Geri Dön

Detecting anomalies in production using machine learning methods

Üretimdeki anomalilerin makine öğrenmesi metotları kullanılarak tespit edilmesi

  1. Tez No: 792140
  2. Yazar: DEVRİM NAZ AKDAŞ
  3. Danışmanlar: DOÇ. DR. DERYA BİRANT, DR. PELİN YILDIRIM TAŞER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. 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

  1. İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti

    Anomaly detection with machine learning on air conditioning systems

    REFİK KİBAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK

    DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR

  2. 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

    Türkçe

    2020

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. TOLGA KAYA

  3. 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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZHAN URHAN

  4. 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

    Türkçe

    2022

    Enerjiİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZEYNEP ORMAN

  5. 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

    İngilizce

    2022

    Mekatronik Mühendisliğiİstanbul Okan Üniversitesi

    Mühendislik Bilimleri Ana Bilim Dalı

    DOÇ. DR. ÖMER CİHAN KIVANÇ