Kestirimci bakım sistemlerinde veri artırma yöntemlerinin geliştirilmesi ve bir uygulaması
Development of data augmentation methods for predictive maintenance systems and an application
- Tez No: 766989
- Danışmanlar: DR. ÖĞR. ÜYESİ EYÜP ÇİNAR, PROF. DR. İNCİ SARIÇİÇEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 97
Özet
Endüstri 4.0'ın beraberinde getirdiği dijitalleşme, nesnelerin interneti (Internet of Things - IoT) ve büyük veri kavramları ile toplanabilen veri miktarı ve bu verileri kullanan bilimsel araştırmalar günden güne artmaktadır. Toplanan verilerin sürekliliği, niteliği ve istatistiksel analiz gücü, kestirimci bakım sistemlerinin bakım planlama süreçlerinde ve arıza/anomali tespitinde önemli bir role sahiptir. Verilerin eksiksiz ve gerçek zamanlı olarak toplanabilmesi beklenirken ağ ve sensör arızaları, senkronizasyon hataları ve çevresel faktörler gibi çeşitli sebeplerle yazılamayan eksik (kayıp) veriler veri setlerinde boşluklar oluşturabilmektedir. Eksik veri içeren veri setleri yanlı tahminlere, hatalı sonuçlara ve veriye dayalı makine öğrenimi (Machine Learning - ML) modelleri için sorunlara neden olabilmektedir. Tutarlı ve güçlü bir istatiksel veri analizi için eksik veriler ele alınmalı ve araştırmalar eksiksiz bir veri seti üzerinde yürütülmelidir. Bu çalışmada, veri setlerindeki eksik verilerin en uygun regresyon-tabanlı makine öğrenmesi algoritması ile tamamlanması ve bu sürecin Apache Airflow platformu üzerinde Otomatik Makine Öğrenimi (Automated Machine Learning - AutoML) yaklaşımı ile otomatikleştirilmesi sağlanmıştır. Önerilen yöntemin bir uygulaması, Eskişehir Osmangazi Üniversitesi (ESOGÜ) Akıllı Fabrika ve Robotik Laboratuvarında (IFARLAB) tasarlanan IoT sistem platformuna bir veri zenginleştirme modülü olarak entegre edilerek sunulmuştur. Çalışma sonucunda, önerilen yöntemin zaman ve insan gücünden kazanç sağlayarak veri artırma maliyetinin düşmesine olanak sağladığı görülmektedir.
Özet (Çeviri)
The amount of data that can be collected and scientific research using these data are increasing day by day with the concepts of digitalization, the Internet of Things (IoT), and big data brought along by Industry 4.0. The continuity, quality, and statistical analysis power of the collected data have an essential role in maintenance planning processes and fault/anomaly detection of predictive maintenance systems. While it is expected that the data can be collected completely and in real-time, missing data that cannot be written due to various reasons such as network and sensor failures, synchronization errors, and environmental factors can create gaps in the datasets. Datasets with missing data can cause biased predictions, erroneous results, and problems for data-driven machine learning (ML) models. For a consistent and robust statistical data analysis, missing data should be handled, and research should be conducted on a complete dataset. In this study, the missing data in the datasets have been completed with the most appropriate regression-based machine learning algorithm, and this process is automated with the Automated Machine Learning (AutoML) approach on the Apache Airflow platform. An application of the proposed method is presented by integrating it as a data augmentation module into the IoT system platform designed in Eskişehir Osmangazi University (ESOGU) Intelligent Factory and Robotics Laboratory (IFARLAB). As a result of the study, it is seen that the proposed method allows for reducing the cost of data augmentation by saving time and workforce.
Benzer Tezler
- Üretim yapan bir işletme için veri odaklı kestirimci bakım modellerinin karşılaştırılması
Comparison of data driven predictive maintenance models for a manufacturing company
CEMAL AYDIN
Yüksek Lisans
Türkçe
2021
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VOLKAN SÖNMEZ
- Application of machine learning techniques for predictive maintenance
Kestirimci bakım için makine öğrenmesi tekniklerinin uygulanması
ÖZLEM ECE YÜREK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Yazılımı Ana Bilim Dalı
PROF. DR. DERYA BİRANT
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Machine state detection by CNN on a low power microcontroller
Düşük güçlü mikro denetliyicide evrişimsel sinir ağları kullanarak makine durum tespiti
DORUK ERDEMGİL
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA GÜNDÜZALP
- A prescriptive analytics approach towards critical ship machinery operations
Kritik gemi makine işlemlerine yönelik bir preskiriptif analitik yaklaşım
BARIŞ YİĞİN
Doktora
İngilizce
2024
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. METİN ÇELİK