دانلود پایان نامه تشخیص ناهنجاری برای پیش بینی خرابی ها در محیط های تولیدی

1. مقدمه 2. پیشینه 3. روش ها 4. پیاده سازی 5. نتایج و آنالیز 6. بحث و بررسی

چکیده – در شرکت های تولیدی، پتانسیل جمع آوری مقادیر زیادی از داده ها از فرآیندهای تولید، به استفاده از یادگیری ماشین در زمینه نظارت و نگهداری ماشین ها، بر اساس پیش بینی، منجر شده است. با این وجود، برخی از استراتژی های تعمیر و نگهداری مرسوم عبارتند از مدیریت و بررسی واکنشی در خصوص خرابی های دستگاه یا تعمیر و نگهداری مبتنی بر برنامه که توسط پرسنل متخصص و با تجربه انجام می گیرد و هر دوی آنها برای شرکت های تولیدی زمان بر بوده و مستلزم صرف هزینه هستند. همچنین لازم به ذکر است که، ادغام تشخیص نقص و خرابی در فرآیندهای تولید، به کاهش مسائل مرتبط در زمینه استراتژی های نگهداری منابع فشرده منجر می شود. همچنین، تشخیص ناهنجاری، به فعالسازی سیستم های هشدار نگهداری بی درنگ ناشی از وقوع ناهنجاری ها منجر شده و در نتیجه مبنایی را برای نگهداری پیشگیرانه در طی مراحل تولید به وجود می آورد. با این وجود، برای درک این موضوع، ارتباط بین خرابی ماشین و ناهنجاری‌ در داده ها بایستی مورد بررسی قرار گیرد. در مدل های یادگیری ماشین، مدیریت و بررسی عدم تعادل بین خرابی و داده های شرایط کاری عادی، امر ضروری و حائز اهمیت به شمار می آید. در پژوهش حاضر، پتانسیل تشخیص ناهنجاری جهت پیش بینی خرابی های ابزار آتی یک ماشین CNC فعال بر اساس داده های سری زمانی چند متغیره گرد‌آوری شده از طریق پروتکل جمع آوری داده استاندارد MTConnect مورد بررسی قرار می گیرد. همچنین دو روش تشخیص ناهنجاری نیمه نظارت شده تحت عنوان، DeepAnT و ROCKET OCSVM نیز آزمایش شدند. همچنین آموزش و ارزیابی دو مدل بر روی سه فرآیند بخش تولید انجام گرفت و تفاوت توزیع ناهنجاری قبل از نقص و در شرایط کار نرمال ماشین مورد بررسی قرار گرفت. نتایج بدست آمده حاکی از آن است که در مقایسه با شرایط کار عادی ماشین ها، هر دو مدل در تمام خرابی های ابزار بررسی شده متعلق به سه فرآیند بخش تولید، از ناهنجاری های فراوانی قبل از خرابی برخوردار بوده اند. در مورد خرابی ابزارهای خاص، ناهنجاری ها تا هفت دوره تولید قبل از خرابی یافت شدند، اما سایر ناهنجاری های نزدیک به خرابی نیز شناسایی شدند. همچنین، یافته های بدست آمده حاکی از آن است که هر دو مدل با 100 چرخه تولید، قبل از حذف خرابی ابزار از آموزش، از عملکرد بهینه ای برخوردار بودند که حاکی از آن است که ناهنجاری های بیشتر مرتبط با خرابی یا تخریب طولانی مدت احتمالی ماشین ابزار نیز وجود دارد. در نهایت در مقایسه با روش DeepAnT ، ROCKET OCSVM با هسته RBF از قابلیت اطمینان بیشتری در جداسازی داده های شرایط کاری نرمال دستگاه CNC در برابر داده های پیش از خرابی بر اساس توزیع ناهنجاری برخوردار بوده است. در نتیجه یافته های بدست آمده حاکی از آن است که، تشخیص ناهنجاری نتایج امیدبخشی را در زمینه نمایش خرابی ماشین در آینده نشان می دهد و می تواند به عنوان مبنایی برای استراتژی های تعمیر و نگهداری پیشگیرانه ماشین ها مورد استفاده قرار گیرد. همچنین با ترکیب استراتژی های پیشگیرانه، امکان کاهش زمان از کار افتادگی ماشین، زمان تعمیر و نگهداری اپراتور، و منابع و هزینه های ناشی از خرابی ماشین نیز محقق می شود.

For manufacturing enterprises, the potential of collecting large amounts of data from production processes has enabled the usage of machine learning for prediction-based monitoring and maintenance of machines. Yet common maintenance strategies still include reactive handling of machine failures or schedule-based maintenance conducted by experienced personnel. Both of which are time-consuming and costly for manufacturing enterprises. The incorporation of anomaly detection for production processes alleviates several problems connected to these resource-intensive maintenance strategies. Anomaly detection enables real-time maintenance alarms derived from the occurrence of anomalies and thereby a foundation for proactive maintenance during manufacturing. However, to realize this, one needs to investigate the correlation between machine failure and anomalies in the data. For the machine learning models, it is also of essence to handle the imbalance between failure and normal working condition data. In this work, we investigate the potential of anomaly detection to predict future tool failures of an active CNC-machine based on multivariate time series data collected through the standardized data collection protocol MTConnect. Two semi-supervised anomaly detection methods, DeepAnT and ROCKET OCSVM, were tested. Training and evaluation of the two models were conducted on three production part processes and the difference in anomaly distribution previous to failure and in the normal machine working condition was investigated. The results showed that both models, for all the investigated tool failures belonging to the three production part processes, found an abundance of anomalies preceding failure when compared to the normal working condition of the machines. For certain tool failures, the anomalies were found as far back as seven production cycles before failure, while other anomalies were mainly uncovered close to the failure. Furthermore, it was shown that both models performed optimally with 100 production cycles before tool failures excluded from training, indicating that more anomalies further back connected to failure or possible long-term degradation of machine tools could exist. Lastly, ROCKET OCSVM with RBF kernel showed greater reliability compared to the DeepAnT method in separating the normal working condition data of the CNC machine against the pre-failure data based on anomaly distribution. In conclusion, anomaly detection shows promising results in indicating future machine failure and could serve as a foundation for proactive maintenance strategies of machines. By incorporating proactive strategies, machine downtime, operator maintenance time, and resources and expenses resulting from machine failure could be reduced.