Poincare Çizimi Ölçümlerinden Topluluk Öğrenmesi Yöntemleri Kullanılarak Proses Kontrol Sistemlerinde Arıza Tespit ve Teşhisi

Bu çalışmada, farklı kimyasal birimlere ait doğrusal olmayan süreçler içeren bir endüstriyel tesisteki 20 farklı arızanın tespiti ve sınıflandırılması yapılmıştır. Kullanılan veri seti büyük bir endüstriyel tesisten elde edilen IEEEDataPort çevrimiçi veri kümesidir. Tennessee Eastman Süreci olarak bilinen bu veri seti 20 farklı hata türü ile 52 işlem noktasından alınan ölçümleri içerir. Bu ölçümler üzerinden Poincare çizimleri elde edilerek her işlem noktası için sık kullanılan doğrusal olmayan öznitelikler çıkarılmıştır. Bu öznitelikler %5 istatistiksel anlamlılık düzeyinde tek yönlü ANOVA testine uygulanarak hata türleri arasında istatistiksel olarak anlamlı fark olduğunu gösterenler seçilmiştir. Hem tüm öznitelikler hem de sadece ANOVA ile seçilen öznitelikler beş farklı topluluk öğrenmesi algoritması (Boosted Trees, Bagged Trees, Subspace Discriminant, Subspace KNN ve RUSBoosted Trees) kullanılarak sınıflandırılmıştır. Bu çalışmada elde edilen en yüksek sınıflandırıcı doğruluğu Subspace Discriminant algor itması kulanılarak %89,5 olarak elde edilmiştir. Aynı verisetini kullanan benzer çalışmalarla kıyaslanabilir bir başarı düzeyine ulaşılmıştır. Öte yandan, ANOVA tabanlı öznitelik seçiminin bu tür endüstriyel proses tesislerinde arızaların teşhisinde bariz bir üstünlük sağlamadığı görülmüştür.