İş üzerinde optimizasyon

Günümüzde öğrenme algoritmalarıyla yüklü herhangi bir sistem, bakım maliyetlerini en aza indirecek ve çıktısını kendi kendine artıracak şekilde tasarlanabilir.

1.04.2012 00:00:000
Paylaş Tweet Paylaş
İş üzerinde optimizasyon

Örnekleri arasında gelişmiş tıbbi cihazları, enerji nakil sistemlerini, gaz türbinlerini ve rüzgar parklarını saymak mümkün. Hollywood zeki robotlar fikri üzerinden iş yapmaya bayılır. "Transformers" filmindeki kontrolden çıkmış ve tahribat verici makineleri gözünüzün önüne getirin. Oysa gerçek hayat çok farklı. Araştırmacılar günümüzde makinelere öğrenme yeteneği ve bu öğrendiklerini her zaman insanoğlunun yararına kullanma özelliği kazandırmak konusunda önemli bir ilerleme kaydetmiş durumda. Büyük ihtimalle sinema severlerin çoğu bu ilerlemelerden habersiz. New Jersey, Princeton'daki Siemens Kurumsal Teknolojiler (CT) tam da bu konu üzerinde çalışıyor. Bilgi Karar Sistemleri Programı Yöneticisi Amit Chakraborty ile birlikte çalışan bir ekip, enerji şirketleri için yeni tür bir yazılım geliştiriyor. Bu yazılım milyonlarca veri kaydını analiz ederek elektrik müşterilerinin alışkanlıklarını öğrenebilecek. Sistem nihai aşamasına geldiğinde kendi kendine enerji talebi tahminleri yapabilecek. Geleceğin "akıllı şebekeleri"nde temel hedef, enerji tüketimi ile güneş ve rüzgar tesisleri gibi öngörülemez kaynakların çıktılarını eşitlemek. Chakraborty, "Sürdürülebilir enerji sistemleri işte o zaman mevcut tüketici yükünün akımını, sürdürülebilirenerji kaynakları tarafından üretilen inişli çıkışlı akım ile dengeleyebilecek. Biz işte bu yüzden enerji şirketlerinin kusursuz planlar yapmasına olanak sağlayacak yöntemler geliştirmek zorundayız" diyor. Bu yazılım 2011 yılı bitmeden gerçek dünyadan gelen enerji tüketimi verilerini kullanan pilot bir projede test edildi. Burada temel hedef, her şeyden önce tüketicilerin enerji kullanımı profillerini ortaya çıkarmak. Bu amaçla akıllı elektrik sayaçları kullanan milyonlarca müşteriden veriler toplandı. Bu veriler ise tüketilen enerji miktarları ile ne zaman kullanıldıkları hakkında bilgiler sundu. Siemens araştırmacıları bu pilot projeden öğrendiklerini, meteorolojik veriler ve beyzbol finalleri gibi özel etkinlikler hakkındaki bilgilerle birleştirecek. Bu ham veri hazinesinden kendi yazılımları için eğitici veriler geliştirmek için