Edge Computing Assisted Anomaly Detection in IoT Systems

Öz

In industrial applications, studies are carried out on systems that no longer need human control and can communicate with each other while working continuously. However, unexpected failures in these systems disrupt the production process. Unplanned failures, insufficient spare parts stock and part supply time are also factors that hinder the continuity of production. Another problem in industrial applications is the resources wasted by the systems due to insufficient efficiency. As a result, the system that does not work efficiently consumes unnecessary resources, while replacing it while efficient equipment is available during maintenance periods increases the cost. However, regular maintenance cannot prevent the system from malfunctioning. This is due to the fact that the system cannot be monitored in real time, it is not known what or what caused the error. Within the scope of this project, with IoTSBDAT (Border Information Assisted Anomaly Detection in IoT Systems) technology, the equipment involved in the production process will be converted into node points with the Internet of Things (IoT) and real-time data will be obtained from each equipment. The values obtained from the equipment are combined under the name of border computing and trained in real time with data from local points through artificial intelligence. The training results and the data needed by the system are stored here first, then the data analyzed at the boundary layer is transferred to be stored in the cloud layer. The IoTSBDAT study makes real-time monitoring of systems possible, while AI aims to detect equipment-induced failures. In the event of problems with cloud systems or any disconnection in data transmission at local points, data is stored in the boundary computing layer, preventing data loss by transferring stored data to the cloud when the system normally returns. As a result of real-time monitoring of the system, failures are foreseen and the necessary spare parts supply and maintenance intervals are planned and maintenance costs are reduced while saving the resources used.

Anahtar Kelimeler

• Artificial Intelligence
• Internet of Things (IoT)
• Anomaly Detection
• Edge Computing
• Predictive Care.

IoT Sistemlerde Sınır Bilişim Destekli Anomali Tespiti

Öz

Endüstriyel uygulamalarda artık insan denetimine ihtiyaç duymayan, sürekli çalışırken aynı zamanda da birbirleriyle iletişim kurabilen sistemler üzerine çalışmalar yapılmaktadır. Fakat bu sistemlerde yaşanan beklenmedik arızalar üretim sürecini sekteye uğratmaktadır. Arızaların plansız olması, yedek parça stokunun bulunmaması, parça tedarik süresi gibi durumlar da üretimin devamlılığını engelleyen faktörlerdir. Endüstriyel uygulamalarda bir diğer sorun ise sistemlerin yeterli verimlilikte çalışmaması sebebiyle israf ettiği kaynaklardır. Bunun neticesinde verimli çalışmayan sistem gereksiz kaynak tüketimi yaparken, verimli çalışan ekipmanlar ise bakım periyotları sırasında kullanılabilecek durumda olmasına rağmen yenisi değiştirilerek maliyeti arttırmaktadır. Yine de düzenli yapılan bakımlar sistemin arıza yapmamasına engel olamamaktadır. Bunun nedeni sistemin gerçek zamanlı takip edilememesinden, arızaya ne veya nelerin sebep olduğunun bilinmemesidir. Bu proje kapsamındaki IoTSBDAT (IoT Sistemlerde Sınır Bilişim Destekli Anormallik Tespiti) teknolojisi ile üretim sürecinde yer alan ekipmanlar nesnelerin internetine (IoT) sahip düğüm noktalarına dönüştürülerek her ekipmandan gerçek zamanlı veri alınacaktır. Ekipmandan gelen değerler sınır bilişim adı altında birleştirilerek yapay zekâ vasıtasıyla yerel noktalardaki veriler ile gerçek zamanlı olarak eğitilir. Eğitim sonuçları ve sistemin gerek duyduğu veriler önce burada depolanır, daha sonra sınır katmanında analiz edilen veriler bulut katmanında depolanmak üzere aktarılır. IoTSBDAT çalışması sistemlerin gerçek zamanlı izlenmesini mümkün hale getirirken yapay zekâ sayesinde ekipman kaynaklı arızaların tespitini amaçlamaktadır. Bulut sistemlerinde yaşanan problemlerde veya yerel noktalardaki veri iletiminde herhangi bir kopukluk olması durumunda ise sınır bilişim katmanında veriler saklanır sistem normalde döndüğünde depolanan veriler buluta aktarılarak veri kaybı engellenir. Sistemin gerçek zamanlı izlenmesi neticesinde arızalar önceden kestirilerek gerekli yedek parça tedariki ve bakım aralıkları planlanır, kullanılan kaynaklardan tasarruf edilirken bakım harcamalarındaki maliyetleri düşürmeyi hedeflemektedir.

