TR201906067A2 - İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem - Google Patents
İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem Download PDFInfo
- Publication number
- TR201906067A2 TR201906067A2 TR2019/06067A TR201906067A TR201906067A2 TR 201906067 A2 TR201906067 A2 TR 201906067A2 TR 2019/06067 A TR2019/06067 A TR 2019/06067A TR 201906067 A TR201906067 A TR 201906067A TR 201906067 A2 TR201906067 A2 TR 201906067A2
- Authority
- TR
- Turkey
- Prior art keywords
- data
- equipment
- allows
- server
- erp system
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000012546 transfer Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 18
- 238000010276 construction Methods 0.000 abstract description 14
- 230000007257 malfunction Effects 0.000 abstract description 10
- 238000012517 data analytics Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 8
- 230000008439 repair process Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
Buluş konusu yöntem ile mobil cihaz (10) üzerinde çalışan bir mobil uygulama vasıtasıyla alınan iş makinalarına ilişkin tip, model, çalışma saati, çalışma koşulları, bakım tarihçesi gibi verilerin yanı sıra bir veri aktarım cihazı (30) vasıtasıyla alınan sensör verilerinin de makina öğrenmesi yöntemleriyle bir sunucuda (50) işlenerek bakım öngörüsünde bulunulması ve veri analitiği alt yapısının geliştirilmesi sağlanmaktadır. İş makinalarında meydana gelecek olası arızaların önceden tespit edilerek gerekli önlemlerin alınmasına imkân veren bir çevrimiçi arıza tahminleme yöntemi anlatılmaktadır.
Description
TARIFNAME
is MAKINELERINDE ARIZA TAHMINI YAPILMASINA ILISKIN BIR SISTEM VE YÖNTEM
Teknik Alan
Bulus, müsteri ekipmanlarina iliskin eski servis kayitlari ve anlik olarak alinan fiziksel verilerin makina
ögrenmesi yöntemleriyle islenerek uzun periyotlarda ariza tahmini yapilmasina ve bu sayede ilgili is
birimleriyle paylasilmasina imkân veren bir sistem ve yöntemle ilgilidir.
Daha belirgin olarak mevcut bulus; mobil cihaz üzerinde çalisan bir mobil uygulama ve bilgi islem
cihazi üzerinde çalisan bir platform vasitasiyla elde edilen is makinalarina iliskin tip, model, çalisma
saati, çalisma kosullari, bakim tarihçesi gibi verilerin yani sira bir veri aktarim cihazi vasitasiyla alinan
sensör verilerinin makina ögrenmesi yöntemleriyle islenerek bakim öngörüsünde bulunulmasi ve veri
analitigi altyapisinin gelistirilmesine imkân veren bir yöntemle ilgilidir.
Daha belirgin olarak mevcut bulus, is makinalarinda meydana gelebilecek olasi arizalarin önceden
tespit edilerek gerekli önlemlerin alinmasina imkân veren bir çevrimiçi ariza tahminleme yöntemiyle
Teknigin Bilinen Durumu
Teknolojinin gelismesiyle makinalarin hayatimizdaki yeri her geçen gün artmaktadir. Birçok alanda
yer edinmis olan makinalar belirli periyotlarla servise götürülmekte ve bu sayede gerekli bakim ve
kontroller yapilarak arizalarin giderilmesi saglanmaktadir. Yapilan bakimlar makinalarin ömrünü
uzatmaktadir. Makinalardaki arizalarin giderilip düzgün bir sekilde çalismalarinin saglanmasi is gücü,
zaman ve maliyet açisindan oldukça önemlidir.
Her çalisan makina gibi, is makinalari da zaman zaman arizalanmakta ve tamir ihtiyaci olusmaktadir.
Son kullanicilar için üretilen makinalardan farkli olarak is makinalarinin tamir süreçleri makinalarin
çalismasini engelleyerek islerin yapilamaz hale gelmesine, is planinda aksaklik yasanmasina neden
olmaktadir. Bu bakimdan, is makinalarinda meydana gelebilecek arizalarin önceden tespit edilmesi
sorunlarin daha kritik bir hale gelmeden çözülmesini saglayacaktir.
Makinanin is göremez hale gelmeden önce yapilabilen bakim islemleri, makinanin çalismadigi süreyi
minimize ederek isletmecinin is kayiplarini engelleyecektir. Ayni zamanda olasi sorunlar kronik
asamaya gelmeden tahmin edildiginde tamir ve bakim islemleri daha hizli yapilarak maliyetleri de
düsecektir. Bu sebeple, ariza sürelerini ve sikligini tahmin eden birçok sistem gelistirilmistir. Bu
sistemler genellikle tek bir makinaya iliskin ariza tahmini yapmaktadirlar. Çok sayida is makinasina
iliskin verilerin dinamik olarak alinmasi mümkün olmamaktadir. Bir diger sorun ise söz konusu
sistemlerde önceden tanimlanmis prosedürlere göre kosulsuz olarak ariza tespiti yapilmasidir.
