important to monitor and control these systems over data and detect possible anomalies without human intervention. Autonomous robots are one of the critical technologies in the realization of Industry 4.0. In this context, monitoring of Autonomous Transport Vehicle (ATV)'s that used for internal logistics to perform transport tasks is important. The correct operation of ATVs is necessary for both system safety and efficiency. For this reason, it is important to detect abnormal situations that may occur in systems consisting of ATVs. In this study, two problems for detecting anomalies over data in ATV systems are discussed. Firstly, a solution is developed to detect abnormal situations in the traffic generated by ATVs at the factory level. Here, abnormal situations are learned by supervised learning and then anomaly detection is made. The decision tree and fuzzy logic are used to determine the abnormal situation in the traffic generated by ATVs. Secondly, abnormal situation detection is performed in the positioning system of ATV. In this approach, the data obtained from three different position calculation methods learned with the Upper Confidence Bound (UCB) algorithm, and then the possible changes in the reward here are determined by Statistical Process Control (SPC). Both proposed anomaly detection approaches have been tested with the data generated in different experimental environments set up in ESOGÜ Intelligent Factory and Robotic Laboratory (IFARLAB).