Flag Counter
AKILLI SİSTEMLER VE UYGULAMALARI DERGİSİ
JOURNAL OF INTELLIGENT SYSTEMS WITH APPLICATIONS
J. Intell. Syst. Appl.
E-ISSN: 2667-6893
Creative Commons License This work is licensed under a Creative Commons Attribution 4.0 International License.

Predictive Maintenance Studies Applied to an Industrial Press Machine Using Machine Learning

Makine Öğrenmesi Kullanılarak Endüstriyel Pres Makinesine Uygulanan Kestirimci Bakım Çalışmaları

How to cite: Yiğit E, Bilgin MZ, Öner AE. Predictive maintenance studies applied to an industrial press machine using machine learning. Akıllı Sistemler ve Uygulamaları Dergisi (Journal of Intelligent Systems with Applications) 2020; 3(2): 57-63. DOI: 10.54856/jiswa.202012117

Full Text: PDF, in English.

Total number of downloads: 385

Title: Predictive Maintenance Studies Applied to an Industrial Press Machine Using Machine Learning

Abstract: The main purpose of Industry 4.0 applications is to provide maximum uptime throughout the production chain, to reduce production costs and to increase productivity. Thanks to Big Data, Internet of Things (IoT) and Machine Learning (ML), which are among the Industry 4.0 technologies, Predictive Maintenance (PdM) studies have gained speed. Implementing Predictive Maintenance in the industry reduces the number of breakdowns with long maintenance and repair times, and minimizes production losses and costs. With the use of machine learning, equipment malfunctions and equipment maintenance needs can be predicted for unknown reasons. A large amount of data is needed to train the machine learning algorithm, as well as adequate analytical method selection suitable for the problem. The important thing is to get the valuable signal by cleaning the data from noise with data processing. In order to create prediction models with machine learning, it is necessary to collect accurate information and to use many data from different systems. The existence of large amounts of data related to predictive maintenance and the need to monitor this data in real time, delays in data collection, network and server problems are major difficulties in this process. Another important issue concerns the use of artificial intelligence. For example, obtaining training data, dealing with variable environmental conditions, choosing the ML algorithm better suited to a specific scenario, necessity of information sensitive to operational conditions and production environment are of great importance for analysis. In this study, predictive maintenance studies for the transfer press machine used in the automotive industry, which can predict the maintenance need time and give warning messages to the relevant people when abnormal situations approach, are examined. First of all, various sensors have been placed in the machine for the detection of past malfunctions and it has been determined which data will be collected from these sensors. Then, machine learning algorithms used to detect anomalies with the collected data and model past failures were created and an application was made in a factory that produces automotive parts.

Keywords: Predictive maintenance; machine learning; anomaly detection; industry 4.0; automotive industry


Başlık: Makine Öğrenmesi Kullanılarak Endüstriyel Pres Makinesine Uygulanan Kestirimci Bakım Çalışmaları

Özet: Bu Endüstri 4.0 uygulamalarının temel amacı üretim zinciri boyunca maksimum çalışma süresini sağlamak, üretim maliyetlerini düşürmek ve verimliliği artırmaktır. Endüstri 4.0 teknolojilerinden olan Büyük Veri, Nesnelerin İnterneti (IoT) ve Makine Öğrenmesi (ML) sayesinde Kestirimci Bakım çalışmaları hız kazanmıştır. Endüstride Kestirimci Bakım uygulamak, bakım ve onarım süresi uzun süren arıza sayısını azaltmakta, üretim kayıplarını ve maliyetlerini minimum seviyeye indirmektedir. Makine öğrenmesinin kullanımıyla, ekipmanlarda bilinmeyen sebeplerle yaşanan arızalar ve ekipmanın bakım ihtiyacı tahmin edilebilmektedir. Makine öğrenmesi algoritmasını eğitmek için büyük miktarda veriye ve bunun yanı sıra probleme uygun yeterli analitik yöntem seçimine ihtiyaç vardır. Önemli olan, veri işleme ile veriyi gürültüden temizleyerek değerli sinyali elde edebilmektir. Makine öğrenmesi ile tahmin modelleri oluşturmak için doğru bilgi toplamak ve farklı sistemlerden gelen birçok veriyi kullanabilmek gerekmektedir. Kestirimci bakımla ilgili büyük miktardaki verinin varlığı ve gerçek zamanlı bu verileri izleme ihtiyacı, veri toplarken yaşanan gecikmeler, ağ ve sunucu problemleri bu süreçte yaşanan büyük zorluklardır. Bir diğer önemli hususta yapay zekanın kullanımı ile ilgilidir. Örneğin eğitim verilerini elde etme, değişken çevre şartları ile başa çıkma, belirli bir senaryoya daha iyi uyan ML algoritmasının seçilmesi, operasyonel koşullara ve üretim ortamına duyarlı bilginin gerekliliği yapılacak analizler için büyük önem taşımaktadır. Bu çalışmada otomotiv endüstrisinde kullanılan transfer pres makinesi için bakım ihtiyacı zamanı tahmininde bulunan ve anormal durumlar yaklaştığında ilgili kişilere uyarı mesajı verebilen kestirimci bakım çalışmaları incelenmiştir. Öncelikle makineye geçmişte meydana gelen arızaların tespitine yönelik çeşitli sensörler yerleştirilmiş ve bu sensörlerden hangi verilerin toplanacağı belirlenmiştir. Sonra toplanan verilerle anomali tespiti yapabilmek ve geçmişteki arızaları modellemek için kullanılan makine öğrenmesi algoritmaları oluşturularak otomotiv parçaları üreten bir fabrikada uygulama yapılmıştır.

Anahtar kelimeler: Kestirimci bakım; makine öğrenmesi; anomali tespiti; endüstri 4.0; otomotiv endüstrisi


Bibliography:
  • Kanawaday A, Sane A. Machine learning for predictive maintenance of industrial machines using IoT sensor data. In 2017 8th IEEE International Conference on Software Engineering and Service Science (ICSESS), November 24-26, 2017, Beijing, China, pp. 87-90.
  • Lejon E, Kyosti P, Lindstrom J. Machine learning for detection of anomalies in press-hardening: Selection of efficient methods. In Procedia CIRP 2018; 72: 1079–1083.
  • Pelt M, Stamoulis K, Apostolidis A. Data analytics case studies in the maintenance, repair and overhaul (MRO) industry. MATEC Web of Conferences, January 2019, 304: 04005.
  • Voisin A, Laloix T, Iung B, Romagne E. Predictive Maintenance and part quality control from joint product-processmachine requirements: Application to a machine tool. In Procedia Manufacturing 2018; 16: 147–154.
  • Dalzochio J, Kunst R, Pignaton E, Binotto A, Sanyal S, Favilla J, Barbosa J. Machine learning and reasoning for predictive maintenance in Industry 4.0: Current status and challenges. Computers in Industry 2020; 123: 103298.
  • Pinto R, Cerquitelli T. Robot fault detection and remaining life estimation for predictive maintenance. In Procedia Computer Science 2019; 151: 709–716.
  • Killeen P, Ding B, Kiringa I, Yeap T. IoT-based predictive maintenance for fleet management. Procedia Computer Science 2019; 151: 607–613.
  • Gursoy MU, Colak UC, Gokce MH, Akkulak C, Otles S. Predictive maintenance for industry. International Journal of 3D Printing Technologies and Digital Industry 2019; 3(1): 56-66.
  • Halil Y, Karadayi M. Titresim analizi ile pompalarda ariza tesbiti ve kestirimci bakim icin ornek bir calisma. Tesisat Muhendisligi 2014; 140: 36–51.
  • El Anouar BA, Elamrani M, Elkihel B, Delaunois F, Manssouri I. A comparative experimental study of different methods in detection and monitoring bearing defects. International Journal of Advanced Scientific and Technical Research 2017; 7(1): 409-423.
  • Oztanir O. Predictive maintenance by using machine learning. Hacettepe University, MSc Thesis, Ankara, Turkey, 2018.
  • Cheng Z, Zou C, Dong J. Outlier detection using isolation forest and local outlier. In Proceedings of the Conference on Research in Adaptive and Convergent Systems, RACS'2019, September 2019, Chongqing, China, pp. 161–168.