Predictive maintenance for smart industry
Akıllı endüstri için kestirimci bakım
- Tez No: 655186
- Danışmanlar: DOÇ. DR. TOLGA AYAV
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: İzmir Yüksek Teknoloji Enstitüsü
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 51
Özet
Nesnelerin interneti (IoT) hızla geliştikten sonra birçok endüstriyel alanda kullanılmaya başlandı. IoT sayesinde herhangi bir ekipmanın veya diğer önemli sistemlerin sağlığını etkileyen veriler toplanır. Bu veriler doğru işlendiğinde üretim süreci hakkında önemli bilgiler elde edilir. Örneğin, bu veriler sayesinde, çeşitli bileşenlerin ne zaman arızalanacağını tahmin etmek için makine öğrenimine dayalı sistemler oluşturulur. Böylelikle bileşen arızasından önce bakım işlemleri uygulanır ve gerekirse değiştirme işlemleri gerçekleştirilir. Kestirimci bakım adı verilen bu strateji, endüstrilere bileşenlerin ömrünü en üst düzeye çıkarma, ekstra maliyetleri düşürme ve zaman tasarrufu gibi avantajlar sağlar. Bu çalışmada, jet motorlarının kalan faydalı ömürlerini tahmin etmek için NASA tarafından sağlanan 'Turbofan Engine Degradation Simulation Datasets' verisetleri üzerinde akış öğrenmeye dayalı Adaptive Random Forests yöntemini uyguladık. Sonuç olarak, toplu öğrenmeye göre akış öğrenmenin avantajlarından bahsettik ve sonuçlarımızı, aynı veri kümeleri üzerinde uygulanan diğer toplu öğrenmeye dayalı çalışmalarla karşılaştırdık.
Özet (Çeviri)
After the internet of things developed rapidly, it started to be used in many several industrial areas. Thanks to IoT, data that affect the health of any equipment or other important systems are collected. When these data are processed correctly, important information about the production process is obtained. For example, thanks to this data, systems based on machine learning are created to predict when various components will fail. Thus, maintenance operations are carried out before the component's breakdown, and replacement operations are performed if necessary. This strategy, called predictive maintenance, provides industries with advantages such as maximizing the life of components, reducing extra costs, and time saving. In this study, we applied ARF method, which is based on stream learning, on Turbofan Engine Degradation Simulation Datasets which are provided by NASA to estimate the remaining useful lifetime of jet engines. As a result, we mentioned about the advantages of streaming learning over batch learning and compared our results with other batch learning based studies which are applied on the same datasets.
Benzer Tezler
- Akustik veriler ile esnek pervaneli pompalarda kestirimcibakım
Predictive maintenance on flexible impeller pumps based on acoustic data
CEREN ÇOKER TURAN
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. MEHMET AKAR
- Makine öğrenmesi teknikleri ile frezeleme işlemlerinde takım aşınmasının tahmini
Prediction of tool wear in milling operations using machine learning techniques
GÖKBERK SERİN
Doktora
Türkçe
2024
Makine MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HAKKI ÖZGÜR ÜNVER
- A decision support system software for intelligent manufacturing
Akıllı üretim için karar destek sistemi
İLKNUR AYDINOĞLU
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. EMEL KURUOĞLU KANDEMİR
- Digital twin-enabled intelligent attack detection mechanisms for autonomous networks
Otonom ağlar için dijital ikiz destekli akıllı saldırı tespit mekanizmaları
YAĞMUR YİĞİT
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BERK CANBERK
- The relationship between digitalization and operational efficiency: Evidence from the turkish telecommunication industry
Dijitalleşme ve operasyonel verimlilik arasındaki ilişki: Türk telekomünikasyon endüstrisinden kanıt
KENAN YILDIZ