Temel bileşenler analizi ve yapay sinir ağları kullanılarak turbofan motorunun kalan faydalı ömür tahmini
Prediction of remaining useful lifetime of turbofan engine using PCA and artificial neural networks
- Tez No: 734649
- Danışmanlar: DR. ÖĞR. ÜYESİ RANA ORTAÇ KABAOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 64
Özet
Reaktif ve önleyici bakım teknikleri gibi geleneksel bakım teknikleri zaman kaybına, maliyet ve güvenlik sorunlarına neden olduğundan, kestirimci bakım (cihaz arızasının meydana gelmeden önce tahmin edilmesine bağlı bir bakım yaklaşımıdır) tercih edilir. Ayrıca, ekipmana takılan sensörlerin ölçümleri kullanılarak tahmin yapılır. Ayrıca IoT (Internet of Things - Nesnelerin İnterneti) kullanımlarının artması, bakımın tahmine dayalı analitik olarak adlandırılan bir veri analitiği sorunu olarak görülmesini sağlar. Başka bir deyişle, bu verilerin doğru işlenmesi, yüksek doğrulukta bir arıza ortaya çıkmadan tahmini sağlayacak bir sistem oluşturulmasını sağlayabilir. Bu çalışmada, temel bileşenler analizi (TBA) algoritması ve yapay sinir ağları kullanılarak uçak motoru turbo fanın kalan faydalı ömrünü (KFÖ) tahmin etmek için NASA tarafından sağlanan bir Turbofan Motor Bozulma Simülasyon Veri Kümeleri kullanılmıştır. Girdi sayısını azaltmak için TBA kullanılmıştır. TBA'nın çıktısı dört farklı sinir ağına beslenmiş ve sonuçları en yüksek performansı sağlayan en iyi modeli seçmek için karşılaştırılmıştır. Sonuç olarak, çok katmanlı algılayıcı modeli (ÇKA) en iyi performansa sahiptir. Önerilen yöntem literatüre göre daha az girdi kullanılmasına rağmen 2 veri setinde daha iyi performans göstermiştir.
Özet (Çeviri)
Because traditional maintenance techniques such as reactive and preventive maintenance techniques result in lost time, cost, and safety issues, predictive maintenance (i.e., a form of maintenance that relies on predicting equipment failure before it occurs) is preferred. In addition, the prediction is based on the measurements of the sensors installed in the devices. Additionally, the increasing use of IoT (Internet of Things) means that maintenance is viewed as a data analysis problem known as predictive analytics. In other words, processing this data correctly can result in the implementation system providing a highly accurate failure prediction before it occurs. In this study, turbofan engine simulation data sets provided by NASA are used to predict the remaining useful life-time (RUL) for the aircraft engine turbofan using Principal Component Analysis (PCA) algorithm and artificial neural networks. PCA is used to reduce the number of inputs. The PCA output is fed to four different neural networks and their results are compared to select the best model with the highest performance. As a result, the Multilayer Perceptron (MLP) model has the highest performance. Although the proposed method used fewer inputs compared to the literature , it performs better on 2 datasets.
Benzer Tezler
- Makine öğrenmesinde değişken seçim yöntemlerinin karşılaştırılması: Ev enerjisi tüketim tahmini
Comparison of variable selection in machine learning methods: Household energy consumption estimation
NURİ BERK URAL
Yüksek Lisans
Türkçe
2024
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MERAL ÇETİN
- Ordu ili yüzey ve yeraltı su kaynaklarının su kalitesi yönünden incelenmesi
Investigation of surface and ground water resources of Ordu province in terms of water quality
BOUBACAR SIDIKI TONDE
Doktora
Türkçe
2023
Jeoloji MühendisliğiKaradeniz Teknik ÜniversitesiJeoloji Ana Bilim Dalı
PROF. DR. ARZU FIRAT ERSOY
- Ses iletim hızıyla akciğer hastalıklarının teşhisinde makine öğrenimi yöntemlerinin performanslarının karşılaştırılması
Comparison of the performances of machine learning methods in the diagnosis of pulmonary diseases with a voice transmission speed
HÜSEYİN CANDAN
Yüksek Lisans
Türkçe
2019
BiyoistatistikEge ÜniversitesiBiyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
PROF. DR. MEHMET NURULLAH ORMAN
- Kumaş dokuma hatalarının tespiti ve sınıflandırılması
Detection and classification of fabric defects
KEMAL BÜYÜKKABASAKAL
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYDOĞAN SAVRAN
- Yapay sinir ağları kullanılarak retina görüntülerinden hastalık tanılama sistemi tasarımı ve gerçekleştirimi
Design and implementation of disease recognition system in retinal images using artificial neural networks
OSMAN ŞİRVAN
Doktora
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYBARS UĞUR