Development of a tinyml (tiny machine learning) model for predictive maintenance of industrial assets in an IIOT (industrial internet of things)
IIOT (endüstriyel nesnelerin interneti)' de endüstriyel varlıkların kestirimci bakımı için tinyml (lokal gömülü sistem makine öğrenmesi) modelinin geliştirilmesi
- Tez No: 1013622
- Danışmanlar: PROF. DR. RECEP ALP KUT
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kestirimci bakım (PdM), endüstriyel varlıkların güvenilirliğini ve verimliliğini artırarak arızaların erken tespitini sağlamak ve plansız duruşları azaltmakta kritik bir rol oynamaktadır. Ancak PdM sistemleri, dengesiz veri kümeleri ve Endüstriyel Nesnelerin İnterneti (IIoT) ortamlarına uygun, hafif ve uyarlanabilir modellere duyulan gereksinim olmak üzere iki temel zorlukla karşı karşıyadır. Bu tez, gelecekteki Lokal Gömülü Sistem Makine Öğrenmesi (TinyML) tabanlı PdM uygulamaları için çok etiketli öğrenme, dengesizlik giderme ve hafif model analizini bütünleştiren bir çerçeve geliştirerek bu sorunları ele almaktadır. İlk aşamada, sınıf dengesizlikleri altında tanılama performansını artırmak amacıyla Dengeli Hoeffding Ağaç Ormanı (BHTF) adlı yeni bir topluluk çerçevesi önerilmektedir. BHTF; çok etiketli, topluluk ve artımsal öğrenme paradigmalarını birleştirerek Yakınlık Tabanlı Azaltma (PDU) ve SMOTE tekniklerini harmanlayan hibrit bir örnekleme stratejisi sunmaktadır. AI4I 2020 veri kümesi üzerinde yapılan deneyler, BHTF'nin ortalama %97,44 doğruluk elde ettiğini ve mevcut yöntemlere göre yaklaşık %11 daha yüksek performans gösterdiğini göstermiştir. İkinci aşamada, BHTF'nin temel öğrenicisi Hoeffding Ağacı, IIoT ortamlarında PdM için hafif ve uyarlanabilir bir sınıflandırıcı olarak değerlendirilmiştir. Dört arıza türü üzerinde yapılan analizler, modelin düğüm ve yaprak sayısı açısından geleneksel karar ağaçlarına göre daha küçük modeller ürettiğini ve benzer sınıflandırma başarımını koruduğunu göstermiştir. Bulgular, bellek, hesaplama ve enerji verimliliğinin kritik olduğu TinyML uygulamaları için uygunluğunu doğrulamaktadır. Dengesizlik öğrenmesi ile hafif model tasarımını birleştirerek, bu çalışma yeni nesil kestirimci bakım sistemleri için ölçeklenebilir, yorumlanabilir ve verimli yapay zekâ çözümlerine katkı sağlamaktadır.
Özet (Çeviri)
Predictive Maintenance (PdM) plays a crucial role in enhancing the reliability and efficiency of industrial assets by enabling early fault detection and minimizing unplanned downtime. However, PdM systems face two major challenges: highly imbalanced datasets and the need for lightweight, adaptive models suitable for Industrial Internet of Things (IIoT) environments. This dissertation addresses these issues by developing a framework that integrates multi-label learning, imbalance handling, and lightweight model analysis for future TinyML-based PdM applications. In the first stage, a novel ensemble framework named Balanced Hoeffding Tree Forest (BHTF) is proposed to improve diagnostic performance under severe class imbalance. BHTF unifies multi-label learning, ensemble learning, and incremental learning paradigms, introducing a hybrid sampling strategy combining Proximity-Driven Undersampling (PDU) with SMOTE. Experiments on the benchmark AI4I 2020 dataset show that BHTF achieves 97.44% average accuracy and outperforms state-of-the-art models by about 11%. In the second stage, the Hoeffding Tree—the base learner of BHTF—is examined as a lightweight and adaptive classifier for PdM in IIoT environments. Structural analyses across four failure modes reveal that it consistently produces smaller models with fewer nodes and leaves than conventional decision trees, while maintaining competitive performance. These findings confirm its suitability for TinyML-oriented applications where memory, computation, and energy efficiency are critical. By bridging imbalance learning with lightweight model design, this research supports the development of scalable, interpretable, and resource-efficient AI solutions for next-generation predictive maintenance systems.
Benzer Tezler
- Mikroalglerden enzimatik sulu ekstraksiyon yöntemi ile yağ eldesi
Enzymatic aqueous extraction of oil from microalgae
YİĞİT AYHAN
Yüksek Lisans
Türkçe
2015
Kimya Mühendisliğiİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. MELEK TÜTER
- Uludağ Üniversitesi Tıp Fakültesi Mikrobiyoloji Laboratuvarında kan kültürlerinden izole edilen candida türlerinin antifungal duyarlılıklarının belirlenmesi
Determining the antifungal sensitivities of candida types isolated from blood cultures in Uludag University Faculty of Medicine, Microbiology Laboratory
ÖZDEMİR ÖZKAN
Tıpta Uzmanlık
Türkçe
2011
MikrobiyolojiUludağ ÜniversitesiTıbbi Mikrobiyoloji Ana Bilim Dalı
PROF. DR. BEYZA ENER
- TINYML tabanlı gömülü sistem ile EKG sinyalinden kardiyak aritmilerin tespiti
Detection of arrhythmias from ECG signal using TINYML-based embedded system
DOĞAN CAN ÖZBEY
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YALÇIN ALBAYRAK
- TinyML ve uç bilgi işleme ile kargo düşüş tespiti
Cargo drop detection with tinyML and edge computing
HÜSEYİN OĞUZALP AKGÜL
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YALÇIN ALBAYRAK
- Derin öğrenme ve tinyml ile gerçek zamanlı düşme tespiti
Real-time fall detection with deep learning and tinyml
ABDULLAH SÖKÜLMEZ
Yüksek Lisans
Türkçe
2024
Halk SağlığıSelçuk ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OKAN UYAR