Siamese networks for predictive maintenance
Kestirimci bakım için siyam ağları
- Tez No: 731288
- Danışmanlar: DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 44
Özet
Tahmine dayalı bakım, ne zaman bakım gerektiğini tahmin ederek (veya kalan kullanım ömrünü tahmin ederek) enerji santrallerinde, uçaklarda ve fabrikalarda motor bakım maliyetlerini azaltır. Son zamanlarda, derin öğrenmedeki önemli ilerlemeler ve üretim süreçlerinden çıkarılan yüksek hacimli verilerin kullanılabilirliği ile birlikte, kalan faydalı ömrü (KFÖ) tahmin etmeye yönelik veriye dayalı yöntemler büyük ilgi gördü. Veriye dayalı prognozla ilgili önemli bir sorun, maliyetli olması ve çok sayıda hata durumunda elde edilmesi zor olabilecek büyük miktarda eğitim verisi gerektirmesidir (genellikle gerçek dünyada elde edilmesi imkansız ve pahalıdır). Bu tez, daha az arıza verisi gerektiren arıza teşhisi için öğrenmeye dayalı bir yöntem önermektedir. Bu amaçla, InceptionTime olarak adlandırılan belirli bir derin Evrişimli Sinir Ağı (ESA) üzerine kurulmuş bir Siyam ağ mimarisi kullanıyoruz. Ağın Siyam kısmı, iki ayrı zaman penceresi için bir benzerlik ölçüsü oluşturmak için mevcut verilerin tekrar tekrar kullanılmasına izin verir. Önerilen modeli doğrulamak için NASA tarafından sağlanan turbofan motorları C-MAPSS veri seti kullanılmıştır. Önerilen model ve bir temel model arasındaki küçük veri kümelerindeki performansı karşılaştırmak için çeşitli boyutlarda turbofan motor verileri kullanılarak deneyler yapılmıştır. Ayrıca, çeşitli literatür yaklaşımları uygulanarak önerilen modelin performansının iyileştirilmesine yönelik çalışmalar yapılmıştır. Sonuçlar, modelimizin arıza teşhisinde kullanılabileceğini ve RUL tahmini için son teknoloji yöntemlere kıyasla karşılaştırılabilir performanslarla daha az veri ile tatmin edici tahmin sonuçları sağladığını göstermektedir.
Özet (Çeviri)
Predictive maintenance reduces engine maintenance costs in power plants, aircraft, and factories by predicting when maintenance is needed (or by estimating the remaining useful life). Recently, with significant advances in deep learning and the availability of high volumes of data extracted from manufacturing processes, data-driven methods to estimate remaining useful life (RUL) have received great interest. A major problem with data-based prognosis is that it is costly and requires large amounts of training data that could be difficult to obtain in large numbers of failure cases (often impossible and expensive to obtain in the real world). This thesis proposes a learning-based method for fault diagnosis requiring fewer failure data. To this end, we use a Siamese network architecture founded on a specific deep Convolutional Neural Network (CNN) termed InceptionTime. The Siamese part of the network allows repeated use of the existing data to establish a similarity metric for two separate time windows. The turbofan engines C-MAPSS dataset supplied by NASA is used to verify the proposed model. Experiments are conducted using various sizes of the turbofan engines data to compare the performance on small datasets between the proposed model and a baseline model. In addition, studies were carried out to improve the proposed model's performance via applying various literature approaches. The results demonstrate that our model can be used in fault diagnosis and provide satisfying prediction results with fewer data with comparable performances against state-of-art methods for RUL prediction.
Benzer Tezler
- Automated maintenance support for data-tier software
Veritabanı yazılımları için otomatikleştirilmiş bakım desteği
ERSİN ERSOY
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN SÖZER
- Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data
Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması
MERVE BOZO
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Etkin sorgu önerileri için kullanıcı sorgularının görev tabanlı yönetilmesi
Task based management of user queries for effective query suggestions
NURULLAH ATEŞ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- In car theft security system by face detection
Başlık çevirisi yok
RAOOF HAYDER RAOOF ALTAHER
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KOYUNCU
- Sınırlı veri setiyle sınıflama uygulamalarına yeni bir yaklaşım
A new approach to classification applications with limited dataset
SAİM ERVURAL
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN