ݺߣ

ݺߣShare a Scribd company logo

Birleşik Otokodlayıcı-Regresyon Mimarisi ile C-MAPSS Veri Kümesi Üzerinde Kalan Faydalı Ömür Kestirimi

•
•
Kürşat İNCE
Kürşat İNCE

Özet: Endüstriyel sistemlerin bakım maliyetleri çoğu zaman ilk yatırım maliyetinin üzerine çıkmaktadır. Toplam bakım maliyetini düşürmede en etkili yöntemlerden biri olan kestirimci bakım, yeni endüstri devrimi ile artan otomasyon, izleme kabiliyeti ve gelişen teknikler ile veri odaklı araştırma yapanların ilgi alanına girmiştir. Bu çalışmada, özgün birleşik otokodlayıcı-regresyon mimarisi kullanılarak NASA Turbofan Motoru Bozulma Veri Kümesi üzerinde yapılan faydalı ömür kestirimi anlatılmaktadır. Derin öğrenme tekniklerinin uygulandığı bu mimaride otokodlayıcı için InceptionTime ağı, kalan faydalı ömür kestirimi için uzun-kısa süreli bellek kullanılmıştır. İlk aşamada genetik algoritmalar kullanılarak modeller eğitilmiş ve eniyileştirilmiş, ardından gürültü ekleme ve ağ budama teknikleri ile modellere ince ayar yapılmıştır. Elde edilen sonuçlar InceptionTime temelli birleşik otokodlayıcı-regresyon mimarisinin rekabetçi olduğunu ortaya koymaktadır. Gürültü ekleme ile iyileştirilen modeller tekniğin bilinen durumuna yakın başarım göstermektedir. http://doi.org/10.1109/SIU55565.2022.9864796

