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

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


İLGİNİZİ ÇEKEBİLİR

Yorum Yaz