faydalanacaklar. Ardından bu yazılımın algoritmaları da kısa vadeli yük tahminleri yapabilir hale gelecek. Yük tahmini yapmak yeni bir icat değil. Milyonlarca hindinin elektrikli fırınlarda kızartıldığı tatil günlerinde oluşan aşırı yüklenmelerden herkesin haberi vardır. Ancak bu basit alışkanlıklarla sürdürülebilir bir enerji sisteminin gereksinimlerini karşılamak mümkün değildir. ABD'de enerji şirketleri yük yönetiminde yıllardır piyasa prensiplerine bel bağlıyor. Eğer mevcut enerji miktarı çoksa o zaman maliyet düşürülüyor. Aksi durumda tersi geçerli ancak tüketiciler arzın az ve fiyatın yüksek olduğu dönemlerde bu yüksek bedele katlanmak istemiyorsa sözleşmeye dayanan taahhütlere girebiliyorlar. Ancak bu tür "talep tepkili" sistemler her zaman mükemmel çalışmıyor. Şayet tüketiciler kendilerinden beklendiği gibi davranmazlarsa enerji şirketlerinin derhal ekstra enerji üretmesi veya satınalması gerekiyor ki bu durum sıklıkla verimsizlik anlamına geliyor ve sera gazı salımının da artmasına neden oluyor. Chakraborty, "Böylesi durumlardan kaçınmak için tüketicilerin herhangi bir zamanda oluşacak koşullarda nasıl davranacaklarını önceden tahmin edebilecek durumda olmalıyız" diyor. Öğrenen makineler ayrıca elektrik şebekesinin genişletilmesinin maliyetinin düşürülmesine de yardımcı olabilir. Örneğin Münih Siemens'de, gelişmiş bir "akıllı şebeke" projesi için enerji şebekelerinin otomasyonu üzerine araştırmalar yapan Dr. Michael Metzger, sensörlerle yapılan ölçümler sayesinde bir şebekenin yapısını hesaplayabilen, öğrenen bir algoritma geliştirdi.~
Dr. Metzger, "Son kullanıcılara enerji sunmak için 10 yıllar önce döşenmiş bakır kabloların miktarı veya konumları hakkında genellikle hiçbir bilgi yoktur" diyor. Elektrik şebekesinin bu gizli kısımları hakkında bu türden temel bilgiler edinmek için kablo ağlarının içine sensörler yerleştirilebilir. Bunlar kendi bölgelerindeki elektrik akımı ve voltajıyla ilgili veriler sunar. Bu bilgilerle donanmış olarak şebekenin yapısı hakkında bir fikir sahibi olunabilir. Metzger, "Bu bilgiler sayesinde bir şebeke işleticisi kendi ağında ne kadar voltaj olduğunu ve bu voltajın nerelerde saklı bulunduğunu öğrenebilir" diyor. Siemens şu anda Güney Almanya Kempten'deki Allgauer Überlandwerke isimli enerji şirketinin elektrik şebekesinin bir kısmında kendi tahmin algoritmasını test ediyor.