1 of 23
Download to read offline
1/26 Birleşik Otokodlayıcı-Regresyon Mimarisi ile C-MAPSS Veri Kümesi Üzerinde Kalan Faydalı Ömür Kestirimi Kürşat İnce HAVELSAN A.Ş. kince@havelsan.com.tr​ Uğur Ceylan Doruk Otomasyon ve Yazılım A.Ş. ugrceyln@gmail.com Yakup Genç Gebze Teknik Üniversitesi yakup.genc@gtu.edu.tr​
2/26 Sunum Kapsamı • Bakım Yaklaşımları ve Kestirimci Bakım • Kalan Faydalı Ömür Kestirimi • NASA Turbofan Motoru Bozulma Simülasyonu Veri Kümesi • Kalan Faydalı Ömür Kestirimi • Birleşik Otokodlayıcı-Regresyon Mimarisi • Aşırı Öğrenmeyi Engelleme • Deneysel Sonuçlar
3/26 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.
4/26 Kalan Faydalı Ömür Kestirimi Kalan Faydalı Ömür Kestirimi: • Sistem/makinenin arıza oluşmadan ne kadar süre daha çalışacağının kestirimi • Fiziksel Modelleme • Veriye Dayalı Modelleme • Hibrit Modelleme
5/26 NASA Turbofan Motoru Bozulma Simülasyonu Veri Kümesi • CMAPSS Veri Kümesi (2008) • 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 ve Simon, 2008)
7/26 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 Arıza oluşana kadar ➔ KFÖ Değeri
9/26 KFÖ Kestirim Yöntemi KFÖ Atama Çalışma Koşulu Atama Özellik Seçimi Ölçekleme Pencereleme Modelleme Eğitim Kestirim Skorlama
10/26 KFÖ Atama • Doğrusal KFÖ Atama • Parçalı Doğrusal KFÖ Atama (Zheng vd., 2017)
11/26 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.
12/26 KFÖ Kestirim Yöntemi – devam • Ölçekleme • StandardScaler() kullanılarak veri ölçeklemesi gerçekleştirildi. • Pencereleme • Zaman serisi verisinden özellik çıkarma • Pencere genişliği = 29 (Genetik algoritma optimizasyonu)
13/26 Birleşik Otokodlayıcı-Regresyon Modeli InceptionTime Uzun-kısa süreli bellek InceptionTime
15/26 Inception Modülü (C. Szegedy vd., 2017) (Fawaz vd., 2020)
16/26 InceptionTime Ağı (Fawaz vd., 2020)
17/26 Modeller • Temel Model Aşırı Öğrenmeyi Engelleme • Gauss gürültüsü ekleme • Nesne tanıma problemleri (B. Goyal vd., 2020) • Kodlayıcının önüne ayrı bir katman olarak eklendi. • Varyans: σ2 = 0,1 ve σ2 = 0,01 • Ağ budama • Yapay sinir ağlarını küçültme (T. Hoefler vd., 2021) • Regülasyon etkisi için eklendi.
18/26 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.
19/26 Temel Otokodlayıcı-Regresyon Modelleri Genetik Algoritma Parametresi Value Başlancıç popülasyon sayısı 50 Generasyon sayısı 5 Her generasyondaki popülasyon sayısı 50 Eşleşme olasılığı 0.5 Mutasyon olasılığı 0.5 Her generasyon için aktarılacak birey sayısı 5 • Genetik algoritma optimizasyonu ile belirlenmiştir.
20/26 Otokodlayıcı-Regresyon Modelleri • Gauss Gürültüsü Eklenen Otokodlayıcı-Regresyon Modelleri • Optimize edilen temel 50 model başlangıç popülasyonu olarak kullanılarak genetik algoritma ile eniyileştirilmiştir. • Budama Uygulanan Otokodlayıcı-Regresyon Modelleri • Gauss gürültüsü ile elde edilen en iyi 50 modele %10 budama uygulandı.
21/26 Otokodlayıcı-Regresyon Sonuçları TABLO I: TEMEL VE GAUSS GÜRÜLTÜSÜ EKLENMİŞ MODEL SONUÇLARI
22/26 Otokodlayıcı-Regresyon Sonuçları TABLO II: BUDAMA UYGULANMIŞ MODEL SONUÇLARI
23/26 CMAPSS ile Güncel Çalışmalar TABLO III: C-MAPSS ÜZERİNDE YAPILAN GÜNCEL ÇALIŞMALAR
24/26 Özet • Birleşik otokodlayıcı-regresyon mimarisi • Otokodlayıcı: InceptionTime ağı • Regresyon: Uzun-kısa süreli bellek • InceptionTime ağının zaman serisi verisinden özellik çıkarmada etkili • Uzun-kısa süreli bellek zaman serisi verisinden kalan faydalı ömür kestiriminde başarılı • Mimariye eklenen gürültü katmanı modeldeki aşırı öğrenmeyi azaltarak model başarımını artırdı. • İyileştirilen mimari literatürdeki tekniğin bilinen durumuna yakın sonuçlar üretmiştir.
25/26 Gelecek Dönem Çalışmaları • Birleşik otokodlayıcı-sınıflandırma mimarisinin geliştirilmesi • Geliştirilen mimarilerin farklı zaman serisi problemlerinde uygulanması
26/26 Teşekkürler…

More Related Content

Birleşik Otokodlayıcı-Regresyon Mimarisi ile C-MAPSS Veri Kümesi Üzerinde Kalan Faydalı Ömür Kestirimi

