ݺߣ

ݺߣShare a Scribd company logo

Birleşik Otokodlayıcı-Regresyon ile Turbofan Motorları Üzerinde Kalan Faydalı Ömür Kestirimi

•
•
Kürşat İNCE
Kürşat İNCE

Özet: Endüstriyel makinelerin faydalı ömrü, kestirimci bakım kapsamında en çok araştırılan konulardan biridir. Bu bildiride CMAPSS veri kümesi üzerinde otokodlayıcı-regresyon yöntemi ile yapılan kalan faydalı ömür kestirimi anlatılmaktadır. Abstract: Useful life of industrial machinery is one of the most researched area of predictive maintenance. In this paper, we used CMAPSS dataset to predict remaining useful life using autoencoder-regression models.

1 of 20
Download to read offline
1/20 Birleşik Otokodlayıcı-Regresyon ile Turbofan Motorları Üzerinde Kalan Faydalı Ömür Kestirimi Kürşat İnce HAVELSAN A.Ş. kince@havelsan.com.tr​ Yakup Genç Gebze Teknik Üniversitesi yakup.genc@gtu.edu.tr​
2/20 Sunum Kapsamı • Bakım Yaklaşımları ve Kestirimci Bakım • Kalan Faydalı Ömür Kestirimi • NASA Turbofan Motoru Bozulma Simülasyonu Veri Kümesi • Kalan Faydalı Ömür Kestirim Yöntemi • Sonuçlar • Değerlendirme
3/20 Bakım Yaklaşımları • Bakım: Sistem/makine performansını ve ömrünü artırıcı faaliyetler. • Arıza Bakımı • Sistem/makine arızalana kadar çalışır. Daha sonra arızalı parçalar değiştirilir. • Periyodik Bakım • Üreticinin belirlediği zaman/çalışma periyotlarında bakım kılavuzda belirtilen parçalar değiştirilir. • Proaktif Bakım • Arıza/hata ile karşılaştığında üretici ile çalışarak arıza/hata çıkmasını önleyen tasarım değişiklikleri yapılır. • Kestirimci Bakım • Sistem/makinenin durum ve çalışma zamanı verileri kullanılarak arıza oluşacak zaman tahmin edilir. Bu tahmine göre bakım planlaması yapılır.
4/20 Kalan Faydalı Ömür Kestirimi Kalan Faydalı Ömür (KFÖ): • Sistem/makinenin arıza oluşmadan önce çalışmasına devam edebileceği süre. Kalan Faydalı Ömür Kestirimi: • Sistem/makinenin arıza oluşmadan ne kadar süre daha çalışacağının kestirimi • Fiziksel Modelleme • Veriye Dayalı Modelleme • Hibrit Modelleme
5/20 NASA Turbofan Motoru Bozulma Simülasyonu Veri Kümesi • CMAPSS Veri Kümesi • Termo-dinamik simülasyon yazılımı (CMAPSS) kullanılarak ve turbofan jet motorlarının gerçek arıza durumu simüle edilerek jet motorları için çalışma verisi toplanmıştır. • Sıcaklık, basınç, hız vb. durumları ölçen 21 sensor kullanılarak jet motorunun çalışma durumu kayıt altına alınmıştır. • Altı farklı çalışma koşulu simüle edilmiştir. (Saxena and Simon, 2008)
6/20 CMAPSS Veri Kümesi – devam FD001 FD002 FD003 FD004 Çalışma Koşulları Sayısı 1 6 1 6 Hata Türü Sayısı 1 1 2 2 Eğitim Turbofan Sayısı 100 260 100 249 En az Örnek Sayısı 128 128 145 128 En fazla Ör. Sayısı 362 378 525 543 Test Turbofan Sayısı 100 259 100 248 En az Örnek Sayısı 31 21 38 19 En fazla Ör. Sayısı 303 367 475 248 (Ramasso and Saxena, 2014)