Arıza sinyallerini farketmek.
Hizmet sektöründe, öğrenen makinelerde yapılacak değişiklikler devrimci nitelikte olabilir. Siemens araştırmacıları tıbbi teşhis sistemleri gibi pahalı cihazların arızaya geçmelerini beklemek yerine ileriye yönelik devasa bir adım atıyor. Siemens'in Princeton'daki araştırma üssünde karar ve bilgi sistemleri alanında öğrenen sistemler geliştiren Dr. Fabian Mörchen, "Bir manyetik rezonans görüntüleme cihazının (MRI) veya nükleer bir tıp sisteminin ne zaman arızaya geçeceğini önceden güvenilir bir şekilde tahmin edebilen bir program geliştirdik" diyor. Bu yaklaşım aslında, makinelerin çoğunda bir arızanın eli kulağında olduğunu gösteren işaretler verdiği gerçeğinden yola çıkıyor. Mörchen, "Burada ustalık o sinyalleri tanımlamakta ve onları gözle görülür hale getirmekte yatıyor" diyor. Bu gibi sinyallerin içinde elektrik akımları, voltajlar, sesler, titreşimler, basınçlar ve sıcaklıklarda görülebilecek değişiklikler bulunuyor. Bu makinelerin normal işleyişlerinden sapmalar kendi içlerindeki sensörler aracılığylaölçülüyor. Araştırmacılar ve onların öğrenme sistemleri, bir makine için nelerin normal sayıldığına dair bilgilere dayanarak, anormallikleri yakalamak için veri madenciliğine başvuruyor. Arızayla ilişkili bir dizi şablon yaratıldıktan sonra da Mörchen'le birlikte çalışan bu ekip, daha önce hiç görmediği verileri işlerken bu şablonları tanımlayan bir bilgisayar programı için algoritmalar geliştirebiliyor. Mesela bir MRI tarayıcısı kriyojenik helyum gazı kaçırmaya başladığında onun sıcaklığında ve basıncında hissedilmeyecek kadar küçük değişiklikler olur. Önceden ikaz eden algoritmalar sayesinde Siemens Sağlık sektörüne hizmet veren teknisyenler bütün gayretlerini bu soruna odaklayıp makine arızaya geçmeden önce soğutma sistemini onarabilir. Bugün Siemens servis ekipleri bu yazılımı sadece 3 bin 500 tane MRI tarayıcısını gözlemlemekte kullanmakla kalmıyor, aynı zamanda önleyici bakım amacıyla da ondan faydalanıyor. Bu strateji sayesinde üç yılı aşkın bir dönemde bakım ve onarım maliyetlerinde 5,8 milyon dolarlık tasarruf yapılabildi. Bu araştırma projelerinin ilklerinden biri de köprüleri izlemek için tasarlanmış ve Princeton'daki CT Araştırmacısı Ciprian Raileanu liderliğinde geliştirilmiş bir program. O zamanlar ABD Ulaştırma Bakanlığı, ABD'deki yaklaşık 650 bin adet köprünün bakım ve onarımını optimumlaştırmanın bir yolunu arıyordu. Raileanu'nun ekibi derhal kolları sıvadı ve Princeton yakınlarındaki Rutgers Üniversitesi'nin Gelişmiş Altyapılar Merkezi'yle işbirliği yaparak kısa sürede bir çözümle ortaya çıktı. Railelanu, "Bu sistem köprülerdeki sensörler, teftiş raporları, hava durumu verileri, inşaat planlarındaki geçmişe ait veriler, polis tutanaklarındaki kaza sıklıkları ve fotoğraflardan edindiği verilerden faydalanarak kendi kendine köprünün durumu hakkında bir sonuç çıkarıyor. Biz bu heterojen verileri şablonların çıkarılmasında kullandık" diye konuşuyor. Algoritmalar ise bu şablonlardan birtakım faktörlerin bir araya gelmesinin ne gibi sonuçları olabileceğini öğreniyor. Örneğin şayet bir köprü 1974 yılında çok yoğun yağış alan bir bölgede inşa edilmiş ve kirişleri de demirden yapılmışsa, 30 yıl sonra ayaklarında çatlaklaroluşması çok büyük bir ihtimal. ABD Ulaştırma Bakanlığı bu köprü takip programını 2008yılından buyana sürekli kullanıyor. Bu program ayrıca İngiltere ile Rusya'da kendi tren filolarını gözlemleyen demiryolu şirketleri için baştan aşağıya yeni bir sistem kurulmasında örnek bir model olma işlevi görmüş.~
Bu öğrenen yazılım için gerekli veriler ise frenleri ve kapıları izleyenlerin yanı sıra tren tarifeleri ve arıza raporları gibi trenin içindeki çeşitli alt sistemlere yerleştirilmiş sensörlerden geliyor. Demiryolu Uzaktan Hizmet Masası (RRSD) olarak bilinen bu sistem bütün bu verileri bir araya getiriyor ve her bir tren için bakım ve onarıma gerek olup olmadığını ve zamanını hesaplıyor. RRSD şu anda 175 treni takip ediyor ve Siemens de sadece yazılımın değil, otomasyon bileşenlerininin de tedariğini sağlıyor.

