Data reduction methods in just-in-time-learning
Anında öğrenim ve veri azaltma yöntemleri
- Tez No: 691771
- Danışmanlar: DOÇ. DR. BURAK ALAKENT
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 102
Özet
Endüstriyel süreçler, çevresel mevzuatlar ve pazardaki rekabet koşullarının belirlediği standartları sağlamak amacıyla sürekli olarak izlenmektedirler. Sıcaklık, basınç, akış hızı gibi süreç değişkenleri mekanik sensörler yardımıyla kolaylıkla ölçülmektedir ve veri depolama teknolojilerinin hızla gelişmesi sayesinde büyük miktarda süreç verisi depolanabilmektedir. Bununla birlikte bir ürünün kalitesini, süreçlerin güvenliğini ya da kısıtlanmış bir kimyasal kompozisyonunu gösteren değişkenler de vardır ve bunlar kalite değişkeni olarak adlandırılırlar. Kalite değişkenleri detaylı laboratuvar analizleri gerektirdiği için süreç değişkenlerine nazaran çok daha az sıklıkta ölçülmektedirler. Bu nedenle kalite değişkenlerinin takibi süreç kontrolü ve izlenmesinde zayıf noktalardan biridir. Sanal sensör uygulamaları kalite değişkenlerini istatistiksel öğrenme metotları kullanarak tahmin etmenin en verimli yöntemidir. Geleneksel sanal sensörler çevrimdışı şekilde modellenip çevrimiçi tahminlemede kullanılırlar. Bu nedenle süreç farklı koşullara kaydıkça düzenli olarak bakım çalışmaları gerekmektedir. Anında öğrenim, yeni bir numune geldikçe lokal bir model oluşturan yeni koşullara adapte olabilme yeteneğine sahip bir yöntemdir. Bu yöntemde tahminleme yapıldıktan sonra model bir daha kullanılmamaktadır. Anında öğrenim, geleneksel yöntemlere göre daha verimli ve tahminleme beceresi daha yüksek sonuçlar ortaya koymaktadır. Bir sanal sensörün tahminleme kalitesi aynı zamanda veri tabanında depolanmış verilerin kalitesine de bağlıdır. Veri azaltma yöntemleri tahminleme kalitesini düşüren verileri elimine etmek ve daha anlamlı verileri depolamak için kullanılan yöntemlerdir. Bu tez çalışmasında, anında öğrenim modelleri Lasso regresyonu ve destek vektör regresyonu istatistiksel öğrenme metotları kullanılarak dört farklı veri setinde üç farklı veri azaltma metodu kullanılarak incelenmiştir. Sonuç olarak veri azaltma yöntemlerinin veriminin veri setinden veri setine değiştiği ve anında öğrenim kullanıldığında tahminleme kalitesinin daha az sayıda veri kullanılarak korunduğu gösterilmiştir. Bununla birlikte lineer olmayan modeller lineer modellere göre daha iyi sonuçlar göstermiştir.
Özet (Çeviri)
Industrial processes are monitored continuously to meet the standards dictated by the market and environmental regulations. There are many process variables like temperature, pressure, flow rate which can be easily measured online through mechanical sensors and lots of data can be stored thanks to the advancements in data storage technology. At the same time, there are variables that show the quality of a product, process safety or some other restricted chemical composition. These are called quality variables and they are measured less often due to requirement of a detailed laboratory analysis. Measuring quality variable ones in a shift is a weak link in process control and monitoring. Implementing a soft sensor is a very efficient way to predict quality variables through statistical learning methods. Traditional soft sensors are built in an offline manner and used for online prediction while it requires maintenance periodically as process shifts to another state. Just-in-time learning is an adaptive method in which a local model is built when a new sample is obtained, and the model is discarded after a prediction is made. JITL outperforms traditional methods in terms of efficiency and predictive ability. The prediction performance of a soft sensor is also affected by the quality of the training data stored in the data base. Data reduction methods are used to eliminate data that weaken prediction quality and to store meaningful data for increasing prediction performance and model efficiency. In this thesis, JITL models are trained with Lasso and least squares support vector regression and three different data reduction algorithms using four different data sets. It is shown that the effect of each data reduction method changes from data set to data set, and prediction accuracy of JITL using all data can be attained using a smaller training sets. Additionally, results show that prediction accuracy of nonlinear models trained by LSSVR outperforms that of Lasso.
Benzer Tezler
- Grup teknolojisi imalat sistemleri tasarımı için bir metodoloji ve bu metodolojinin endüstride uygulanması
Başlık çevirisi yok
NEVİN AYDIN
Doktora
Türkçe
1998
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. M. BÜLENT DURMUŞOĞLU
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Dinamik olmayan stokastik rezonans yöntemi kullanılarak su altı görüntülerinin iyileştirilmesi
Underwater image enhancement using non-dynamic stochastic resonance
RUSTAM SALIMOV
Doktora
Türkçe
2024
Fizik ve Fizik MühendisliğiSakarya ÜniversitesiFizik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HACI AHMET YILDIRIM
- Derin öğrenme ile uydu görüntülerinde hedef tespiti
Target detection in satellite images using deep learning
VAZIRKHAN TARVERDIYEV
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Speeding up branch and bound algorithm for airline Crew scheduling problem by using machine learning techniques
Makine öğrenme teknikleri kullanarak Crew programlama sorunu için şube ve sınava algoritmasının hızlanması
LEILA GHASEMZADEH
Yüksek Lisans
İngilizce
2019
Havacılık Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NAZIM KEMAL ÜRE