Fırın sensör verilerini kullanarak fotovoltaik panel üretim sürecinde zaman serisi ve LSTM yöntemi ile anomali tespiti

Abstract

Enerji arzının yenilenebilir kaynaklardan sağlanması, güneş enerjisi sistemlerinin önemini arttırmış ve bu sistemlerin kullanımının hızla yaygınlaşmasına zemin hazırlamıştır. Güneş enerjisi teknolojileri, sürdürülebilir enerji üretimine yönelik küresel dönüşümün temel unsurlarından biri haline gelmiştir. Bu bağlamda fotovoltaik sistemler, enerji sektöründe kritik bir rol üstlenmiştir. Fakat bu fotovoltaik sistemlerin üretim sürecindeki yüksek maliyetler ve operasyonel hassasiyetler hem üretim verimliliği hem de kalite sürekliliği üzerinde doğrudan etkili olmaktadır. Endüstri 4.0 teknolojilerinin sağladığı dijitalleşme ve otomasyon imkanları, işletmelerdeki bileşenlerin birbiriyle haberleşmesine ve insanlarla gerçek zamanlı iletişim kurabilmesine olanak sağlamıştır. Bu durum, canlı süreç izleme yöntemlerinin de etkisiyle, yüksek boyutlu verilerin üretilmesine büyük katkı sağlamaktadır. Tahminsel bakım kapsamında değerlendirilen, verilerin detaylı analizi ile arızaların gerçekleşmeden tahmin edilmesi, potansiyel arızaları önceden tespit etmeyi ve arızaya zamanında müdahaleyi hedefler. Böylece öngörülmeyen arızalar önlenebilir, iş duruş süreleri minimize edilebilir, kaynak kullanımı ve ekipman varlık ömrü optimize edilebilir. Bu çalışma, Kalyon Fotovoltaik (PV) Güneş Teknolojileri Fabrikası'ndaki üretim hattında yer alan silisyum eritme ve kristal büyütme fırını üzerindeki sensörlerden elde edilen gerçek zamanlı verilerin bir araya getirilmesiyle, veri odaklı analiz ve tahmin süreçlerine odaklanmaktadır. Zaman serisi analizi, sıralı verilerdeki zamansal bağlantıları ve eğilimleri inceleyerek makinelerin dinamik davranışlarını anlamada önemli bir yöntem sunmaktadır. Büyük verilerdeki karmaşık desenleri tanımlama kapasitesine sahip derin öğrenme teknikleri, veri analizi ve tahmin süreçlerinde kritik bir rol oynamaktadır. Özellikle uzun kısa süreli bellek ağları (LSTM), zaman serisi verilerindeki karmaşık ilişkileri öğrenme yeteneği sayesinde, zamansal veriler üzerinde yüksek doğrulukla tahmin ve analiz yapılmasına olanak tanımıştır. Keşifsel veri analizi (EDA) ve veri ön işleme süreçleri, modelin etkinliğini artırmak amacıyla titizlikle uygulanarak optimize edilmiş bir veri seti oluşturulmuştur. Bu veri seti üzerinde gerçekleştirilen dört ayrı deneyde, modelin doğruluğunu iyileştirmeye yönelik ek özellikler ve uygulamalar test edilmiş, her bir denemede iyileştirmeler gözlemlenmiştir. Sonuç olarak, modelin doğruluk oranı kademeli bir şekilde artırılmış ve nihayetinde zaman serisi verilerinin tahmininde %98'lık bir doğruluk oranına ulaşılmıştır.The use of renewable energy sources to meet energy demands has significantly increased the importance of solar energy systems and accelerated their adoption. Solar energy technologies are now a fundamental component of the global transition toward sustainable energy production. In this context, photovoltaic systems play a critical role in the energy sector. However, the high costs and operational sensitivities of these systems' production processes have a direct impact on both production efficiency and quality consistency.Industry 4.0 technologies provide opportunities for digitalization and automation by enabling real-time communication between system components and humans. These advancements support the collection and analysis of large datasets through live process monitoring. Predictive maintenance processes use detailed data analysis to detect potential failures before they occur and allow for timely interventions. This approach helps to prevent unexpected breakdowns, reduce downtime, optimize resource utilization, and extend the operational lifespan of equipment.This study focuses on analyzing real-time data collected from sensors installed on silicon melting and crystal growth furnaces in the production line of the Kalyon Photovoltaic (PV) Solar Technologies Factory. Time series analysis is a crucial method for identifying temporal relationships and trends in sequential data, which helps in understanding the dynamic behavior of machinery. Deep learning techniques, particularly long short-term memory (LSTM) networks, play an essential role in analyzing and predicting complex patterns in time-series data. Exploratory data analysis (EDA) and data preprocessing steps were carefully applied to create an optimized dataset aimed at improving model performance. Four separate experiments were conducted on this dataset, testing additional features and applications to enhance the model's accuracy. As a result, the model's accuracy was progressively improved, ultimately reaching a 98% accuracy in predicting time series data.