Örnegin makinanin yag sensörü yandiginda bu durum dogru kabul edilerek yagi degistirilmektedir.
Sensörde ariza olma ihtimali göz ardi edilmektedir. Mevcuttaki tahmin sistemleri spesifik olarak hangi
parçalarin arizalanacagini da tahmin edememektedir. Ek olarak bir ay sonrasi gibi uzun bir periyot
için ariza oraninin tespit edilmesi de saglanamamaktadir. Onarim maliyetlerinin yüksek olmasi ve
onarim süresince makinalarin is görememesinden dolayi makinalarin arizalanmasi isletmeciye hem
zamandan hem de ekonomik açidan kayip olusturmaktadir. Sistemin bu kaybin minimize edilmesini
saglamasiyla; isletmecilerin tamir giderlerini minimize etmesi hem ekonomik hem de zaman
açisindan avantaj saglayacaktir.
Bu durum, müsterilerin kullandiklari makinalara iliskin müsteri portföyündeki kullanim istatistikleri,
makina modeline özel genel kullanim istatistikleri ve çalisma kosullari gibi parametrelerin
degerlendirilerek olasi sorunlari önceden tahmin etmeyi saglayacak bir yöntemin gelistirilmesini
gerekli kilmistir.
DE10235525 nolu patent dokümaninda motorlu bir tasitin durumunun izlenmesi için bir yöntemden
bahsedilmektedir. Bu sebeple veri madenciligi teknolojileri ve makina ögrenmesi yöntemleri
kullanilmaktadir. Ancak burada, müsteri ekipmanlarina iliskin eski servis kayitlari ve anlik olarak
alinan fiziksel verilerin makina ögrenmesi yöntemleriyle islenerek uzun periyotlarda ariza tahmini
yapilmasina ve bu sayede ilgili is birimleriyle paylasilmasina imkân veren bir yöntemden
bahsedilmesi söz konusu olmamaktadir.
edilmesine iliskin bir yöntemden bahsedilmektedir. Bir ekipman bakim sistemi, her ekipman
parçasinin bir ekipman modelini ve bilesenlerini olusturmaktadir. Ekipman bakim sistemi seçilen bir
istatistiksel modele dayanarak her bir bilesen için tahmini ariza bilgisini tespit edebilmekte ve
ekipmanin her bir bileseni için belirlenen tahmini ariza bilgisine dayanarak bir bakim programi da
olusturabilmektedir. Ancak burada, çok sayida ekipmana iliskin sensörden ayni anda hizli ve pratik
bir sekilde veri elde edilmesi ve eski servis kayitlarina da dayanarak makina ögrenmesi yöntemleriyle
ekipman parçasina özel olarak ariza tahmini yapilmasina imkân verilmemektedir.
U87218974 nolu patent dokümaninda bir endüstriyel islem verisinin optimize edilmesi için bir
yöntemden bahsedilmektedir. Burada, her bir sensör ögesinin endüstriyel islemin bir bölümünden
veri almasini ve alinan verilerin dogrulandigi birden fazla sensör elemanindan verilerin
toplanmasindan bahsedilmektedir. Dolayisiyla burada, mobil cihaz üzerinde çalisan bir mobil
uygulama vasitasiyla alinan is makinalarina iliskin tip, model, çalisma saati, çalisma kosullari, bakim
tarihçesi gibi verilerin yani sira bir veri aktarim Cihazi ile alinan sensör verilerinin de makina
ögrenmesi yöntemleriyle islenerek bakim öngörüsünde bulunulmasi ve veri analitigi alt yapisinin
gelistirilmesinden bahsedilmemektedir.
Sonuç olarak, çok sayida is makinasina iliskin eski servis kayitlari ve anlik olarak alinan fiziksel
verilerin makina ögrenmesi yöntemleriyle dinamik olarak islenerek uzun periyotlarda ariza tahmini
yapilmasina ve bu sayede ilgili is birimleriyle paylasilmasina olan gereksinim mevcut bulus konusu
çözümün ortaya çikmasini gerekli kilmistir.
Bulusun Amaci ve Kisa Açiklamasi
Bulusun amaci, müsteri ekipmanlarina iliskin eski servis kayitlari ve anlik olarak alinan fiziksel
verilerin makina ögrenmesi yöntemleriyle islenerek ariza tahmini yapilmasina ve bu sayede ilgili is
birimleriyle paylasilmasina imkân veren bir sistem ve yöntem ortaya koymaktir.
