Edge computing-based predictive maintenance middleware for industrial IoT / Endüstriyel nesnelerin interneti için kenar bilişim tabanlı kestirimci bakım modeli

Abstract

Kenar Bilişim ve Kestirimci Bakım, Endüstriyel Nesnelerin Interneti (ENİT) araştırma alanında önemli terimler haline gelmişlerdir. Kenar Bilişim, Bulut Bilişimin bir açılımı olup buluttaki işlemci ve depolama kaynaklarının cihazlara daha yakın bir yere getirilmesi, böylece gecikme ve yüksek veri akışı gibi problemleri azaltmak için kullanılır. Kestirimci Bakım, makine öğrenimi algoritmaları yardımıyla ekipmanın çalışmasının duraksamadan hemen önce yapılan bir bakım türüdür. Kestirimci Bakım, daha az makine duraklama süresi ve daha az cihaz kullanım ömrü tüketimi ile sonuçlanarak endüstrilerin maliyetten tasarruf yapmasına yardımcı olur. Buradan, Kestirimci Bakım ve uç bilişimin birleşiminin, endüstrilerin paradan tasarruf etmek ve verimliliği artırmak için güçlü bir yol olduğu sonucu çıkar. Bu çalışmada, endüstriyel bir ortamda kullanılabilecek bir uç bilgi işlem tabanlı kestirimci bakım arakatman yazılımı geliştirilmiştir. Bu yazılım Node-RED platformu kullanılarak geliştirilmiştir. Node-RED, geliştiricilerin basit bir web tarayıcı arayüzü kullanarak hızlı bir şekilde Nesnelerin İnterneti (NİT) uygulamalarını oluşturmasına olanak tanıyan bir platformdur. Platformda Karar Ağacı, Rastgele Orman ve Destek Vektör Makineleri olmak üzere üç farklı makine öğrenmesi sınıflandırma ve regresyon algoritması kullanılmaktadır. Bu algoritmalar, sınıflandırma problemi için bir ürünün kalitesini tahmin etmekte ve regresyon problemi için bir makinenin kalan faydalı süresini tahmin etmektedir. Elde edilen bulgular, Rastgele Orman algoritmasının sınıflandırma için en yüksek doğruluğa ve f-skoruna, regresyon için en düşük ortalama mutlak ve kök ortalama karesel hatalara sahip olduğunu göstermektedir. ENİT'deki teknolojik gelişmelerle birlikte dijital ikizlere olan ilgi artmaya devam etmektedir. Dijital ikiz, fiziksel bir nesneyi veya sistemi modelleyen ve gerçek zamanlı verileri kullanarak gerçek sistemle etkili bir şekilde etkileşim sağlayan sanal bir modeldir. Dijital ikiz modelleri kullanılarak, endüstriyel uygulamaları devreye almadan önce test etmek veya daha derin analizler yapmak mümkün olabilir. Bu çalışmada ayrıca, üretim sahasındaki dijital ikizler için bir Node-RED uygulaması geliştirilmiştir. Edge Computing and Predictive Maintenance have become important terms in the research area of the Industrial Internet of Things (IIoT). Edge computing is an evolution of cloud computing that brings the computing and storage resources of a cloud closer to the devices, thus reducing problems of latency and high data influx. Predictive maintenance (PdM) is a type of maintenance that is done just before the equipment stops working with the help of machine learning algorithms. PdM results in less machine downtime and less wastage of device lifetime, therefore helping industries to save costs. It follows that a combination of PdM and edge computing is a powerful way in which industries can save money and increase efficiency. In this work, an edge computing-based predictive maintenance middleware that can be used on an industrial site is developed. The middleware is developed using the Node-RED platform. Node-RED is a platform that allows developers to quickly build Internet of Things applications using a simple web browser interface. In the middleware, three different machine learning classification and regression algorithms namely Decision Tree, Random Forest, and Support Vector Machines are used. These algorithms predict the quality of a product for the classification problem and predict the remaining useful time of a machine for the regression problem. Experimental findings show that the Random Forest algorithm has the highest accuracy and fscore for classification and the lowest Mean Absolute and Root Mean Squared errors for regression. Interest in digital twins continues to strengthen with technological advancements in Industrial IoT. A digital twin is a virtual representation that models a physical object or system and effectively provides an interaction with the real system by using real-time data. Using digital twins, models can be set up to test industrial applications before deployment or do deeper analysis. As a further part of this work, a simple Node-RED implementation for digital twins in the manufacturing site is developed. The digital twin can perform predictive maintenance tasks such as product quality prediction and anomaly detection. Important modules such as connection with the real environment, machine learning model and SMS and email notifications are successfully set up in the digital twin. It is concluded that developing a digital twin with Node-RED is feasible and the extensibility of Node-RED makes it possible to create digital twins of varying architectural complexities.