Anahtar Kelimeler

• Yapay Zekâ
• Nesnelerin İnterneti (IoT)
• Anormallik Tespiti
• Sınır Bilişim
• Kestirimci Bakım.

Kaynakça

1. D. R. Dündar, İ. Sariçİçek, E. Çinar, and A. Yazici, “Kestirimci Bakımda Makine Öğrenmesi : Literatür Araştırması Machine Learning In Predictive Maintenance : Literature Research,” vol. 29, no. 2, pp. 256–276, 2021.
2. I. Lopes et al., “Requirements specification of a computerized maintenance management system–a case study,” Procedia Cirp, vol. 52, pp. 268–273, 2016.
3. A. I. Vlasov, P. V Grigoriev, A. I. Krivoshein, V. A. Shakhnov, S. S. Filin, and V. S. Migalin, “Smart management of technologies: Predictive maintenance of industrial equipment using wireless sensor networks,” Entrep. Sustain. Issues, vol. 6, no. 2, pp. 489–502, 2018.
4. T. P. Carvalho, F. A. Soares, R. Vita, R. da P. Francisco, J. P. Basto, and S. G. S. Alcalá, “A systematic literature review of machine learning methods applied to predictive maintenance,” Comput. Ind. Eng., vol. 137, p. 106024, 2019.
5. Z. M. Çınar, A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael, and B. Safaei, “Machine learning in predictive maintenance towards sustainable smart manufacturing in industry 4.0,” Sustainability, vol. 12, no. 19, p. 8211, 2020.
6. A. Cachada et al., “Maintenance 4.0: Intelligent and predictive maintenance system architecture,” in 2018 IEEE 23rd international conference on emerging technologies and factory automation (ETFA), 2018, vol. 1, pp. 139–146.
7. U. Ozkaya, Ş. Öztürk, K. Tuna, L. Seyfi and B. Akdemir, "Faults Detection With Image Processing Methods In Textile Sector". in 1st International Symposium on Innovative Approaches in Scientific Studies, 2018.
8. P. Maintenance and F. O. R. Industry, “Endüstri̇ i̇çi̇n kesti̇ri̇mci̇ bakim,” vol. 1, pp. 56–66, 2019.

9. E. Sisinni, A. Saifullah, S. Han, U. Jennehag, and M. Gidlund, “Industrial internet of things: Challenges, opportunities, and directions,” IEEE Trans. Ind. informatics, vol. 14, no. 11, pp. 4724–4734, 2018.
10. H. Rashtian and S. Gopalakrishnan, “Using deep reinforcement learning to improve sensor selection in the internet of things,” IEEE Access, vol. 8, pp. 95208–95222, 2020, doi: 10.1109/ACCESS.2020.2994600.
11. B. N. Kars, “Edge Computing Security with an IoT device,” vol. 1, no. June, pp. 14–17, 2021.
12. D. Kong, D. Liu, L. Zhang, L. He, Q. Shi, and X. Ma, “Sensor anomaly detection in the industrial internet of things based on edge computing,” Turkish J. Electr. Eng. Comput. Sci., vol. 28, no. 1, pp. 331–346, 2020, doi: 10.3906/elk-1906-55.
13. “Akım trafosu nedir? Ne işe yarar? Nasıl çalışır? Nasıl seçilir?” .
14. “Uzun / Kısa Süreli Bellek (Long / Short Term Memory) – Veri Bilimcisi.” .
15. “How to Learn Long-Term Trends with LSTM | by Michael Berk | Aug, 2021 | Towards Data Science.” .