Bulusun bir baska amaci; mobil cihaz üzerinde çalisan bir mobil uygulama vasitasiyla alinan çok
sayida is makinasina iliskin tip, model, çalisma saati, çalisma kosullari, bakim tarihçesi gibi verilerin
yani sira bir veri aktarim cihazi vasitasiyla alinan sensör verilerinin makina ögrenmesi yöntemleriyle
islenerek bakim öngörüsünde bulunan ve veri analitigi alt yapisinin gelistirilmesine imkân veren bir
yöntem ortaya koymaktir.
Bulusun bir baska amaci; is makinalarinda meydana gelecek olasi arizalarin önceden tespit edilerek
gerekli önlemlerin alinmasina imkân veren bir çevrimiçi ariza tahminleme yöntemi ortaya koymaktir.
Bulusun bir baska amaci; çok sayida is makinasina iliskin sensörden dinamik bir sekilde fiziksel veri
alinarak pratik ve hizli bir sekilde ariza tahminlemesi yapilmasina imkân verilen bir sistem ve yöntem
ortaya koymaktir.
Bulusun bir baska amaci; bir ay ve sonrasi gibi uzun periyotlarda ariza tahmini yapilmasina imkân
veren bir yöntem ortaya koymaktir.
Bulusun bir baska amaci; is makinasi henüz arizalanmadan yedek parçasinin temin edilerek
degistirilmesi ve bu sayede is planindaki aksakligin önüne geçilmesidir.
Bulusun bir baska amaci; ariza tahminlerine iliskin verilerin otomatik olarak bir ERP sistemi
vasitasiyla müsteri veya satis ekibi ile paylasilmasinin saglanarak gerekli önlemlerin alinmasidir.
Bulusun bir baska amaci; makinalarin çalisamaz olduklari zamanin en aza indirilmesi ve parça
bazinda ariza tahmini yapilmasi sayesinde stok maliyetlerinin düsürülmesidir.
Yukaridaki amaçlari gerçeklestirmek üzere bulus; ekipmanlara ait bilgi girisi yapilabilen ve
ekipmanlarin durumlarinin takip edilmesine imkân veren bir mobil uygulama içeren en az bir mobil
cihaz, ekipmanlara ait bilgi girisi yapilabilen ve ekipmanlarin durumlarinin takip edilmesine imkân
veren bir internet platformu içeren en az bir bilgi islem cihazi, ekipmanlarin üzerinde bulunan en az
bir sensör, sensörlerden GSM ve uydu altyapisi araciligiyla verilerin alinmasina imkân veren en az
bir veri aktarim cihazi, çesitli verilerin saklanmasina ve islenmesine imkân veren bir ERP sistemi,
farkli ortamlar arasindaki veri alisverisinin saglanmasina imkân veren bir veri ambari, makina
ögrenmesi yöntemleri kullanilarak tahmin algoritmalarinin gelistirilmesine imkân verilen en az bir
sunucu, bahsedilen sunucuya iliskin sürekli iyilestirme islemlerine imkân veren bir ögrenme bileseni
ve bir tahmin bileseni, tahmin algoritmalarinin sonuçlarinin is birimleri tarafindan önceden belirlenen
kriterlere göre ölçülmesini saglayan en az bir test platformu, tahmin verilerinin analiz edilmesine
imkân veren en az bir bulut sunucu bilesenlerini ihtiva eden bir sistem ortaya koymaktadir.
Bulus konusu sistemde ayrica; sunucu içerisinde bulunan bir ögrenme bileseninde islenen verilerin
belirli saatlerde bir tahmin bilesenine aktarilmakta, tahmin bileseni ise anlik olarak ERP sistemi ile
entegrasyon halinde olmaktadir.