7/20 CMAPSS Veri Kümesi – devam Eğitim Kümesi Özellikleri Engine ID Cycle ID Setting #1 Setting #2 Setting #3 Sensor #1 Sensor #2 … Sensor #21 Test Kümesi Özellikleri Engine ID Cycle ID Setting #1 Setting #2 Setting #3 Sensor #1 Sensor #2 … Sensor #21 KFÖ Değeri Arıza oluşana kadar
8/20 CMAPSS Veri Kümesi – Problem Türleri • Prognostik • Kalan Faydalı Ömür Kestirimi • Regresyon • Makine Sağlığı Değerlendirme • Anomali Tespiti • Kümeleme • Arıza Tespiti • Çok Sınıflı Sınıflandırma (Ramasso and Saxena, 2014)
9/20 KFÖ Kestirim Yöntemi KFÖ Atama Çalışma Koşulu Atama Özellik Seçimi Ölçekleme Pencereleme Modelleme Eğitim Kestirim Skorlama
10/20 KFÖ Atama • Doğrusal KFÖ Atama • Parçalı Doğrusal KFÖ Atama (Zheng et al., 2017)
11/20 KFÖ Kestirim Yöntemi – devam • Çalışma Koşulu Atama • Setting #1-Setting #3, veri kümesinde yer alan 6 çalışma koşulunu tanımlıyor. • FD001 altkümesi bir çalışma koşulu içeriyor. • One-Hot-Encoding ➔ [1,0,0,0,0,0] • Özellik Seçimi • #1, #5, #6, #10, #16, #18, ve #19 numaralı sensörler veri içermiyor. • #2, #3, #4, #7, #8, #9, #11, #12, #13, #14, #15, #17, #20, ve #21 numaralı 14 adet sensor verisi kullanıldı.
12/20 KFÖ Kestirim Yöntemi – devam • Ölçekleme • StandardScaler() kullanılarak veri ölçeklemesi gerçekleştirildi. • Pencereleme • Zaman serisi verisinden özellik çıkarma • pg=15 ile başlanarak başarılı görülen modellerin performansını artırmak için diğer pencere genişliklerine geçildi. • 10, 15 ve 30 genişliğinde kayan pencereler kullanılmıştır.
13/20 Modelleme • Birleşik Otokodlayıcı-Regresyon Modeli • Otokodlayıcı: Evrişimsel Katmanları • Regresyon: LSTM Katmanları
14/20 Modelleme – devam • Model Girdileri: • X(t): (t) anındaki sensör değerleri • ÇK(t): (t) anındaki Çalışma Koşulları • Model Çıktıları: • ෠ 𝑋(𝑡): Motorun (t) anındaki sensör değerine ait kestirim. • ෠ 𝑋(𝑡 + 1): Motorun (t+1) anındaki sensör değerine ait kestirim. • ෣ 𝐾𝐹Ö(𝑡): Motorun (t) anı için KFÖ kestirimi. • ෣ 𝐾𝐹Ö(𝑡 + 1): Motorun (t+1) anı için KFÖ kestirimi.
15/20 Otokodlayıcı-Regresyon Modelleri Kodlayıcı Çözücü{1,2} Regresyon Model #1 C1D(100)-BN- C1D(100)-BN C1D(100)-D(212) LSTM(20)-D(50)-D(1) Model #2 C2D(32)-C2D(16)- C2D(16)-BiLSTM(10)- D(50) C2D(16)-C2D(16)- C2D(1) BiLSTM(10)- BiLSTM(10)-D(50)-D(1) Model #3 TDC1D(64)-TDC1D(32)- TDC1D(16)-D(50) TDC1D(16)-TDC1D(32)- TDC1D(1) LSTM(10)-LSTM(10)- D(50)-D(1) Model #4 TDC1D(64)-TDC1D(32)- TDC1D(16)-D(40) TDC1D(16)-TDC1D(32)- TDC1D(1) LSTM(10)-LSTM(10)- D(50)-D(1) Model #5 TDC1D(64)-TDC1D(32)- TDC1D(16)-D(30) TDC1D(16)-TDC1D(32)- TDC1D(1) LSTM(10)-LSTM(10)- D(50)-D(1)
16/20 Skor Fonksiyonu 𝑆 = ൞ σ𝑖=1 𝑛 𝑒 − 𝑑 𝑎1 − 1, 𝑓𝑜𝑟 𝑑 < 0, σı=1 𝑛 𝑒 𝑑 𝑎2 − 1, 𝑓𝑜𝑟 𝑑 ≥ 0, • S, toplam ceza skoru, • n, jet motor sayısı, • d = (KFÖhesaplanan – KFÖgerçek), • a1 = 13, and a2 = 10.
