Detecting anomalies in production using machine learning methods
Üretimdeki anomalilerin makine öğrenmesi metotları kullanılarak tespit edilmesi
- Tez No: 792140
- Danışmanlar: DOÇ. DR. DERYA BİRANT, DR. PELİN YILDIRIM TAŞER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 57
Özet
Nadir görülen ve verilerin çoğundan önemli ölçüde farklı olan ve önceden bilinmeyen anormallikleri keşfetmek otomotiv endüstrisi için kritik bir ihtiyaçtır. Model tabanlı yöntemlerden biri olan Seyrek Öge Seti Madenciliği (RIM), başarılı analiz sonuçları sağlaması nedeniyle bu çalışmada anomali tespiti için kullanılmıştır. Ancak, hedefe daha uygun, değerli ve güvenilir nadir öğe kümelerini belirleyerek madencilik sürecini iyileştirmek gibi bazı yönlerin hala keşfedilmesi gerekmektedir. Bu yeni yaklaşım ile motive edilen bu çalışma, farklı algoritmalar kullanarak seyrek öğe setlerini (WRIs) araştıran ve güçlü öğe setleri (SRIs) elde etmek için bu kuralları bir araya getiren Seyrek Öğe Seti Madenciliği Topluluğu (ERIM) adlı yeni bir yaklaşım önermektedir. Bu çalışma aynı zamanda dört farklı Seyrek Öge Seti algoritmalarını (Apriori Rare, Apriori Inverse, CORI ve RP-Growth) ilk kez birleştirir. Önerilen ERIM yaklaşımı, bir vaka çalışması olarak otomotiv endüstrisine uygulanmıştır. Yapılan deneylerde, ERIM, makine duruş sürelerindeki anormallikleri keşfetmek için gerçek dünyadaki bir dişli üretim veri setine uygulanmıştır. Deneysel sonuçlar, bazı örnekler de verilerek, öğe kümesi sayısı ve öğe kümesi uzunluğu açısından değerlendirilmiştir. Sonuçlar, önerilen ERIM yaklaşımının, temel öğrenenler tarafından keşfedilen seyrek öğe setleri arasındaki ilişkiyi birlikte ele alarak daha güvenilir ortak bilgi verdiğini göstermiştir. Deneysel sonuçlar, önerilen ERIM tekniğinin anomalileri tespit etmede başarılı olduğunu göstermiştir. Yöntemimizin aynı veri setinde en son teknolojiye sahip yöntemlerden ortalama %43,37 daha iyi performans gösterdiği sonuçlardan açıkça görülmektedir. Önerilen yaklaşımın üstünlüğünden yola çıkarak gelecekteki araştırma projelerinde etkin bir şekilde kullanılabileceğini söylemek mümkündür.
Özet (Çeviri)
Discovering previously unknown anomalies that are rare and dramatically differ from the majority of the data is a critical need for the automotive industry. Rare Itemset Mining (RIM), one of the pattern-based methods, has been used for anomaly detection. However, several aspects still need to be explored, such as improving the mining process by identifying more targeted, valuable, and reliable rare itemsets. Motivated by this fact, this study proposes a novel approach, named Ensemble of Rare Itemset Mining (ERIM), which investigates weak rare itemsets (WRIs) using different algorithms and aggregates these rules to obtain strong rare itemsets (SRIs). This study also combines four different RIM algorithms (Apriori Rare, Apriori Inverse, CORI, and RP-Growth) for the first time. The proposed ERIM approach applied to the automotive industry as a case study. The ERIM approach was applied to a real-world dataset of gear manufacturing to identify anomalies in machine downtimes. The experimental results were evaluated based on the number and length of itemsets, and some examples were provided for illustration. According to the results, the ERIM approach gives more reliable common knowledge by jointly considering the relation between WRIs discovered by the base learners. The experimental results showed that the proposed ERIM technique was successful in detecting anomalies. It is clear from the results that our method performed 43.37% better on average than the state-of-the-art methods on the same dataset. Based on its superiority, it is possible to say that it can be effectively used in future research projects.
Benzer Tezler
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR
- Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti
An application of machine learning to anomaly detection in insurance industry using strategic management approach
AYŞE NURBANU ŞAHAN
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. TOLGA KAYA
- Melez bir öğrenme yaklaşımı ile ek yeri proseslerinde anomali tespit ve sınıflandırma
Detection and classification of anomalies in the splice adding processes with a hybrid learning approach
ENES BAYTÜRK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZHAN URHAN
- Elektrik güç dağıtımında akıllı sayaç verileri için anomali tespiti ve tahminleme
Anomaly detection and prediction for smart meter data in electrical power distribution
SERHAT YARAT
Yüksek Lisans
Türkçe
2022
Enerjiİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEYNEP ORMAN
- Görsel derin öğrenme yöntemlerine dayalı olarak elektrik motorları üzerindeki yüzey anormalliklerinin tespiti
Detection of surface anomalies on electric motors based on visual deep learning methods
ALİ SAMİ GÖZÜKIRMIZI
Yüksek Lisans
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Okan ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
DOÇ. DR. ÖMER CİHAN KIVANÇ