Decision making process using deep learning - Publication - Bridge of Knowledge

Search

Decision making process using deep learning

Abstract

Endüstri 4.0, dördüncü endüstri devrimi veya Endüstriyel Nesnelerin İnterneti (IIoT) olarak adlandırılan sanayi akımı, işletmelere, daha verimli, daha büyük bir esneklikle, daha güvenli ve daha çevre dostu bir şekilde üretim yapma imkanı sunmaktadır. Nesnelerin İnterneti ile bağlantılı yeni teknoloji ve hizmetler birçok endüstriyel uygulamada devrim niteliği taşımaktadır. Fabrikalardaki otomasyon, tahminleyici bakım (PdM – Predictive Maintenance) modellerigibi gelişmeler işletmelere, iş modellerini değiştiren yenilikçi çözümler sunmaktadır. Günümüz endüstriyel uygulamalarında ihtiyaç duyulan yüksek otomasyon seviyesini sağlamak için, daha verimli ekipman kullanılmalı, daha akıllı sistemler oluşturulmalıdır. Bu sayede, hem üretimdeki verim artacak hem de daha güvenli bir çalışma ortamı da sağlanmış olacaktır. İşletmeler, üretimlerine minimum aksama süresiyle, optimum hızda devam etmek istemektedir. Bu sebeple, üretimde kullanılan, hareketli parçaları olan makinelerin daha verimli kullanılmasını sağlamak için yapılacak bakım planlamaları kritik önem taşımaktadır. Bu konu ile ilgili yaklaşımlardan bir tanesi, ekipmanların durumuna bakılmaksızın bakım süreçlerini sabit aralıklarla gerçekleştirmektir. Bu yöntem planlanması basit bir yöntemdir ancak, zaman zaman ekipmanların arızası gerçekleştikten sonra bakım işleminin gerçekleştirilmesine ya da ekipmanlarda hiç bir problem yokken bakım işleminin gerçekleştirilmesine neden olabilmektedir. Bu da sistemde uzun süreli aksamalar, gereksiz bakım maliyetleri gibi sonuçları doğurmaktadır. Bakım süreçlerine farklı bir yaklaşım olan PdM, makinenin gözlemlenen durumuna bağlı olarak bakım süreçlerinin yönetilmesine olanak kılmaktadır.PdM yaklaşımına yeni bir akış açısı getirmek amacıyla yapılan bu çalışmada yeni bir derin yapay sinir ağı mimarisi önerilmiştir. Bu mimaride bir girdi katmanı bir LSTM katmanı, bırakma (DO) ve ardından yine bir LSTM katmanı, bir gizli katman ve çıktı katmanı bulunmaktadır. Mimaride kullanılan iterasyon sayısı, parti büyüklüğü Genetik Algoritma (GA) kullanılarak, kayıp fonksiyonunu optimize eden optimizasyon algoritması, çıktı katmanında sonra kullanılan aktivasyon fonksiyonu ve DO oranı ızgara araması (GS) kullanılarak belirlenmiştir.

Cite as

Full text

full text is not available in portal

Keywords

Details

Category:
Thesis, nostrification
Type:
praca doktorska pracowników zatrudnionych w PG oraz studentów studium doktoranckiego
Language:
Turkish
Publication year:
2019
Verified by:
Gdańsk University of Technology

seen 172 times

Recommended for you

Meta Tags