Destek vektörü makineleri tabanlı hata bulma, tanıma ve hata toleranslı kontrol yöntemleri
Support vector machines based fault detection, diagnosis and fault tolerant control methods
- Tez No: 293876
- Danışmanlar: PROF. DR. İBRAHİM EKSİN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2010
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, çeşitli süreçler için destek vektörü makineleri tabanlı üç ayrı akıllı hata bulma, tanıma ve hata toleranslı kontrol yaklaşımı sunulmuştur. İlk yöntem bir hata bulma ve tanıma yaklaşımıdır. Destek vektörü bağlanımı hata bulma işleminde, destek vektörü sınıflandırması ise hata tanıma işleminde kullanılmıştır. Bir çıkış işareti, oluşturulan güvenli bölgenin destek vektörü bağlanım makineleri ile modellenen alt veya üst sınırını aşarsa bir hata tespit edilir. Destek vektörü ile çoklu sınıflandırma yöntemlerinden biri olan bire-karşı-diğerleri, sistemde tespit edilen hatayı sınıflandırır. İkinci yöntem, yeniden yapılandırma mekanizması `çevrim-içi kontrolör seçen' türde olan bir aktif hata toleranslı kontrol yöntemidir. Destek vektörü ile çoklu sınıflandırma yöntemlerinden biri olan bire-karşı-diğerleri, hatayı sınıflandırır. Hata tespit edildiğinde sistemin kapalı çevrim başarımının devamını sağlamak için uygun olan kontrolör çevrim-içi seçilir. Eğitim aşamasında kullanılan PID kontrolörlerinin parametreleri genetik algoritmayla çevrim-dışı belirlenmiştir. Üçüncü yöntem, yeniden yapılandırma mekanizması `çevrim-içi kontrolör hesaplayan' türde olan bir aktif hata toleranslı kontrol yöntemidir. Sunulan bu yöntemde yeniden yapılandırma ve hata tanıma birimleri birbirlerinden bağımsız çalışırlar. Üç tane destek vektörü bağlanım makinesi sistemden gelen veriyi eşzamanlı değerlendirerek PID kontrolörün katsayılarını çevrim-içi üretirler. Hatanın türünün tespit edilmesi için destek vektörü bağlanım makinelerini kullanan benzer bir işlem gerçekleştirilir.
Özet (Çeviri)
In this thesis, three independent, intelligent fault detection, diagnosis and fault tolerant control approaches for various processes based on support vector machines are presented. The first method is a fault detection and diagnosis approach. Support vector regression has been used in fault detection process and support vector classification has been used in diagnosis process. A fault is detected when an output signal exceeds the upper or lower bounds of the generated confidence band that are modelled by two support vector regression machines. A support vector multi-classification method, one-against-all, has been used to classify the occurring fault in system. The second method is an active fault tolerant control method including on-line controller selection type reconfiguration mechanism. A support vector multi-classification method, one-against-all, has been used to classify the occurring fault. When a fault is detected a suitable controller has been selected in an on-line manner to maintain closed-loop performance of the system. In training phase, PID controllers have been used and their parameters have been obtained in an off-line manner by genetic algorithms. The third method is an active fault tolerant control method including on-line controller calculation type reconfiguration mechanism. In the presented method, reconfiguration mechanism and diagnosis unit work independently. Three of support vector regression machines are simultaneously evaluated the data sent by the system, and produce coefficients of the PID controller in an on-line manner. In order to determine the type of fault, a similar process is exploited using one support vector regression machine.
Benzer Tezler
- 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
- Güçlendirilmiş sezgisel üstü algoritma temelli makine öğrenme algoritmaları ile veri sınıflandırma stratejileri
Data classi̇fi̇cati̇on strategi̇es usi̇ng enhanced metaheuri̇sti̇c-based machi̇ne learni̇ng algori̇thms
BEYTULLAH YAĞIZ
Doktora
Türkçe
2026
İstatistikVan Yüzüncü Yıl Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. YENER ALTUN
DOÇ. DR. ERDAL EKER
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Design of a soil texture analysis device based on ultrasound sensors and machine learning methods
Ultrases sensörleri ve makine öğrenmesi tabanlı toprak doku analiz cihazı tasarımı
EMRE KILINÇ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ORHAN
- Diagnosis of thyroid disease via support vector machines
Destek vektör makineleri ile tiroid hastalıkları tanısı
NURİ KORHAN
Yüksek Lisans
İngilizce
2015
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÜLAY ÖKE GÜNEL