Bulus, müsteri ekipmanlarina iliskin verilerin makina ögrenmesi yöntemleriyle islenerek ariza tahmini
yapilmasina imkân veren bir yöntem olup, asagidaki islem adimlarini içermektedir:
- ekipmanlara iliskin verilerin mobil cihazlarda yüklü olan bir mobil uygulama ve bilgi islem
cihazlari üzerinde çalisan bir internet platformu vasitasiyla ERP sistemine kayit
edilmesinin saglanmasi,
- ekipmanlarin üzerinde bulunan sensörlerden GSM ve uydu teknolojileri sayesinde bir veri
aktarim cihazi vasitasiyla alinan verilerin bir veri ambari araciligi ile ERP sisteminde
saklanmak üzere gönderilmesi,
- ERP sisteminde söz konusu verilerin düzenli olarak yapilan detayli analiz sonuçlariyla
istatiksel veri dönüstürme yöntemleri kullanilarak modellemeye uygun formata getirilmesi,
- ERP sisteminin makina ögrenmesi algoritmalarinin gelistirilecegi sunucu ile
entegrasyonunun saglanmasi,
- ERP sistemi içerisindeki modellemeye uygun formattaki verilerin veri ambari araciligiyla
sunucuya gönderilmesi,
- sunucuda ERP sisteminden gelen ekipmanlara iliskin verilerin makina ögrenmesi
yöntemleri kullanilarak muhtemel arizalarin tahmin edilmesi,
- kullanilan algoritmalarin sonuçlarinin is birimleri ile önceden belirlenecek olan performans
kriterlerine göre test platformunda ölçülmeleri,
- ekipmanlara iliskin tahmin verilerinin sunucudan veri ambari araciligi ERP sistemine
gönderilmesi,
- tahmin verilerinin ERP sisteminden bir veri ambari araciligi ile bulut sunucuya
gönderilerek tahmin verilerinin analiz islemlerine tabi tutulmasi,
- tahmin verilerinin bir veri ambari araciligi ile mobil cihaz ve bilgi islem cihazina
gönderilmesi,
- mobil cihazda bulunan uygulama ve bilgi islem cihazlarinda bulunan internet platformu
araciligiyla tahmin verilerinin ilgili birimlerle paylasilmasi.
Bulus konusu yöntemde; bir ögrenme bileseninde kendi içinde hatalarindan ögrenme islemi
gerçeklestirilirken, tahmin bileseninin anlik olarak verilerin islenmesini saglayarak veri ambari ile ERP
sistemine aktarimda bulunmasi ile sürekli iyilestirme islemleri yapilmaktadir.
Bulus konusu yöntemin bir baska yapilanmasinda; çok sayida müsteri ekipmanina iliskin sensörden
nesnelerin interneti teknolojileri kullanilarak çevrimiçi olarak veri alinabilmesi, alinan verilere GPS
verilerinin de eklenerek GSM agi araciligi ile TCP protokolü üzerinden ilgili kuruma ait ERP sistemi
sunucularina gönderilmesi ve bahsedilen verilerin bir mesaj dagitici uygulama araciligi ile tüketici
uygulamalara gönderilmesi adimlari yer alir.
Sekillerin Kisa Açiklamasi
Sekil 1 de bulus konusu yönteme iliskin sistem bilesenleri ve aralarindaki iliski görülmektedir.
Referans Numaralari
. Mobil Cihaz
. Sensör
. Veri Aktarim Cihazi
40. ERP Sistemi
41 .Veri Ambari
50. Sunucu
51 .Ögrenme Bileseni
52. Tahmin Bileseni
60. Test Platformu
70. Bulut Sunucu
80. Bilgi Islem Cihazi
Bulusun Detayli Açiklamasi
Bulus, müsteri ekipmanlarina iliskin eski servis kayitlari ve anlik olarak alinan fiziksel verilerin makina
ögrenmesi yöntemleriyle islenerek uzun periyotlarda ariza tahmini yapilmasina ve bu sayede ilgili is
birimleriyle paylasilmasina imkân veren bir sistem ve yöntemle ilgilidir.
Söz konusu bulusta, mobil cihaz (10) üzerinde çalisan bir mobil uygulama ve bilgi islem cihazi (80)
üzerinde çalisan bir internet platformu vasitasiyla alinan is makinalarina iliskin tip, model, çalisma
saati, çalisma kosullarii bakim tarihçesi gibi verilerin yani sira bir veri aktarim cihazi (30) vasitasiyla
alinan sensör (20) verilerinin de makina ögrenmesi yöntemleriyle bir sunucuda (50) islenmesiyle
bakim öngörüsünde bulunulmakta ve veri analitigi alt yapisi gelistirilmektedir. Bahsedilen sunucuya
(50) iliskin ögrenme bileseni (51) içerisinde, veriler günlük olarak islenmektedir. Tahmin bileseni (52)
içerisinde ise anlik olarak veri islenmesi gerçeklestirilmektedir.
Bulus konusu yönteme iliskin sistem bilesenleri ve aralarindaki iliski sekil 1'de görülmektedir. Söz
konusu sistem genel olarak; müsterilerin kendi makina filolarina ait bilgileri girebilecekleri ve
makinalarinin durumlarini takip edebilecekleri bir mobil uygulama içeren en az bir mobil cihaz (10)
ve bir internet platformu içeren en az bir bilgi islem cihazi (80), makinalarin üzerinde bulunan en az
bir sensör (20), sensörlerden (20) GSM ve uydu alt yapisi araciligiyla verilerin alinmasina imkan
veren en az bir veri aktarim cihazi (30), çesitli verilerin tutuldugu ve islendigi bir ERP sistemi (40),
farkli ortamlar arasindaki veri alisverisinin saglanmasina imkan veren bir veri ambari (41), makina
ögrenme yöntemleri kullanilarak tahmin algoritmalarinin gelistirilmesine imkan verilen en az bir
sunucu (50), bahsedilen sunucuya iliskin ögrenme bileseni (51) ve tahmin bileseni (52), tahmin
algoritmalarinin sonuçlarinin is birimleri tarafindan önceden belirlenen kriterlere göre ölçülmesini
saglayan en az bir test platformu (60), tahmin verilerinin analiz edilmesine imkan veren en az bir bulut
sunucu (70) bilesenlerini ihtiva etmektedir.