Karmaşıklığı yönetmek.

Gaz türbinleri de öğrenen sistemler için önemli bir uygulama alanı. Bu sistemler saniyeler içerisinde salınımlar ve türbinin çalışmasıyla ilgili tahminler üretiyor. Türbinler araştırmacıların sadece pek çok değeri yalnızca kabaca tahmin eden istatistiksel yöntemlerle değerlendirebildikleri haddi hesabı olmayacak kadar karışık içsel ilişkilerle yönetiliyor. Bu araştırmalarda tam olarak doğru rakamlar gerektiren geleneksel matematik formülleri hiçbir işe yaramıyor. Oysa bir türbinin yaşam ömrünü maksimum hale getirip performansını artırırken salınımlarını da azaltmak için binlerce ayarının çok düzgün yapılması ve öngörülebilir olması gerekiyor. Volkmar Sterzing ve Munich'de, Siemens Akıllı Sistemler ve Kontrol Global Teknoloji Alanı'nda çalışan CT ekibi işte bu yüzden yukarıda söylediklerimizi mümkün kılan yeni bir yöntem geliştirdi. Yineleyen sinirsel ağlar denilen bir teknikten faydalanarak bir türbinin bütün süreçlerini tanımlayıp çıktısıyla ilgili doğru tahminlerde bulunabiliyorlar. Sterzing, "Eskiden bu süreçlere ancak şöyle bir göz atabiliyordunuz. Halbuki yeni yöntemimizle göz atmadan önce ve sonra o süreçlerin fotoğrafını çekebiliyoruz" diyor. Sterzing'e göre bu yöntem sayesinde araştırmacılar sadece geçmişte ne olduğunu değil, gelecekte neler olabileceğini de öğrenmiş oluyor. Bu dinamik görüntüyle bir yandan olumlu yönde olabilecek değişiklikler tanımlanıp çoğu uygulanırken diğer yandan olumsuzlukların negatif etkilerini azaltmak için gerekli bakım onarım planlarını yapmak mümkün hale geliyor. CT araştırmacıları, gaz türbinlerinden öğrendiklerini ilgili bir alan olan rüzgar türbinleri ile rüzgar parklarının tamamının optimizasyonu için uyguladı. Sterzing coşkulu bir yat tutkunu olarak bir yarışta kendi teknesini yönlendirmenin olası en iyi yolunun gözünü dalgalardan, rüzgarın hızından ve diğer yarışçılardan bir an bile ayırmamak olduğunu çok iyi biliyor. Aksi halde ne gelecekteki gelişmeleri öngörebilmek ne de uygun bir plan yapmak mümkün. O bu yaklaşımdan ilham alarak rüzgar türbinleri için, içinde rüzgar hızı, çalkantı seviyeleri, sıcaklık ve hava basıncına ait verilerin olduğu yaklaşık 10 faktörü ölçen sensörlere dayalı biryazılım sistemi yarattı. Bu verileri bir rüzgar türbinin çıktısıyla ilişkilendiren algoritmalar sayesinde yazılım, binlerce içsel ilişkiden dersler çıkarıp öğrenebiliyor ve tuhaf durumlarda kendi bilgisine başvurabiliyor. Bu sistem farklı farklı durumları öğrendikçe, bir rüzgar türbininin mevcut rüzgar şartlarında olası en yüksek çıktıyı üretebilmesi için pervane kanatlarının dönüş açısı veya jeneratör hızı gibi ayarları kendi kendine öngörebilmekte giderek daha da ustalaşacak. Bu yöntemin bir rüzgartür-bininin çıktısını yüzde 0,5 kadar artırdığı ispatlanmış. Bu oran pek de yüksek değilmiş gibi gelebilir ama büyük bir rüzgar parkında etkisi olağanüstü boyutlardadır. İsveç'teki Lillgrund rüzgar çiftliğinde son 6 aydır sürdürülen deneme çalışmaları, otonom öğrenme denilen ve kendi eylemlerinden kendi kendine öğrenme anlamına gelen bu yetenek sayesinde parkın kendi toplam çıktısını ekstra bir türbin daha eklenmiş kadar artırdığını gösteriyor.

Katrin Nikolaus

Türkiye ve dünya ekonomisine yön veren gelişmeleri yorulmadan takip edebilmek için her yeni güne haber bültenimiz “Sabah Kahvesi” ile başlamak ister misiniz?


İLGİNİZİ ÇEKEBİLİR

Yorum Yaz