TR201906067A2 - İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem - Google Patents

İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem Download PDF

Info

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
Application number
TR2019/06067A
Other languages
English (en)
Inventor
Sertbaş Sali̇h
Original Assignee
Borusan Makina Ve Guec Sistemleri Sanayi Ve Ticaret Anonim Sirketi
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Borusan Makina Ve Guec Sistemleri Sanayi Ve Ticaret Anonim Sirketi filed Critical Borusan Makina Ve Guec Sistemleri Sanayi Ve Ticaret Anonim Sirketi
Priority to TR2019/06067A priority Critical patent/TR201906067A2/tr
Priority to EP20795580.8A priority patent/EP3959573A4/en
Priority to PCT/TR2020/050343 priority patent/WO2020218997A1/en
Priority to US17/605,833 priority patent/US20220207493A1/en
Publication of TR201906067A2 publication Critical patent/TR201906067A2/tr

Links

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)

  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.
TR2019/06067A 2019-04-24 2019-04-24 İş maki̇neleri̇nde ariza tahmi̇ni̇ yapilmasina i̇li̇şki̇n bi̇r si̇stem ve yöntem TR201906067A2 (tr)

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)

* Cited by examiner, † Cited by third party
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

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