Fault diagnosis through a hybrid symbolic-connectionist approach and via artificial neural networks
Başlık çevirisi mevcut değil.
- Tez No: 35301
- Danışmanlar: DOÇ. DR. MEHMET C. ÇAMURDAN
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Arıza tespiti, Hidroklorinasyon, Yapay sinir ağları, Fault diagnosis, Hydrochlorination, Artificial neural networks
- Yıl: 1994
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
ÖZET Bilgi tabanlı sistemlerde bilgi kazanma sürecinin otomasyonu makina öğrenmesi teknikleriyle gerçekleştirilmiştir. Güney Florida üniversitesinde geliştirilmiş olan bir melez makina öğrenmesi algoritması (SC-net) bilgi elde etme sorununu örneklerden tümevarımsal öğrenme yardımıyla bilgi tabam oluşturmak ve geliştirmek yolu ile çözmektedir. Sistem kurallar şeklinde bilgi çıkarılmasına ve eklenmesine olanak tanımaktadır. (' ' Bu sistemin hata tanısı amaçlı kullanılmaya uygunluğu FORTRAN tabanlı bir hidroklorinasyon fabrikası hata çözücü sistemi kullanılarak gösterilmiştir. Öğrenen sistemin performansı örnek problemlerden çıkarılmış bilgi ve test problemlerindeki sınıflandırma doğruluğu ışığında açıklanmıştır. Tezin ikinci kısmında yapay sinir ağlan hidroklorinasyon fabrikasında hata tanısı için kullanılmıştır. Doğrusal aktivasyon fonksiyonlu geriletimli sinir ağlan (BPN) ve eliptik aktivasyon fonksiyonlu sinir ağlan (Kavuri) kullanılmıştır. Hiyerarşik sıralanmış doğrusal aktivasyon fonksiyonlu sinir ağlarındaki oluşan ve melez doğrusal aktivasyon fonksiyonlu ve eliptik aktivasyon fonksiyonlu sinir ağlarından oluşmuş iki hata tanısı sistemi önerilmiştir. Bunların sınıflandırma performanslan test problemleri üzerinde gösterilmiştir. Aynca heptandan toluene bir reaktör sistemi üzerinde bu yapay sinir ağı çeşitlerinin tanısal özellikleri, kimyasal süreç hata tanısına uygunluk ve güveninirlikleri tartışılmıştır.
Özet (Çeviri)
IV ABSTRACT Automation of the knowledge acquisition process in building knowledge-based systems is addressed through machine learning techniques. A hybrid machine learning algorithm developed at the University of South Florida named as Symbolic-Connectionist net (SC-net) addresses the knowledge acquisition problem by developing and maintaining the knowledge base through inductive learning from examples. The learning system allows for knowledge extraction and background knowledge encoding in the form of rules. The applicability of the learning system is illustrated through fault diagnosis in a FORTRAN-based trouble-shooting system for a hydrocarbon chlorination plant. The performance of the learning system is discussed in terms of the knowledge extracted from example cases and its classification accuracy on the test cases. For the second part of the thesis Artificial Neural Networks (ANN) are used for fault diagnosis for the hydrocarbon chlorination plant. Backpropagation neural networks with linear activation functions (BPN) and with ellipsoidal activation functions (ENN) (Kavuri) are used. Two different diagnostic systems are presented using hierarchically ordered BPNs and a hybrid combination of BPNs and ENNs. Their classification accuracies on the test cases are discussed. Also the diagnostic properties of these ANN types and their suitability and reliability for chemical process fault diagnosis is criticized on a heptane-to-toluene reactor case.
Benzer Tezler
- Fault diagnosis in white goods using natural language processing techniques on customer complaints
Müşteri şikayetleri üzerinden doğal dil işleme teknikleri ile beyaz eşyalarda arıza teşhisi
HAKAN GÜVEN ŞENZEYBEK
Yüksek Lisans
İngilizce
2025
Mühendislik BilimleriÖzyeğin ÜniversitesiVeri Bilimi Ana Bilim Dalı
PROF. DR. OLCAY TANER YILDIZ
- Elektrik motorlarında tekil ve çoklu arıza teşhisi için optimize edilmiş zaman–frekans temsillerine dayalı fiziksel olarak yönlendirilmiş derin öğrenme mimarisinin geliştirilmesi
Development of a physics-guided deep learning architecture based on optimized time–frequency representations for the diagnosis of single and multiple faults in electric motors
ROHULLAH RAHMATULLAH
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NECİBE FÜSUN OYMAN SERTELLER
DOÇ. DR. AYÇA AK
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Elektrikli araç motorlarında mekanik arızaların derin öğrenme ile tespiti için yeni bir yöntemin geliştirilmesi
Development of a new method for the detection of mechanical faults in electric vehicle motors with deep learning
EYUP SÖNMEZ
Doktora
Türkçe
2024
Mekatronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEZGİN KAÇAR
- Yapay zeka tekniklerini kullanarak rulmanlarda arıza ve kalan faydalı ömür tahmini
Bearing failure and remaining useful life estions using artificial intelligence techniques
EYYÜP AKCAN
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBatman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILMAZ KAYA