A deep learning model for prognostics and system health management
Prognostik ve sistem sağlığı yönetimi için derin bir öğrenme modeli
- Tez No: 769509
- Danışmanlar: DR. ÖĞR. ÜYESİ CAHİT PERKGÖZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: 119
Özet
Sağlık durumu izleme yoluyla, Prognostik ve Sistem Sağlık Yönetimi (PSSY) teknikleri, mevcut ve gelecekteki hataların oluşumunun ve mühendislik sistemlerinin gelecekteki durumunun tahminini kolaylaştırır. Bu tahminler, makine operatörlerinin bakım kararlarını objektif olarak yönetmesine ve zamanında almasına olanak tanır. PSSY teknikleri, mühendislik sistemlerinde prognostik ve teşhis sürecini kolaylaştıran içgörüler çıkararak makinelerden üretilen verileri analiz eder. Ancak, bu mühendislik sistemlerinin doğası gereği, veri toplama sürecinde ortaya çıkabilecek kritik riskler nedeniyle gerçek mühendislik sistemlerinden arızaya kadar veri üretmek ve elde etmek son derece zordur. Tekrarlayan Sinir Ağları ve varyantları, PSSY'de yaygın olarak kullanılmıştır. Bununla birlikte, modellerde bilinen engeller nedeniyle, eğitim sırasında yakınsama olmaması muhtemeldir. Sonuç olarak, bir modelin derinliğinin, model optimizasyonuna ve sonuçların doğruluğuna önemli ölçüde katkıda bulunduğu bilgisine rağmen, modeller sığ olarak inşa edilmiştir. Bu çalışma, derin modellerin karşılaştığı dezavantajların üstesinden gelmek amacıyla uzun-kısa dönem hafıza nöronları ile modele derin bir artık dizi önermektedir. Model, PSSY'nin araştırmacılara açık titreşim sinyali verileri tarafından eğitilmiş ve doğrulanmıştır. Veriler, önerilen modelle uyumlu olacak şekilde işlenmiştir. Pearson Korelasyon Katsayıları üzerinde bir eşik ayarlanarak, Başlangıç Zamanı Tahmini objektif olarak tespit edilmiş ve kalan faydalı ömür tahmin edilmiştir. Önerilen model, kümülatif bağıl doğruluk değerlendirme metriği ile değerlendirilmiş ve önceki çalışmalara göre %17,87 daha doğru ve güvenilir sonuçlar üretmiştir
Özet (Çeviri)
Through health condition monitoring, Prognostics and system Health Management (PHM) techniques facilitate the prediction of the occurrence of current and future failures and the estimation of the future state of engineering systems. These predictions enable machine operators to objectively manage and take timely maintenance decisions. PHM techniques analyze data generated from machines by extracting insights that facilitate the prognostics and diagnostics process in engineering systems. However, due to the nature of these engineering systems, it is extremely difficult to generate and acquire run-to-failure data from real engineering systems because of critical risks that might emerge during the data collection process. Recurrent Neural Networks and the variants have been used extensively in PHM. Nevertheless, because of the impediments known in such models, non-convergence during training occurs frequently. As a result, models were built shallow notwithstanding the knowledge that the depth of a model significantly contributes to the models' optimization and accuracy of results. It is upon this that this study proposes a deep residual sequence-to-sequence model with LSTM neurons intending to overcome the drawbacks faced by deep models. The model was trained and validated by PHMs' publicly available vibration signal data. The data was preprocessed such that it is compatible with the proposed model. Time to Start Prediction was detected objectively by setting a threshold on Pearson's Correlation Coefficients then the remaining useful life was estimated. Lastly, the model was evaluated with Cumulative Relative Accuracy and found to be 17.87% more accurate than the other models in comparison
Benzer Tezler
- Lityum iyon bataryalarda parça ömür kestirimi
Calculating remaining useful life of lithium-ion batteries
FERHAT MAÇİN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. SALMAN KURTULAN
- Havacılık endüstrisinde prognostik sağlık yönetimi ve veri madenciliği
Data mining and prognostic health management in the aviation industry
MERYEM ERDOĞAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiAviyonik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHARREM MERCİMEK
- Yapay zeka kullanılarak klinik tanının öngörülmesinde biyokimyasal test sonuçlarının rolünün araştırılması
Investigation of the role of biochemical test results in prediction of clinical diagnosis using artificial intelligence
YUSUF YEŞİL
Tıpta Uzmanlık
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiTıbbi Biyokimya Ana Bilim Dalı
PROF. DR. EVİN ADEMOĞLU
DOÇ. DR. ALPAY MEDETALİBEYOĞLU
- Derin öğrenme yöntemine dayalı yapay zekâ algoritmalarıyla panoramik radyografilerde incelenen sabit protetik restorasyonlar altında oluşan çürüklerin tespiti
Detection of caries formed under fixed prosthetic restorations examined on panoramic radiographs with artificial intelligence algorithms based on DEEP learning method
BETÜL AYHAN
Diş Hekimliği Uzmanlık
Türkçe
2023
Diş HekimliğiKırıkkale ÜniversitesiProtetik Diş Tedavisi Ana Bilim Dalı
PROF. DR. SAADET SAĞLAM ATSÜ
- Yapay zeka ve makine öğrenimi ile pankreas tümörlerinin saptanması
Detecting pancreatic tumors with artificial intelligence and machine learning
GÜNEŞ ORAL
Tıpta Uzmanlık
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaGenel Cerrahi Ana Bilim Dalı
PROF. DR. ABDULLAH KAĞAN ZENGİN