Endüstriyel kontrol sistemlerinde anomali tespiti

Abstract

Endüstriyel sistemlerde oluşan büyük veri bu sistemler için kontrol ve izleme araçlarının geliştirilmesi süreçlerinde önemli zorluklar oluşturmaktadır. Son yıllarda, endüstriyel sistemlerde oluşan büyük verinin analizi gelişen teknolojiye paralel olarak yapay zekâ temelli yöntemler ile gerçekleştirilmektedir. Endüstriyel kontrol sistemlerinin görevleri arasında sistemin sağlık durumunun izlenmesi önemli bir yer tutmaktadır. Sistem sağlık durumunun izlenmesi için kullanılan yaklaşımlar arasında ise anomali tespiti temelli yöntemler yoğun ilgi çekmektedir. Sistem bileşenlerinde oluşan anomaliler tüm sistemi etkileyebilmekte, zaman ile sistemin başarımını düşürebilmekte ve hatta sistemin arızalanmasına sebep olabilmektedir. Arızaların oluşma nedeninin, zamanın ve süresinin tespit edilmesi zaman alıcı ve aynı zamanda zor olabilmektedir. Bu zorlukların aşılmasında yapay zekâ temelli yöntemlerin kullanımı önemli bir avantaj sağlamaktadır. Bu tez çalışmasında endüstriyel sistemlerin bileşenlerinde oluşan anomalilerinin tespitinde otokodlayıcıların başarım analizlerinin gerçekleştirilmesi amaçlanmıştır. Bu nedenle endüstriyel sistemlerin önemli bileşenleri arasında yer alan ve bu sistemlerde sıklıkla karşımıza çıkan DC motorlarda oluşabilecek anomalilerin tespiti üzerine yoğunlaşılmıştır. DC motor üzerinde yer alan sensörler aracılığı ile toplanan ve motorun sağlık izlemesinde temel gösterge olarak kullanılan gövde sıcaklığı verisindeki anomalilerin tespiti otokodlayıcılar aracılığı ile gerçekleştirilmiştir. Gövde sıcaklığı verisinde oluşabilecek noktasal ve toplu anomali tipleri için otokodlayıcıların başarım analizleri yapılmıştır. Başarım analizleri yapılırken karşılaştırma yöntemi olarak noktasal anomaliler için 3-SgOut Aykırı Değer yöntemi kullanılırken toplu anomaliler için ise İzolasyon Ormanı yöntemi kullanılmıştır. Başarım analizleri yapılırken bu çalışmaya özel olarak geliştirilen bir deney düzeneği aracılığı ile toplanan veri seti kullanılmıştır. Yapılan deneyler sonucunda Otokodlayıcı mimarisinin noktasal ve toplu anomalilerin tespit edilmesinde yüksek başarım oranlarına sahip olduğu ve karşılaştırma amacıyla kullanılan yöntemlerden daha iyi başarım gösterdiği görülmüştür.Big data generated in industrial systems poses significant difficulties in the development of control and monitoring tools for these systems. In recent years, analysis of big data occured in industrial systems has been carried out with artificial intelligence based methods in parallel with developing technology. Monitoring the health status of the system has an important place among the tasks of industrial control systems. Among the approaches used to monitor system health, anomaly detection-based methods attract great attention. Anomalies occurring in system components can affect the entire system, reduce the performance of the system over time, and even cause it to malfunction. Determining the cause, time and duration of malfunctions can be time-consuming and also be difficult. The use of artificial intelligence-based methods provides a significant advantage in overcoming these difficulties. In this thesis, it is aimed to perform performance analysis of autoencoders in detecting anomalies in the components of industrial systems. For this reason, we focused on detecting anomalies in DC motors, which are important components of industrial systems and are frequently used in these systems. Detection of anomalies in the body temperature data collected by the sensors on DC motor, which is used as a basic indicator in the health monitoring of the motor, was carried out with autoencoders. Performance analyzes of autoencoders were performed for point and collective anomaly types in body temperature data. While performing performance analyses, the 3-SgOut Outlier method was used as a comparison method for point anomalies, while the Isolation Forest method was used for mass anomalies. While performing performance analyses, the data set obtained through the experimental setup developed specifically for this study was used. It was seen that the Autoencoder architecture used in the thesis study had high performance rates in detecting point and collective anomalies and showed better performance than the methods used for comparison purposes.