Predictive maintenance for smart industry

Abstract

After the internet of things developed rapidly, it started to be used in many several industrial areas. Thanks to IoT, data that affect the health of any equipment or other important systems are collected. When these data are processed correctly, important information about the production process is obtained. For example, thanks to this data, systems based on machine learning are created to predict when various components will fail. Thus, maintenance operations are carried out before the component's breakdown, and replacement operations are performed if necessary. This strategy, called predictive maintenance, provides industries with advantages such as maximizing the life of components, reducing extra costs, and time saving. In this study, we applied ARF method, which is based on stream learning, on Turbofan Engine Degradation Simulation Datasets which are provided by NASA to estimate the remaining useful lifetime of jet engines. As a result, we mentioned about the advantages of streaming learning over batch learning and compared our results with other batch learning based studies which are applied on the same datasets.

Nesnelerin interneti (IoT) hızla geliştikten sonra birçok endüstriyel alanda kullanılmaya başlandı. IoT sayesinde herhangi bir ekipmanın veya diğer önemli sistemlerin sağlığını etkileyen veriler toplanır. Bu veriler doğru işlendiğinde üretim süreci hakkında önemli bilgiler elde edilir. Örneğin, bu veriler sayesinde, çeşitli bileşenlerin ne zaman arızalanacağını tahmin etmek için makine öğrenimine dayalı sistemler oluşturulur. Böylelikle bileşen arızasından önce bakım işlemleri uygulanır ve gerekirse değiştirme işlemleri gerçekleştirilir. Kestirimci bakım adı verilen bu strateji, endüstrilere bileşenlerin ömrünü en üst düzeye çıkarma, ekstra maliyetleri düşürme ve zaman tasarrufu gibi avantajlar sağlar. Bu çalışmada, jet motorlarının kalan faydalı ömürlerini tahmin etmek için NASA tarafından sağlanan 'Turbofan Engine Degradation Simulation Datasets' verisetleri üzerinde akış öğrenmeye dayalı Adaptive Random Forests yöntemini uyguladık. Sonuç olarak, toplu öğrenmeye göre akış öğrenmenin avantajlarından bahsettik ve sonuçlarımızı, aynı veri kümeleri üzerinde uygulanan diğer toplu öğrenmeye dayalı çalışmalarla karşılaştırdık.