Derin öğrenme tabanlı otomatik özellik çıkarımı ile geleneksel anomali tespit yöntemlerinin entegrasyonu
Integration of deep learning-based automatic feature extraction with traditional anomaly detection methods
- Tez No: 1012816
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE DELİBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Otokodlayıcılar, Autoencoders
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çalışmanın amacı, yüksek boyutlu ve dengesiz endüstriyel sensör verilerinde sistemin normal çalışma davranışını temsil eden anlamlı özellik temsilleri öğrenmek ve bu sayede anomali tespit performansını artırmaktır. Bu kapsamda NASA C-MAPSS FD001 turbofan motor veri seti kullanılmıştır. Veri ön işleme aşamasında sensör verileri temizlenmiş ve standartlaştırılmış; etiketli anomali bilgisinin bulunmadığı veri yapısında autoencoder modeli kullanılarak normal sistem davranışı öğrenilmiştir. Model tarafından üretilen yeniden yapılandırma hatalarına dayalı olarak sözde etiketler oluşturulmuş ve değerlendirme sürecinde referans olarak kullanılmıştır. Autoencoder katmanından elde edilen gizil özellikler DBSCAN, LOF, IF, OC-SVM ve kNN algoritmalarına girdi olarak verilmiş; elde edilen sonuçlar ölçeklenmiş ham sensör verileri ile karşılaştırmalı olarak analiz edilmiştir. Deneysel sonuçların güvenilirliğini artırmak amacıyla modeller 10-katlı çapraz doğrulama yöntemi ile değerlendirilmiş ve farklı özellik uzaylarında elde edilen performans farklarının istatistiksel anlamlılığı Wilcoxon işaretli sıralar testi ile analiz edilmiştir. Deneysel bulgular, otomatik özellik çıkarımı ile öğrenilen gizil temsillerin geleneksel yöntemlerin anomali tespit performansını iyileştirdiğini göstermiştir. Ayrıca gizil özellik uzayı t-SNE yöntemi ile görselleştirilmiş, ayrıca SHAP tabanlı açıklanabilirlik analizleri ile model kararlarının yorumlanabilirliği incelenmiştir. Elde edilen sonuçlar, etiketli verinin sınırlı olduğu endüstriyel anomali tespit problemleri için otomatik özellik çıkarımına dayalı yaklaşımların etkili ve uygulanabilir bir çözüm sunduğunu göstermektedir.
Özet (Çeviri)
The aim of this study is to learn meaningful feature representations that represent the normal operating behavior of the system in high-dimensional and imbalanced industrial sensor data and thereby improve anomaly detection performance. Within this scope, the NASA C-MAPSS FD001 turbofan engine dataset was used. During the data preprocessing stage, sensor data were cleaned and standardized; in the data structure where labeled anomaly information was not available, the normal system behavior was learned using an autoencoder model. Based on the reconstruction errors produced by the model, pseudo labels were generated and used as a reference in the evaluation process. The latent features obtained from the autoencoder layer were provided as input to DBSCAN, LOF, IF, OC-SVM and kNN algorithms; the obtained results were comparatively analyzed with scaled raw sensor data. In order to increase the reliability of the experimental results, the models were evaluated using the 10-fold cross-validation method and the statistical significance of the performance differences obtained in different feature spaces was analyzed using the Wilcoxon signed-rank test. Experimental findings showed that the latent representations learned through automatic feature extraction improved the anomaly detection performance of traditional methods. In addition, the latent feature space was visualized using the t SNE method, and the interpretability of model decisions was examined using SHAP based explainability analyses. The obtained results indicate that approaches based on automatic feature extraction provide an effective and applicable solution for industrial anomaly detection problems where labeled data are limited.
Benzer Tezler
- Data-driven anomaly detection for airspace security using ADS-B surveillance data
ADS-B gözetim verisi ile hava sahası güvenliği için veri tabanlı anomali tespiti
ABDULLAH ÇERKEZOĞLU
Yüksek Lisans
İngilizce
2025
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. BARIŞ BAŞPINAR
- Derin öğrenme tabanlı yapay zekâ ile askeri uçak tiplerinin tespiti ve sınıflandırılması
Detection and classification of military aircraft types with deep learning-based artificial intelligence
FAHRETTİN VARLIK
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CÜNEYT ÖZDEMİR
- Veri madenciliği teknikleri ile bulut bilişim tabanlı giyilebilir hareket tanı sistemi oluşturulması
Creating cloud computing based wearable motion diagnostic system with data mining techniques
ERHAN KAVUNCUOĞLU
Doktora
Türkçe
2022
Mühendislik BilimleriErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESMA UZUNHİSARCIKLI
DOÇ. DR. AHMET TURAN ÖZDEMİR
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
OZAN ÖZTÜRK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER