Sax-lstm'ye Dayalı Tahmini Bakım için Zaman Serisinin Sembolik Tahmini

Abstract

Bu çalışma, Sembolik Toplam Yaklaşım (SAX) ve Parçalı Toplam Yaklaşım (PAA) gibi gelişmiş yaklaşımları makine öğrenme algoritmalarıyla birleştirerek endüstriyel ortamlarda tahmine dayalı bakım tahminine yönelik yeni bir yaklaşımı araştırıyor. Çalışma, üretim süreçlerinin dijitalleşmesinin hem fırsatlar hem de karmaşıklıklar getirdiği Endüstri 4.0 bağlamında bakım tahmini konularını ele almayı amaçlıyor. Çalışma, sentetik verileri kullanarak ve çeşitli veri kümesi boyutları, PAA segment uzunlukları ve SAX alfabe boyutlarıyla denemeler yaparak bakım gereksinimlerini doğru şekilde tahmin edebilen sağlam bir algoritma oluşturmayı amaçlıyor. Süreç, SAX ve PAA teknikleri kullanılarak elde edilen etiketli veriler üzerinde makine öğrenimi modellerinin, özellikle de Uzun Kısa Süreli Bellek (LSTM) ağlarının eğitilmesini gerektirir. Algoritmanın performansı, işletme verimliliğini artırmak ve arıza süresini azaltmak için zamanında bakımın kritik olduğu çelik üretim fırınlarından elde edilen gerçek dünya endüstri verileri kullanılarak değerlendirilir. Çalışmanın bulguları, modern veri işleme ve makine öğrenimi yaklaşımlarının endüstriyel varlık yönetimini ve karar verme süreçlerini nasıl iyileştiribileceğine dair öngörüler sağlayarak tahmine dayalı bakım yöntemlerinin artmasına yardımcı oluyor.

This work investigates a new approach to predictive maintenance forecasting in industrial settings, combining advanced approaches like Symbolic Aggregate Approximation (SAX) and Piecewise Aggregate Approximation (PAA) with machine learning algorithms. The study seeks to address the issues of maintenance forecasting in the context of Industry 4.0, in which the digitalization of manufacturing processes brings both opportunities and complexities. The work aims to construct a robust algorithm capable of properly estimating maintenance requirements by using synthetic data and experimenting with various dataset sizes, PAA segment lengths, and SAX alphabet sizes. The process entails training machine learning models, specifically Long Short Term Memory (LSTM) networks, on labeled data obtained using SAX and PAA techniques. The algorithm's performance is assessed using real-world industry data from steel production furnaces, where timely maintenance is critical for increasing operating efficiency and reducing downtime. The study's findings help to increase predictive maintenance methods by providing insights into how modern data processing and machine learning approaches might improve industrial asset management and decision-making processes.