Kestirimci bakım uygulamalarında makine öğrenimine dayalı anomali tespiti yöntemlerinin geliştirilmesi
Development of machine learning based anomaly detection methods in predictive maintenance applications
- Tez No: 817137
- Danışmanlar: DR. ÖĞR. ÜYESİ EYÜP ÇİNAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kestirimci bakım, makine koşullarını izleyerek beklenmeyen ekipman arızalarını tespit etmek ve önlemek için uygulanan bir yaklaşımıdır. Endüstriyel sistemlerde kullanılan ekipmanların düzenli olarak bakımlarının yapılması gerekmektedir. Aksi takdirde yaşanan ani bir arıza, mali kayıplara yol açabilir. Gelişmiş sensör veri toplama teknolojileri, birçok türde sensör verisinin dijital olarak üretilmesine ve saklanmasına olanak tanır. Bu veriler, yapay zeka yöntemlerine beslenerek ekipman durumları hakkında bilgiler edinilebilir. Arıza tespit uygulamalarındaki zorluklardan biri, bir sensörün performansta yetersiz kalabilmesidir. Çoklu sensör füzyonu, çoklu sensörlerden gelen verileri etkin bir şekilde birleştirerek daha sağlam bir yapı oluşturmayı amaçlar. Ayrıca, bir kaynaktan elde edilen verinin farklı modları farklı bilgiler sağlayabilir. Bu tez kapsamında, ekipman hatalarını tespit etmek için hem çok modlu öğrenmeyi hem de çoklu sensör füzyonunu içeren bir derin öğrenme mimarisi geliştirilmiştir. Arıza durumunun tespiti için titreşim ve akım sensörlerinde elde edilen verilerin hem zaman uzayında hem de zaman-frekans uzayında temsilleri bir arada kullanılmıştır. Titreşim ve akım sensörlerinden gelen ham veriler, Kısa Zamanlı Fourier Dönüşümü (STFT) kullanılarak spektrogram görüntülerine dönüştürülmüştür. Ardından, hataları tespit etmek için önerilen yönteme zaman-frekans görüntüleri ve ham zaman serisi verileri paralel olarak sağlanmıştır. Önerilen yöntemin etkinliği, iki farklı veri seti üzerinde farklı tekniklerle karşılaştırılarak incelenmiştir. Sonuçlar, önerilen yöntemin hataları tespit etmede başarılı olduğunu göstermektedir.
Özet (Çeviri)
Predictive maintenance is an approach to detect and prevent unexpected equipment failures by monitoring machine conditions. Equipment used in industrial systems should be regularly maintained. Otherwise, a sudden breakdown can lead to financial losses. Advanced sensor data acquisition technologies allow many types of sensor data to be generated and stored digitally. These data can be utilized with artificial intelligence methods to obtain information about the equipment's condition. One of the challenges in fault detection is the potential inadequacy of a single sensor's performance. Multi-sensor fusion aims to create a more robust structure by effectively combining data from multiple sensors. Furthermore, different modes of data obtained from a source may provide different information. In this thesis, a deep learning architecture including both multi-modal learning and multi-sensor fusion was developed to detect equipment faults. In order to detect the fault condition, the representations of the data obtained from the vibration and current sensors in both time space and time-frequency space are used together. The raw data from vibration and current sensors were converted into spectrogram images using the Short Time Fourier Transform (STFT). Subsequently, time-frequency images and raw time-series data were provided in parallel to the proposed method for fault detection. The effectiveness of the proposed method was investigated by comparing it with different techniques on two different datasets. The results indicate that the proposed method is successful in detecting faults.
Benzer Tezler
- Endüstriyel talaşlı imalat tezgahlarında kesici aşınmalarının sinyal işleme yöntemleriyle gerçek zamanlı tespiti
Real-time detection of cutter wear on industrialmachining machines using signal processing methods
SEYİT VATANSEVER
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK
- Data-driven prediction and decision-making for maintenance of railway door systems
Demiryolu kapı sistemlerinin bakımı için veri odaklı tahmin ve karar verme
ŞÜKRÜ GÖRGÜLÜ
Doktora
İngilizce
2026
Elektrik ve Elektronik MühendisliğiEskişehir Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TANKUT ÖZGEN
- Edge computing-based predictive maintenance middleware for industrial IoT
Endüstriyel nesnelerin interneti için kenar bilişim tabanlı kestirimci bakım modeli
BLESSING NGONIDZASHE MUSUNGATE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET TUNCAY ERCAN
- Integrated digital twin and scada framework for real-time process optimization, predictive maintenance, and energy efficiency in ındustry 4.0
Integrated digital twin and scada framework for real-time process optimization, predictive maintenance, and energy efficiency in industry 4.0
KHALID FAYEZ ABD ALYAFAWI
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ÇİL
- Rulman arıza teşhisinde makine öğrenmesi algoritmaları ile kestirimci bakım: Model karşılaştırması
Predictive maintenance with machine learning algorithms for bearing fault diagnosis: Model comparison
SALİM BAYRAK
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN ALTUNTAŞ