Time series analysis with deep learning approaches for industry 4.0

Abstract

Günümüzde, internete bağlı cihaz sayısı oldukça artmıştır ve bu da nesnelerin interneti teriminin çıkışını sağlamıştır. Nesnelerin interneti sayesinde cihazlar artık kendileri karar verebilmekte ve aralarında bilgi paylaşabilmektedirler. Son zamanlarda çok duyduğumuz Endüstri 4.0 ise üretim teknolojileri için veri alışverişi ve otomasyon için kullanılan bir terimdir. Üretim sanayisi cihazların birçok sensora sahip olması nedeniyle oldukça büyük miktarda veriye sahiptir. Bu veriler süreçlerin otomasyonu ve iyileştirilmesi için kullanılabilir. Bu çalışmanın amacı da derin öğrenme metotlarıyla zaman serisi analizi yaparak bileşenlerin kalan faydalı ömürlerini bulmaktır. Literatüre bakıldığında bileşenlerin kalan faydalı ömürlerinin tahminiyle ilgili birçok çalışma bulunduğu görülebilir. Bu çalışmalarda yapay sinir ağları, sinyal işleme ve birçok makine öğrenmesi teknikleri gibi çeşitli metodolojiler kullanılmıştır. Veri setinin kalitesi tahmin modellerinin oluşturulmasında büyük önem taşımaktadır. Bu çalışmada NASA'nın 4 PHM veri seti incelenmiştir ve aralarından Femto Enstitüsü'nün rulman veri seti seçilmiştir. Kullanılan bu veri setinde yüksek frekanslı gürültü görülmektedir. Bu nedenle ivmeölçer verisi üzerinde Ayrık Dalgacık Dönüşümü uygulanmıştır. Ortalama, basıklık, çarpıklık, standart sapma, varyans, ortalama karekök, kret faktörü gibi özellikler çıkarılmıştır. Ayrıca, rulmanların kalan kullanım ömrünü belirlemek için sağlık göstergesi değerleri hesaplanmıştır. Uzun-kısa süreli bellek (LSTM) sinir ağı kullanılarak kalan faydalı ömür tahmin modeli oluşturulmuştur. Doğru LSTM parametrelerini bulmak ve tahmin modelinin farklı öğrenme ve test verileriyle nasıl çalıştığını analiz etmek için çeşitli deneyler yaptık. Son olarak, oluşturduğumuz modelin sonuçlarını, literatürdeki diğer bu veri setini kullanan çalışmaların sonuçları ile karşılaştırdık ve modelimizin diğerlerine göre daha az performanslı çalıştığını gördük. Bu veri seti, LSTM ağı için doğrudan uygulanamaz ve ön işleme adımına daha çok odaklanmak gerekmektedir.

Nowadays, the number of devices connected to the Internet has increased considerably, and this had led to the emergence of the term Internet of Things. Thanks to the Internet of things, devices can now decide and share information between them. Industry 4.0, which has recently become very popular, is a term used for data exchange and automation for production technologies. The manufacturing industry produces a large amount of data due to the many sensors of the devices. These data can be used to improve processes and product quality. For example, by analyzing these data, anomalies that may occur in the lines can be found in advance, the life expectancy of the devices in the factory can be calculated, and as a result, active preventive maintenance can be provided for these devices. This study aims to find the remaining useful life of the components by performing time series analysis with deep learning methods. There are many studies on the estimation of the remaining useful life of the components in the literature. In these studies, various methodologies such as The number of devices connected to the Internet has increased considerably, and the term Internet of Things is emerged. Thanks to the IoT, devices can now decide and share information between them. Industry 4.0 is a term used for data exchange and automation for production technologies. The manufacturing industry produces a large amount of data which can be used to improve processes and product quality. We aim to find the remaining useful life of the components by performing time series analysis with deep learning methods. There are many studies on the estimation of the remaining useful life of the components and they use various methodologies such as artificial neural networks, signal processing and machine learning techniques.The quality of the dataset has great importance in the creation of estimation models. We examined 4 PHM datasets of NASA and we selected Femto-ST Bearing dataset. Because of high-frequency noise in dataset; we applied Discrete Wavelet Transform on the data. Many features were extracted from this data set and health indicator values were calculated. We construct the remaining useful life prediction model, particularly using long-short-term memory neural network. We did various experiments to find the right LSTM parameters and to analyze how the prediction model works with different train and test data.Furthermore, we compared the results of our model with the results of previous studies on this dataset. Our results are underperformed compared to other studies. This dataset is not directly applicable to the LSTM network, and preprocessing needs high effort.