Bilinmeyen PLC Programının Makine Öğrenmesi Yöntemleriyle Taklit Edilmesi

Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi Pub Date : 2023-10-31 DOI:10.29137/umagd.1364512

Faruk Ulamiş, Yasin Yüce, Bülent Cesur

{"title":"Bilinmeyen PLC Programının Makine Öğrenmesi Yöntemleriyle Taklit Edilmesi","authors":"Faruk Ulamiş, Yasin Yüce, Bülent Cesur","doi":"10.29137/umagd.1364512","DOIUrl":null,"url":null,"abstract":"Programlanabilir Mantık Denetleyiciler (PLC) uzun yıllardır endüstrinin hemen her alanında kullanılmaktadır. Kullanılan bu PLC’ lerin eskimesi, bozulması veya şifreyle korunması gibi durumlarda PLC programlarının yedeklenmesi mümkün olmamaktadır. Herhangi bir arıza sonucu PLC programının silinmesi durumunda veya PLC' nin yenilenmesi ihtiyacı oluştuğunda programın yeniden yazılması gerekir. Böyle bir durumunda sistemin çalışma adımlarının detaylı bir şekilde bilinmesi gerekir ve program yazılması esnasında atlanacak bir adım sistemin tamamında çok büyük problemlere sebep olabilir. Bu çalışmada, çeşitli makine öğrenmesi algoritmaları kullanılarak PLC içerisinde çalışan ve bilinmeyen bir programın çalışma adımlarının taklit edilmesi işlemi yapılmıştır. Bunun için ilk olarak bir veri günlüğü oluşturularak PLC’ nin giriş ve çıkış bilgileri kaydedilmiştir. Daha sonra bu giriş-çıkış verileri Makine Öğrenmesi algoritmaları ile eğitilmiştir. Eğitilen bu algoritmaların giriş veri setine karşılık verdiği çıktıları, PLC çıkışlarıyla paralel olarak izlenmiştir. Makine öğrenmesi algoritması olarak karar ağacı, k-en yakın komşu ve rastgele orman algoritmaları kullanılmıştır. Algoritmaların performans ölçüm metriği olarak doğruluk puanı (accuracy score) kullanılmıştır. Yapılan çalışmalar sonunda Rastgele Orman algoritmasının daha iyi sonuç verdiği gözlemlenmiştir.","PeriodicalId":23481,"journal":{"name":"Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-10-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.29137/umagd.1364512","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Programlanabilir Mantık Denetleyiciler (PLC) uzun yıllardır endüstrinin hemen her alanında kullanılmaktadır. Kullanılan bu PLC’ lerin eskimesi, bozulması veya şifreyle korunması gibi durumlarda PLC programlarının yedeklenmesi mümkün olmamaktadır. Herhangi bir arıza sonucu PLC programının silinmesi durumunda veya PLC' nin yenilenmesi ihtiyacı oluştuğunda programın yeniden yazılması gerekir. Böyle bir durumunda sistemin çalışma adımlarının detaylı bir şekilde bilinmesi gerekir ve program yazılması esnasında atlanacak bir adım sistemin tamamında çok büyük problemlere sebep olabilir. Bu çalışmada, çeşitli makine öğrenmesi algoritmaları kullanılarak PLC içerisinde çalışan ve bilinmeyen bir programın çalışma adımlarının taklit edilmesi işlemi yapılmıştır. Bunun için ilk olarak bir veri günlüğü oluşturularak PLC’ nin giriş ve çıkış bilgileri kaydedilmiştir. Daha sonra bu giriş-çıkış verileri Makine Öğrenmesi algoritmaları ile eğitilmiştir. Eğitilen bu algoritmaların giriş veri setine karşılık verdiği çıktıları, PLC çıkışlarıyla paralel olarak izlenmiştir. Makine öğrenmesi algoritması olarak karar ağacı, k-en yakın komşu ve rastgele orman algoritmaları kullanılmıştır. Algoritmaların performans ölçüm metriği olarak doğruluk puanı (accuracy score) kullanılmıştır. Yapılan çalışmalar sonunda Rastgele Orman algoritmasının daha iyi sonuç verdiği gözlemlenmiştir.

查看原文本刊更多论文

用机器学习方法模仿未知 PLC 程序

多年来，可编程逻辑控制器（PLC）几乎应用于所有工业领域。在这些 PLC 老化、损坏或密码保护等情况下，无法备份 PLC 程序。如果 PLC 程序因故障而被删除或需要更新，则必须重新编写程序。在这种情况下，必须详细了解系统的操作步骤，如果在编写程序时跳过一个步骤，可能会给整个系统带来重大问题。本研究采用各种机器学习算法来模拟 PLC 中运行的未知程序的执行步骤。为此，首先创建一个数据日志，记录 PLC 的输入和输出信息。然后，使用机器学习算法对这些输入输出数据进行训练。这些经过训练的算法对输入数据集的输出与 PLC 输出同时进行监控。机器学习算法采用了决策树、k-近邻和随机森林算法。准确率分数被用作算法的性能衡量标准。研究结束时，发现随机森林算法的结果更好。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi

自引率

0.00%

发文量