17/20 Otokodlayıcı-Regresyon Sonuçları pg=10 pg=15 pg=30 Skor RMSE Skor RMSE Skor RMSE Model #1 1861 20,53 Model #2 1519 20,66 1604 20,55 Model #3 1435 20,82 1406 20,61 812 18,11 Model #4 1488 20,87 1436 20,75 774 17,97 Model #5 905 18,73
18/20 CMAPSS ile Güncel Çalışmalar Score RMSE Architecture (Ellefsen, Ushakov, et al., 2019) 186 12,08 Zaman dağılımlı 1D CNN+LSTM (Wen, Dong and Gao, 2019) 212 12,16 Ensemble ResCNN (Al-Dulaimi et al., 2019) 245 13,02 Hybrid Deep NN (Yu, Kim and Mechefske, 2019) 273 14,74 Bi-LSTM AE Önerilen Yöntem 774 17,97 Birleşik otokodlayıcı-regresyon
19/20 Değerlendirme • CMAPSS veri kümesi üzerinde Birleşik Otokodlayıcı-Regresyon Modeli • Pencere genişliğine bağlı olarak performans artışı gözlemlendi. • Modelin KFÖ kestiriminde daha başarılı olması beklenirdi. CMAPSS FD001 altkümesindeki çeşitliliğin bu beklentinin karşılanmasını etkilediği değerlendirilmiştir. • Çalışmanın FD002-FD004 altkümelerini ve öznitelik öğrenmenin daha zor olduğu problemleri kapsayacak şekilde genişletilmesi planlanmaktadır.
20/20 Teşekkürler…

More Related Content

Birleşik Otokodlayıcı-Regresyon ile Turbofan Motorları Üzerinde Kalan Faydalı Ömür Kestirimi

  • 1. 1/20 Birleşik Otokodlayıcı-Regresyon ile Turbofan Motorları Üzerinde Kalan Faydalı Ömür Kestirimi Kürşat İnce HAVELSAN A.Ş. kince@havelsan.com.tr​ Yakup Genç Gebze Teknik Üniversitesi yakup.genc@gtu.edu.tr​
  • 2. 2/20 Sunum Kapsamı • Bakım Yaklaşımları ve Kestirimci Bakım • Kalan Faydalı Ömür Kestirimi • NASA Turbofan Motoru Bozulma Simülasyonu Veri Kümesi • Kalan Faydalı Ömür Kestirim Yöntemi • Sonuçlar • Değerlendirme
  • 3. 3/20 Bakım Yaklaşımları • Bakım: Sistem/makine performansını ve ömrünü artırıcı faaliyetler. • Arıza Bakımı • Sistem/makine arızalana kadar çalışır. Daha sonra arızalı parçalar değiştirilir. • Periyodik Bakım • Üreticinin belirlediği zaman/çalışma periyotlarında bakım kılavuzda belirtilen parçalar değiştirilir. • Proaktif Bakım • Arıza/hata ile karşılaştığında üretici ile çalışarak arıza/hata çıkmasını önleyen tasarım değişiklikleri yapılır. • Kestirimci Bakım • Sistem/makinenin durum ve çalışma zamanı verileri kullanılarak arıza oluşacak zaman tahmin edilir. Bu tahmine göre bakım planlaması yapılır.
