Siamese networks for predictive maintenance

Abstract

Tahmine dayalı bakım, ne zaman bakım gerektiğini tahmin ederek (veya kalan kullanım ömrünü tahmin ederek) enerji santrallerinde, uçaklarda ve fabrikalarda motor bakım maliyetlerini azaltır. Son zamanlarda, derin öğrenmedeki önemli ilerlemeler ve üretim süreçlerinden çıkarılan yüksek hacimli verilerin kullanılabilirliği ile birlikte, kalan faydalı ömrü (KFÖ) tahmin etmeye yönelik veriye dayalı yöntemler büyük ilgi gördü. Veriye dayalı prognozla ilgili önemli bir sorun, maliyetli olması ve çok sayıda hata durumunda elde edilmesi zor olabilecek büyük miktarda eğitim verisi gerektirmesidir (genellikle gerçek dünyada elde edilmesi imkansız ve pahalıdır). Bu tez, daha az arıza verisi gerektiren arıza teşhisi için öğrenmeye dayalı bir yöntem önermektedir. Bu amaçla, InceptionTime olarak adlandırılan belirli bir derin Evrişimli Sinir Ağı (ESA) üzerine kurulmuş bir Siyam ağ mimarisi kullanıyoruz. Ağın Siyam kısmı, iki ayrı zaman penceresi için bir benzerlik ölçüsü oluşturmak için mevcut verilerin tekrar tekrar kullanılmasına izin verir. Önerilen modeli doğrulamak için NASA tarafından sağlanan turbofan motorları C-MAPSS veri seti kullanılmıştır. Önerilen model ve bir temel model arasındaki küçük veri kümelerindeki performansı karşılaştırmak için çeşitli boyutlarda turbofan motor verileri kullanılarak deneyler yapılmıştır. Ayrıca, çeşitli literatür yaklaşımları uygulanarak önerilen modelin performansının iyileştirilmesine yönelik çalışmalar yapılmıştır. Sonuçlar, modelimizin arıza teşhisinde kullanılabileceğini ve RUL tahmini için son teknoloji yöntemlere kıyasla karşılaştırılabilir performanslarla daha az veri ile tatmin edici tahmin sonuçları sağladığını göstermektedir.Predictive maintenance reduces engine maintenance costs in power plants, aircraft, and factories by predicting when maintenance is needed (or by estimating the remaining useful life). Recently, with significant advances in deep learning and the availability of high volumes of data extracted from manufacturing processes, data-driven methods to estimate remaining useful life (RUL) have received great interest. A major problem with data-based prognosis is that it is costly and requires large amounts of training data that could be difficult to obtain in large numbers of failure cases (often impossible and expensive to obtain in the real world). This thesis proposes a learning-based method for fault diagnosis requiring fewer failure data. To this end, we use a Siamese network architecture founded on a specific deep Convolutional Neural Network (CNN) termed InceptionTime. The Siamese part of the network allows repeated use of the existing data to establish a similarity metric for two separate time windows. The turbofan engines C-MAPSS dataset supplied by NASA is used to verify the proposed model. Experiments are conducted using various sizes of the turbofan engines data to compare the performance on small datasets between the proposed model and a baseline model. In addition, studies were carried out to improve the proposed model's performance via applying various literature approaches. The results demonstrate that our model can be used in fault diagnosis and provide satisfying prediction results with fewer data with comparable performances against state-of-art methods for RUL prediction.