Bulus konusu yöntemle on binlerce is makinasindan anlik olarak veri alinmasi saglanmaktadir.
Sensörlerden (20) veri elde edilebilmesi için is makinalarinin üzerine veri aktarim cihazlari (30)
yerlestirilmektedir. Bu sayede sensörlerden (20) GSM ve uydu teknolojileri ile nesnelerin interneti
teknolojileri (IOT-Internet of Things) kullanilarak çevrimiçi olarak anlik bilgi alinabilmektedir. Alinan
verilere GPS verileri de eklenerek GSM/GPRS araciligi ile TCP (Transmission Control Protocol)
protokolü üzerinden ilgili kuruma ait ERP sistemi (40) sunucularina gönderilmektedir. Daha sonra bu
veriler bir mesaj dagitici (Message Broker) uygulama araciligi ile karmasik olay isleme, IoT veritabani
gibi tüketici uygulamalara gönderilmektedir.
Yöntemin bir örnegi olarak is makinalari üzerindeki uygulamasi anlatilmakla beraber kisitlayici
olmayip diger makina ve ekipmanlar için de uygulanabilmektedir. Mevcut bir makina havuzunda
efektif tahminleme gerçeklestirilmektedir. Herhangi bir makina havuzuna uygulandiginda, yeterli
geçmis makina verileri olmasi durumunda ayni islevi sunabilecektir. Is makinalari bazinda
gelistirilecek olan sistem, diger tip makinalara da uygulanabilme potansiyeli tasimaktadir.
Mevcut bulusta öncelikle müsteriler, kendi is makinalarina iliskin verilerin mobil cihazlarda (10) yüklü
olan bir mobil uygulama ve bilgi islem cihazlari (80) üzerinde çalisan bir internet platformu vasitasiyla
ERP sistemine (40) kayit edilmesini saglamaktadirlar. Gelistirilen mobil uygulama ve internet
platformu ile müsterilerden güncel verilerin alinmasinin yani sira müsterilere makinalariyla ilgili
bilgilendirme de yapilmaktadir. Söz konusu makinalar, sayisi on binlere varan büyük bir filo
olusturmaktadir. Makinalarin üzerinde makinalarin mevcut durumlarina iliskin çesitli sensörler (20)
bulunmaktadir. Bahsedilen sensörlerden (20) GSM ve uydu teknolojileri sayesinde bir veri aktarim
cihazi (30) vasitasiyla alinan veriler bir veri ambari (41) araciligi ile ERP sistemine (40) saklanmak
üzere gönderilmektedir. ERP sisteminde (40), söz konusu veriler devamli olarak istatiksel veri
dönüstürme yöntemleriyle modellemeye uygun hale getirilmektedir. Kümeleme, toplama, özet sonuç
çikarma, transpoz alma ve esleme gibi çesitli istatiksel veri dönüstürme yöntemleri kullanilmaktadir.
ERP sisteminin (40), algoritmanin gelistirilecegi R programlama dilinin kullanildigi sunucularla (50)
entegrasyonu bulunmaktadir. ERP sistemi (40) ve sunucu (50) paralel olarak çalismaktadir. ERP
sistemi (40) içerisindeki veriler modellemeye hazir formata çevrilerek veri ambari araciligiyla (41)
sunucuya (50) gönderilmektedir. Bahsedilen sunucularda (50). ERP sisteminden (40) gelen
makinalara iliskin veriler makina ögrenmesi yöntemleri kullanilarak muhtemel arizalar tahmin
edilmektedir. Kendi kendine ögrenen bir sistem olmasi amaciyla çift algoritma kullanilmaktadir.