  • 4. 4/20 Kalan Faydalı Ömür Kestirimi Kalan Faydalı Ömür (KFÖ): • Sistem/makinenin arıza oluşmadan önce çalışmasına devam edebileceği süre. Kalan Faydalı Ömür Kestirimi: • Sistem/makinenin arıza oluşmadan ne kadar süre daha çalışacağının kestirimi • Fiziksel Modelleme • Veriye Dayalı Modelleme • Hibrit Modelleme
  • 5. 5/20 NASA Turbofan Motoru Bozulma Simülasyonu Veri Kümesi • CMAPSS Veri Kümesi • Termo-dinamik simülasyon yazılımı (CMAPSS) kullanılarak ve turbofan jet motorlarının gerçek arıza durumu simüle edilerek jet motorları için çalışma verisi toplanmıştır. • Sıcaklık, basınç, hız vb. durumları ölçen 21 sensor kullanılarak jet motorunun çalışma durumu kayıt altına alınmıştır. • Altı farklı çalışma koşulu simüle edilmiştir. (Saxena and Simon, 2008)
  • 6. 6/20 CMAPSS Veri Kümesi – devam FD001 FD002 FD003 FD004 Çalışma Koşulları Sayısı 1 6 1 6 Hata Türü Sayısı 1 1 2 2 Eğitim Turbofan Sayısı 100 260 100 249 En az Örnek Sayısı 128 128 145 128 En fazla Ör. Sayısı 362 378 525 543 Test Turbofan Sayısı 100 259 100 248 En az Örnek Sayısı 31 21 38 19 En fazla Ör. Sayısı 303 367 475 248 (Ramasso and Saxena, 2014)
  • 7. 7/20 CMAPSS Veri Kümesi – devam Eğitim Kümesi Özellikleri Engine ID Cycle ID Setting #1 Setting #2 Setting #3 Sensor #1 Sensor #2 … Sensor #21 Test Kümesi Özellikleri Engine ID Cycle ID Setting #1 Setting #2 Setting #3 Sensor #1 Sensor #2 … Sensor #21 KFÖ Değeri Arıza oluşana kadar
  • 8. 8/20 CMAPSS Veri Kümesi – Problem Türleri • Prognostik • Kalan Faydalı Ömür Kestirimi • Regresyon • Makine Sağlığı Değerlendirme • Anomali Tespiti • Kümeleme • Arıza Tespiti • Çok Sınıflı Sınıflandırma (Ramasso and Saxena, 2014)
  • 9. 9/20 KFÖ Kestirim Yöntemi KFÖ Atama Çalışma Koşulu Atama Özellik Seçimi Ölçekleme Pencereleme Modelleme Eğitim Kestirim Skorlama
  • 10. 10/20 KFÖ Atama • Doğrusal KFÖ Atama • Parçalı Doğrusal KFÖ Atama (Zheng et al., 2017)
  • 11. 11/20 KFÖ Kestirim Yöntemi – devam • Çalışma Koşulu Atama • Setting #1-Setting #3, veri kümesinde yer alan 6 çalışma koşulunu tanımlıyor. • FD001 altkümesi bir çalışma koşulu içeriyor. • One-Hot-Encoding ➔ [1,0,0,0,0,0] • Özellik Seçimi • #1, #5, #6, #10, #16, #18, ve #19 numaralı sensörler veri içermiyor. • #2, #3, #4, #7, #8, #9, #11, #12, #13, #14, #15, #17, #20, ve #21 numaralı 14 adet sensor verisi kullanıldı.
  • 12. 12/20 KFÖ Kestirim Yöntemi – devam • Ölçekleme • StandardScaler() kullanılarak veri ölçeklemesi gerçekleştirildi. • Pencereleme • Zaman serisi verisinden özellik çıkarma • pg=15 ile başlanarak başarılı görülen modellerin performansını artırmak için diğer pencere genişliklerine geçildi. • 10, 15 ve 30 genişliğinde kayan pencereler kullanılmıştır.
