Geri Dön

Time series analysis with deep learning approaches for industry 4.0

Endüstri 4.0 için derin öğrenme yaklaşımlarıyla zaman serisi analizi

PDF İndir

  1. Tez No: 610108
  2. Yazar: CEREN NUR BAŞ
  3. Danışmanlar: DOÇ. DR. ÖZLEM DURMAZ İNCEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Galatasaray Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 63

Özet

Günümüzde, internete bağlı cihaz sayısı oldukça artmıştır ve bu da nesnelerin interneti teriminin çıkışını sağlamıştır. Nesnelerin interneti sayesinde cihazlar artık kendileri karar verebilmekte ve aralarında bilgi paylaşabilmektedirler. Son zamanlarda çok duyduğumuz Endüstri 4.0 ise üretim teknolojileri için veri alışverişi ve otomasyon için kullanılan bir terimdir. Üretim sanayisi cihazların birçok sensora sahip olması nedeniyle oldukça büyük miktarda veriye sahiptir. Bu veriler süreçlerin otomasyonu ve iyileştirilmesi için kullanılabilir. Bu çalışmanın amacı da derin öğrenme metotlarıyla zaman serisi analizi yaparak bileşenlerin kalan faydalı ömürlerini bulmaktır. Literatüre bakıldığında bileşenlerin kalan faydalı ömürlerinin tahminiyle ilgili birçok çalışma bulunduğu görülebilir. Bu çalışmalarda yapay sinir ağları, sinyal işleme ve birçok makine öğrenmesi teknikleri gibi çeşitli metodolojiler kullanılmıştır. Veri setinin kalitesi tahmin modellerinin oluşturulmasında büyük önem taşımaktadır. Bu çalışmada NASA'nın 4 PHM veri seti incelenmiştir ve aralarından Femto Enstitüsü'nün rulman veri seti seçilmiştir. Kullanılan bu veri setinde yüksek frekanslı gürültü görülmektedir. Bu nedenle ivmeölçer verisi üzerinde Ayrık Dalgacık Dönüşümü uygulanmıştır. Ortalama, basıklık, çarpıklık, standart sapma, varyans, ortalama karekök, kret faktörü gibi özellikler çıkarılmıştır. Ayrıca, rulmanların kalan kullanım ömrünü belirlemek için sağlık göstergesi değerleri hesaplanmıştır. Uzun-kısa süreli bellek (LSTM) sinir ağı kullanılarak kalan faydalı ömür tahmin modeli oluşturulmuştur. Doğru LSTM parametrelerini bulmak ve tahmin modelinin farklı öğrenme ve test verileriyle nasıl çalıştığını analiz etmek için çeşitli deneyler yaptık. Son olarak, oluşturduğumuz modelin sonuçlarını, literatürdeki diğer bu veri setini kullanan çalışmaların sonuçları ile karşılaştırdık ve modelimizin diğerlerine göre daha az performanslı çalıştığını gördük. Bu veri seti, LSTM ağı için doğrudan uygulanamaz ve ön işleme adımına daha çok odaklanmak gerekmektedir.

Özet (Çeviri)

Nowadays, the number of devices connected to the Internet has increased considerably, and this had led to the emergence of the term Internet of Things. Thanks to the Internet of things, devices can now decide and share information between them. Industry 4.0, which has recently become very popular, is a term used for data exchange and automation for production technologies. The manufacturing industry produces a large amount of data due to the many sensors of the devices. These data can be used to improve processes and product quality. For example, by analyzing these data, anomalies that may occur in the lines can be found in advance, the life expectancy of the devices in the factory can be calculated, and as a result, active preventive maintenance can be provided for these devices. This study aims to find the remaining useful life of the components by performing time series analysis with deep learning methods. There are many studies on the estimation of the remaining useful life of the components in the literature. In these studies, various methodologies such as The number of devices connected to the Internet has increased considerably, and the term Internet of Things is emerged. Thanks to the IoT, devices can now decide and share information between them. Industry 4.0 is a term used for data exchange and automation for production technologies. The manufacturing industry produces a large amount of data which can be used to improve processes and product quality. We aim to find the remaining useful life of the components by performing time series analysis with deep learning methods. There are many studies on the estimation of the remaining useful life of the components and they use various methodologies such as artificial neural networks, signal processing and machine learning techniques. The quality of the dataset has great importance in the creation of estimation models. We examined 4 PHM datasets of NASA and we selected Femto-ST Bearing dataset. Because of high-frequency noise in dataset; we applied Discrete Wavelet Transform on the data. Many features were extracted from this data set and health indicator values were calculated. We construct the remaining useful life prediction model, particularly using long-short-term memory neural network. We did various experiments to find the right LSTM parameters and to analyze how the prediction model works with different train and test data. Furthermore, we compared the results of our model with the results of previous studies on this dataset. Our results are underperformed compared to other studies. This dataset is not directly applicable to the LSTM network, and preprocessing needs high effort.

Benzer Tezler

  1. Tez No

    730318

    Büyük veri ve makine öğrenmesi kullanılarak elektrik tüketim örüntülerinin çıkarılması

    Extracting electricity consumption patterns using big data and machine learning

    FATİH ÜNAL

    Doktora

    Türkçe

    Türkçe

    2022

    EnerjiFırat Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. SAMİ EKİCİ

  2. Tez No

    888530

    Development of operation and maintenance strategies for offshore wind industry based on big data management

    Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi

    UWE LUETZEN

    Doktora

    İngilizce

    İngilizce

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Gemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. SERDAR BEJİ

  3. Tez No

    904671

    Fotovoltaik enerji sistemleri için öngörü modellerinin geliştirilmesi: Veri madenciliği ve derin öğrenme yaklaşımları

    Development of forecasting models for photovoltaic energy systems: Data mining and deep learning approaches

    FATMA DİDEM ALAY

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET TAHİR GÜLLÜOĞLU

    DR. ÖĞR. ÜYESİ NAGEHAN İLHAN

  4. Tez No

    901276

    Aiding agricultural practices with the exploration of earth observation data via machine learning

    Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi

    MEHMET FURKAN ÇELİK

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ESRA ERTEN

  5. Tez No

    863690

    A situational awareness framework for connected autonomous vehicles

    Bağlantılı otonom araçlar için durum farkındalık sistemi

    DERYANUR TEZCAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLAY ÖKE GÜNEL

Geri Dön