Algoritmalardan biri, ögrenme bileseninde (51) kendi içinde hatalarindan ögrenme islemini
gerçeklestirirken, digeri tahmin bileseninde (52) verilerin anlik olarak islenmesini saglayarak veri
ambari (41) ile ERP sistemine (40) aktarimda bulunmaktadir. Ögrenme bileseninde (51) islenen
veriler belirli saatlerde tahmin bilesenine (52) aktarilmaktadir. Tahmin bileseni (52) ise anlik olarak
ERP sistemi (40) ile entegrasyon halindedir. Gerekli algoritmalar R programlama dilinde
yazilmaktadir. Algoritma olarak Gradient Boosting algoritmasi kullanilmaktadir. Basari ölçütü olarak
ise AUC (Area Under the Curve) istatistigi uygulanmaktadir. Kullanilan algoritmalarin sonuçlari is
birimleri ile önceden belirlenecek olan performans kriterlerine göre test platformunda (60)
ölçülmektedir. Basari ölçütü AUC istatistigine göre %70 olarak belirlenmistir. Gerekli durumlarda yeni
veri kaynaklari taranarak algoritma gelistirme süreci güncellenmektedir. Bu sayede sürekli iyilestirme
çalismalari yapilmis olmaktadir. Makinalara iliskin tahmin verileri sunucudan (50) veri ambari (41)
vasitasiyla ERP sistemine (40) gelmektedir. Buradan da tahmin verileri analiz islemlerine tabi
tutulmak üzere bulut sunucuya (70) gönderilmektedir. Ayni zamanda veri ambari (41) araciligi ile
ERP sisteminden (40) alinan tahmin verileri müsterilerin mobil cihazlarinda (10) bulunan uygulama
ve bilgi islem cihazlarinda (80) bulunan internet platformu araciligiyla ilgili birimlerle paylasilmaktadir.
Söz konusu bulus ile is makinalarinin olasi arizalari önceden tahmin edilerek makina parçalari henüz
arizalanmadan yedek parça siparis edilebilecek ve gerekli bakimlar yapilip önlemler alinarak ariza
giderilecektir. Arizalarin önceden tahmin edilebilmesi ile kronik duruma gelmeden müdahale sansi
olusmus olacak ve bu sayede makinalarin ömrü uzayacak, isletmecinin makinanin tamiri için ayirmak
zorunda kaldigi makinanin çalisamaz oldugu zamanlar en aza indirgenebilecektir.
Müsterilerden elde edilen makina bilgileri ve makinalarin üzerinde mevcut olan sensörlerden (20)
gelen veriler anlik olarak makina ögrenmesi algoritmalariyla islenerek ariza tahmini yapilarak is birimi
ve müsterilere deger olarak yansitilmaktadir. Söz konusu yöntemde diger yöntemlerden farkli olarak
hem sensör (20) verilerinden hem de geçmis servis verilerinden faydalanilmaktadir. Bu sayede
önceden tanimlanmis prosedürlere dayali ezbere bir tahmin yapilmamaktadir.
Geçmise yönelik veriler kullanilarak makinalardan alinan sinyaller ve ekipman bilgileriyle bu
sinyallere karsi nasil bir servis sunuldugu incelenmektedir. Bu girdi ve çiktilarla makinalar
arizalanmadan, ariza tahmininin yapilabildigi bir sistem gelistirilmistir. Bulus konusu yöntemle elde
edilen tahmin basarisi %85'tir.
Claims (1)
- ISTEMLER Bulus, müsteri ekipmanlarina iliskin verilerin makina ögrenmesi yöntemleriyle islenerek ariza tahmini yapilmasina imkân veren bir sistem olup, özelligi; ekipmanlara ait bilgi girisi yapilabilen ve ekipmanlarin durumlarinin takip edilmesine imkân veren bir mobil uygulama içeren en az bir mobil cihaz (10), - ekipmanlara ait bilgi girisi yapilabilen ve ekipmanlarin durumlarinin takip edilmesine imkân veren bir internet platformu içeren en az bir bilgi islem cihazi (80), - ekipmanlarin üzerinde bulunan en az bir sensör (20), - sensörlerden (20) GSM ve uydu altyapisi araciligiyla verilerin alinmasina imkân veren en az bir veri aktarim cihazi (30), - çesitli verilerin saklanmasina ve islenmesine imkân veren bir ERP sistemi (40), - farkli ortamlar arasindaki veri alisverisinin saglanmasina imkân veren bir veri ambari (41), makina ögrenmesi yöntemleri kullanilarak tahmin algoritmalarinin gelistirilmesine imkân - bahsedilen sunucuya (50) iliskin sürekli iyilestirme islemlerine imkân veren bir ögrenme bileseni (51) ve bir tahmin bileseni (52), - tahmin algoritmalarinin sonuçlarinin is birimleri tarafindan önceden belirlenen kriterlere göre ölçülmesini saglayan en az bir test platformu (60), - tahmin verilerinin analiz edilmesine imkân veren en az bir bulut sunucu (70) bilesenlerini ihtiva etmesiyle karakterize edilmesidir. Istem 1'e göre ariza tahmini yapilmasina imkan veren bir sistem olup, özelligi; sunucu (50) içerisinde bulunan ögrenme