  • 13. 13/20 Modelleme • Birleşik Otokodlayıcı-Regresyon Modeli • Otokodlayıcı: Evrişimsel Katmanları • Regresyon: LSTM Katmanları
  • 14. 14/20 Modelleme – devam • Model Girdileri: • X(t): (t) anındaki sensör değerleri • ÇK(t): (t) anındaki Çalışma Koşulları • Model Çıktıları: • ෠ 𝑋(𝑡): Motorun (t) anındaki sensör değerine ait kestirim. • ෠ 𝑋(𝑡 + 1): Motorun (t+1) anındaki sensör değerine ait kestirim. • ෣ 𝐾𝐹Ö(𝑡): Motorun (t) anı için KFÖ kestirimi. • ෣ 𝐾𝐹Ö(𝑡 + 1): Motorun (t+1) anı için KFÖ kestirimi.
  • 15. 15/20 Otokodlayıcı-Regresyon Modelleri Kodlayıcı Çözücü{1,2} Regresyon Model #1 C1D(100)-BN- C1D(100)-BN C1D(100)-D(212) LSTM(20)-D(50)-D(1) Model #2 C2D(32)-C2D(16)- C2D(16)-BiLSTM(10)- D(50) C2D(16)-C2D(16)- C2D(1) BiLSTM(10)- BiLSTM(10)-D(50)-D(1) Model #3 TDC1D(64)-TDC1D(32)- TDC1D(16)-D(50) TDC1D(16)-TDC1D(32)- TDC1D(1) LSTM(10)-LSTM(10)- D(50)-D(1) Model #4 TDC1D(64)-TDC1D(32)- TDC1D(16)-D(40) TDC1D(16)-TDC1D(32)- TDC1D(1) LSTM(10)-LSTM(10)- D(50)-D(1) Model #5 TDC1D(64)-TDC1D(32)- TDC1D(16)-D(30) TDC1D(16)-TDC1D(32)- TDC1D(1) LSTM(10)-LSTM(10)- D(50)-D(1)
  • 16. 16/20 Skor Fonksiyonu 𝑆 = ൞ σ𝑖=1 𝑛 𝑒 − 𝑑 𝑎1 − 1, 𝑓𝑜𝑟 𝑑 < 0, σı=1 𝑛 𝑒 𝑑 𝑎2 − 1, 𝑓𝑜𝑟 𝑑 ≥ 0, • S, toplam ceza skoru, • n, jet motor sayısı, • d = (KFÖhesaplanan – KFÖgerçek), • a1 = 13, and a2 = 10.
  • 17. 17/20 Otokodlayıcı-Regresyon Sonuçları pg=10 pg=15 pg=30 Skor RMSE Skor RMSE Skor RMSE Model #1 1861 20,53 Model #2 1519 20,66 1604 20,55 Model #3 1435 20,82 1406 20,61 812 18,11 Model #4 1488 20,87 1436 20,75 774 17,97 Model #5 905 18,73
  • 18. 18/20 CMAPSS ile Güncel Çalışmalar Score RMSE Architecture (Ellefsen, Ushakov, et al., 2019) 186 12,08 Zaman dağılımlı 1D CNN+LSTM (Wen, Dong and Gao, 2019) 212 12,16 Ensemble ResCNN (Al-Dulaimi et al., 2019) 245 13,02 Hybrid Deep NN (Yu, Kim and Mechefske, 2019) 273 14,74 Bi-LSTM AE Önerilen Yöntem 774 17,97 Birleşik otokodlayıcı-regresyon
  • 19. 19/20 Değerlendirme • CMAPSS veri kümesi üzerinde Birleşik Otokodlayıcı-Regresyon Modeli • Pencere genişliğine bağlı olarak performans artışı gözlemlendi. • Modelin KFÖ kestiriminde daha başarılı olması beklenirdi. CMAPSS FD001 altkümesindeki çeşitliliğin bu beklentinin karşılanmasını etkilediği değerlendirilmiştir. • Çalışmanın FD002-FD004 altkümelerini ve öznitelik öğrenmenin daha zor olduğu problemleri kapsayacak şekilde genişletilmesi planlanmaktadır.