  • 1. 1/26 Birleşik Otokodlayıcı-Regresyon Mimarisi ile C-MAPSS Veri Kümesi Üzerinde Kalan Faydalı Ömür Kestirimi Kürşat İnce HAVELSAN A.Ş. kince@havelsan.com.tr​ Uğur Ceylan Doruk Otomasyon ve Yazılım A.Ş. ugrceyln@gmail.com Yakup Genç Gebze Teknik Üniversitesi yakup.genc@gtu.edu.tr​
  • 2. 2/26 Sunum Kapsamı • Bakım Yaklaşımları ve Kestirimci Bakım • Kalan Faydalı Ömür Kestirimi • NASA Turbofan Motoru Bozulma Simülasyonu Veri Kümesi • Kalan Faydalı Ömür Kestirimi • Birleşik Otokodlayıcı-Regresyon Mimarisi • Aşırı Öğrenmeyi Engelleme • Deneysel Sonuçlar
  • 3. 3/26 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. 4/26 Kalan Faydalı Ömür Kestirimi Kalan Faydalı Ömür Kestirimi: • Sistem/makinenin arıza oluşmadan ne kadar süre daha çalışacağının kestirimi • Fiziksel Modelleme • Veriye Dayalı Modelleme • Hibrit Modelleme
  • 5. 5/26 NASA Turbofan Motoru Bozulma Simülasyonu Veri Kümesi • CMAPSS Veri Kümesi (2008) • 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 ve Simon, 2008)
  • 6. 7/26 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 Arıza oluşana kadar ➔ KFÖ Değeri
  • 7. 9/26 KFÖ Kestirim Yöntemi KFÖ Atama Çalışma Koşulu Atama Özellik Seçimi Ölçekleme Pencereleme Modelleme Eğitim Kestirim Skorlama
  • 8. 10/26 KFÖ Atama • Doğrusal KFÖ Atama • Parçalı Doğrusal KFÖ Atama (Zheng vd., 2017)
  • 9. 11/26 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.
  • 10. 12/26 KFÖ Kestirim Yöntemi – devam • Ölçekleme • StandardScaler() kullanılarak veri ölçeklemesi gerçekleştirildi. • Pencereleme • Zaman serisi verisinden özellik çıkarma • Pencere genişliği = 29 (Genetik algoritma optimizasyonu)
  • 12. 15/26 Inception Modülü (C. Szegedy vd., 2017) (Fawaz vd., 2020)
  • 14. 17/26 Modeller • Temel Model Aşırı Öğrenmeyi Engelleme • Gauss gürültüsü ekleme • Nesne tanıma problemleri (B. Goyal vd., 2020) • Kodlayıcının önüne ayrı bir katman olarak eklendi. • Varyans: σ2 = 0,1 ve σ2 = 0,01 • Ağ budama • Yapay sinir ağlarını küçültme (T. Hoefler vd., 2021) • Regülasyon etkisi için eklendi.
  • 15. 18/26 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.
  • 16. 19/26 Temel Otokodlayıcı-Regresyon Modelleri Genetik Algoritma Parametresi Value Başlancıç popülasyon sayısı 50 Generasyon sayısı 5 Her generasyondaki popülasyon sayısı 50 Eşleşme olasılığı 0.5 Mutasyon olasılığı 0.5 Her generasyon için aktarılacak birey sayısı 5 • Genetik algoritma optimizasyonu ile belirlenmiştir.
  • 17. 20/26 Otokodlayıcı-Regresyon Modelleri • Gauss Gürültüsü Eklenen Otokodlayıcı-Regresyon Modelleri • Optimize edilen temel 50 model başlangıç popülasyonu olarak kullanılarak genetik algoritma ile eniyileştirilmiştir. • Budama Uygulanan Otokodlayıcı-Regresyon Modelleri • Gauss gürültüsü ile elde edilen en iyi 50 modele %10 budama uygulandı.
  • 18. 21/26 Otokodlayıcı-Regresyon Sonuçları TABLO I: TEMEL VE GAUSS GÜRÜLTÜSÜ EKLENMİŞ MODEL SONUÇLARI
  • 19. 22/26 Otokodlayıcı-Regresyon Sonuçları TABLO II: BUDAMA UYGULANMIŞ MODEL SONUÇLARI
  • 20. 23/26 CMAPSS ile Güncel Çalışmalar TABLO III: C-MAPSS ÜZERİNDE YAPILAN GÜNCEL ÇALIŞMALAR
  • 21. 24/26 Özet • Birleşik otokodlayıcı-regresyon mimarisi • Otokodlayıcı: InceptionTime ağı • Regresyon: Uzun-kısa süreli bellek • InceptionTime ağının zaman serisi verisinden özellik çıkarmada etkili • Uzun-kısa süreli bellek zaman serisi verisinden kalan faydalı ömür kestiriminde başarılı • Mimariye eklenen gürültü katmanı modeldeki aşırı öğrenmeyi azaltarak model başarımını artırdı. • İyileştirilen mimari literatürdeki tekniğin bilinen durumuna yakın sonuçlar üretmiştir.
  • 22. 25/26 Gelecek Dönem Çalışmaları • Birleşik otokodlayıcı-sınıflandırma mimarisinin geliştirilmesi • Geliştirilen mimarilerin farklı zaman serisi problemlerinde uygulanması