bileseninde (51) islenen verilerin belirli saatlerde tahmin bilesenine (52) aktarilmasi, tahmin bileseninin ise (52) anlik olarak ERP sistemi (40) ile entegrasyon halinde olmasi ile karakterize edilmesidir. Bulus, müsteri ekipmanlarina iliskin verilerin makina ögrenmesi yöntemleriyle islenerek ariza tahmini yapilmasina imkân veren bir yöntem olup, özelligi; - ekipmanlara iliskin verilerin mobil cihazlarda (10) yüklü olan bir mobil uygulama ve bilgi islem cihazlari (80) üzerinde çalisan bir internet platformu vasitasiyla ERP sistemine (40) kayit edilmesinin saglanmasi, - ekipmanlarin üzerinde bulunan sensörlerden (20) GSM ve uydu teknolojileri sayesinde bir veri aktarim cihazi (30) vasitasiyla alinan verilerin bir veri ambari araciligi ile ERP sisteminde (40) saklanmak üzere gönderilmesi, - ERP sisteminde (40) söz konusu verilerin düzenli olarak yapilan detayli analiz sonuçlariyla istatiksel veri dönüstürme yöntemleri kullanilarak modellemeye uygun formata getirilmesi, - ERP sisteminin (40) makina ögrenmesi algoritmalarinin gelistirilecegi sunucu ile (50) entegrasyonunun saglanmasi, - ERP sistemi (40) içerisindeki modellemeye uygun formattaki verilerin veri ambari araciligiyla (41) sunucuya (50) gönderilmesi, - sunucuda (50) ERP sisteminden (40) gelen ekipmanlara iliskin verilerin makina ögrenmesi yöntemleri kullanilarak muhtemel arizalarin tahmin edilmesi, - kullanilan algoritmalarin sonuçlarinin is birimleri ile önceden belirlenecek olan performans kriterlerine göre test platformunda (60) ölçülmeleri, - ekipmanlara iliskin tahmin verilerinin sunucudan (50) veri ambari (41) araciligi ERP sistemine (40) gönderilmesi, - tahmin verilerinin ERP sisteminden (40) bir veri ambari (41) araciligi ile bulut sunucuya (70) gönderilerek tahmin verilerinin analiz islemlerine tabi tutulmasi, - tahmin verilerinin bir veri ambari (41) araciligi ile mobil cihaz (10) ve bilgi islem cihazina (80) gönderilmesi, - mobil cihazda (10) bulunan uygulama ve bilgi islem cihazlarinda (80) bulunan internet platformu araciligiyla tahmin verilerinin ilgili birimlerle paylasilmasi ile karakterize edilmesidir. istem 3'e göre ariza tahmini yapilmasina imkân veren bir yöntem olup; sunucu (50) içerisinde bulunan ögrenme bileseninde (51) kendi içinde hatalarindan ögrenme islemi gerçeklestirilirken, tahmin bileseninin (52) anlik olarak verilerin islenmesini saglayarak veri ambari (41) ile ERP sistemine (40) aktarimda bulunmasi ile sürekli iyilestirme islemlerinin yapilmasiyla karakterize edilmesidir. istem B'e göre ariza tahmini yapilmasina imkân veren bir yöntem olup; özelligi, çok sayida müsteri ekipmanina iliskin sensörden (20) nesnelerin interneti teknolojileri kullanilarak çevrimiçi olarak veri alinabilmesi, alinan verilere GPS verilerinin de eklenerek GSM agi araciligi ile TCP protokolü üzerinden ilgili kuruma ait ERP sistemi (40) sunucularina gönderilmesi ve bahsedilen verilerin bir mesaj dagitici uygulama araciligi ile tüketici uygulamalara gönderilmesiyle karakterize edilmesidir. istem 3'e göre ariza tahmini yapilmasina imkân veren bir yöntem olup; özelligi, sensörlerden (20) gelen fiziksel verilere ek olarak ekipmanlarin geçmis dönemlere ait servis kayit verilerinden de faydalanilarak makina ögrenmesi yöntemleri ile ariza tahmini yapilmasiyla karakterize edilmesidir.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2019/06067A TR201906067A2 (tr) | 2019-04-24 | 2019-04-24 | İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem |
EP20795580.8A EP3959573A4 (en) | 2019-04-24 | 2020-04-22 | SYSTEM AND METHOD FOR ASSESSING MALFUNCTION IN HEAVY EQUIPMENT |
PCT/TR2020/050343 WO2020218997A1 (en) | 2019-04-24 | 2020-04-22 | A system and method for estimation of malfunction in the heavy equipment |
US17/605,833 US20220207493A1 (en) | 2019-04-24 | 2020-04-22 | A system and method for estimation of malfunction in the heavy equipment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2019/06067A TR201906067A2 (tr) | 2019-04-24 | 2019-04-24 | İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem |
Publications (1)
Publication Number | Publication Date |
---|---|
TR201906067A2 true TR201906067A2 (tr) | 2020-11-23 |
Family
ID=72941740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TR2019/06067A TR201906067A2 (tr) | 2019-04-24 | 2019-04-24 | İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220207493A1 (tr) |
EP (1) | EP3959573A4 (tr) |
TR (1) | TR201906067A2 (tr) |
WO (1) | WO2020218997A1 (tr) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6609051B2 (en) | 2001-09-10 | 2003-08-19 | Daimlerchrysler Ag | Method and system for condition monitoring of vehicles |
US7218974B2 (en) | 2005-03-29 | 2007-05-15 | Zarpac, Inc. | Industrial process data acquisition and analysis |
US8494826B2 (en) | 2010-01-13 | 2013-07-23 | The United States Postal Service | Systems and methods for analyzing equipment failures and maintenance schedules |
US9438648B2 (en) * | 2013-05-09 | 2016-09-06 | Rockwell Automation Technologies, Inc. | Industrial data analytics in a cloud platform |
WO2016118979A2 (en) * | 2015-01-23 | 2016-07-28 | C3, Inc. | Systems, methods, and devices for an enterprise internet-of-things application development platform |
US10984338B2 (en) * | 2015-05-28 | 2021-04-20 | Raytheon Technologies Corporation | Dynamically updated predictive modeling to predict operational outcomes of interest |
JP6148316B2 (ja) * | 2015-07-31 | 2017-06-14 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
US20170076209A1 (en) * | 2015-09-14 | 2017-03-16 | Wellaware Holdings, Inc. | Managing Performance of Systems at Industrial Sites |
EP3642714B1 (en) * | 2017-06-23 | 2023-03-15 | JPMorgan Chase Bank, N.A. | System and method for predictive technology incident reduction |
-
2019
- 2019-04-24 TR TR2019/06067A patent/TR201906067A2/tr unknown
-
2020
- 2020-04-22 US US17/605,833 patent/US20220207493A1/en active Pending
- 2020-04-22 WO PCT/TR2020/050343 patent/WO2020218997A1/en unknown
- 2020-04-22 EP EP20795580.8A patent/EP3959573A4/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3959573A1 (en) | 2022-03-02 |
WO2020218997A1 (en) | 2020-10-29 |
EP3959573A4 (en) | 2022-06-15 |
US20220207493A1 (en) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112086B (zh) | 一种基于边缘计算和标识解析的智能生产系统 | |
US20200067789A1 (en) | Systems and methods for distributed systemic anticipatory industrial asset intelligence | |
US20130178970A1 (en) | Method and system for providing monitoring characteristics in an soa based industrial environment | |
US10963797B2 (en) | System for analyzing machine data | |
López-Campos et al. | Modelling using UML and BPMN the integration of open reliability, maintenance and condition monitoring management systems: An application in an electric transformer system | |
Schreiber et al. | Integrated production and maintenance planning for cyber-physical production systems | |
CN105531680A (zh) | 远程监视系统、远程监视方法以及程序 | |
CN104764595A (zh) | 远程诊断系统 | |
US20220057788A1 (en) | End to end smart manufacturing architecture for operational efficiency and quality control | |
BA et al. | Shop floor to cloud connect for live monitoring the production data of CNC machines | |
Bousdekis et al. | A real-time architecture for proactive decision making in manufacturing enterprises | |
CN109586946B (zh) | 异常处理方法、装置及计算机可读存储介质 | |
Thakur et al. | Total productive maintenance | |
TR201906067A2 (tr) | İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem | |
KR102489119B1 (ko) | 스마트 고장형태 영향분석 시스템 및 이를 이용한 공정관리 시스템 및 방법 | |
Helo et al. | Role of technology in servitization | |
US10235447B2 (en) | Method and system for co-operative intelligent HMIs for effective process operations | |
Makarova et al. | Development of the integrated information environment to connect manufacturer and its dealer and service network | |
Vicêncio et al. | An intelligent predictive maintenance approach based on end-of-line test logfiles in the automotive industry | |
KR20200072069A (ko) | 모터 정보 기반 로봇 상태 정보 제공 시스템 | |
KR20190001414A (ko) | 실시간 로봇 모니터링 서비스 제공 방법, 서버 및 프로그램 | |
US20240054425A1 (en) | Methods and systems for real-time recommendations for optimized operations | |
US20240112134A1 (en) | System and method for template creation, configuration, and identification | |
EP4322086A1 (en) | Methods and systems for real-time recommendations for optimized operations | |
Teixeira et al. | Maintenance Data Management for Condition-Based Maintenance Implementation |