Joint autoencoder-based predictive maintenance methods for industrial machinery
Endüstriyel makineler için birleşik otokodlayıcı tabanlı kestirimci bakım yöntemleri
- Tez No: 825751
- Danışmanlar: DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yapay zeka, Artificial intelligence
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, endüstriyel sistemlerde hata sınıflandırmasını ve kalan faydalı ömür (KFÖ) kestirimini içeren kestirimci bakım yöntemleri, derin öğrenme modellerine odaklanarak araştırılmaktadır. Tezin amacı hata sınıflandırmasını, KFÖ tahminini içeren ve çalışma koşullarını entegre eden bir derin öğrenme çerçevesi oluşturmayı içerir. Sınırlı etiketli verileri ele alan tez, eğitim öncesinde kullanılmak üzere veri etiketleme için bir hata tespit algoritması sunar. Metodoloji, otokodlayıcı tabanlı bir mimari kullanır ve arıza tespiti ve KFÖ kestirimine dikkate değer bir etkinlik gösterir ve kestirimci bakımda önemli ilerlemelere yol açar. Dikkate değer bir katkı, endüstriyel makinelerde veri etiketleme zorluklarının üstesinden gelen ve kestirimci bakımı geliştiren yenilikçi hata algılama tabanlı KFÖ etiketlemesidir. Derin öğrenme genellikle, endüstriyel uygulamalarda kıt olabilen, önemli miktarda etiketlenmiş veri gerektirir. Önerilen hata tespit algoritması, hassas veri etiketlemede önemli bir rol oynayarak, gerçek dünyadaki endüstriyel ortamlarda derin öğrenme modellerinin etkili bir şekilde uygulanmasını sağlar. Sonuç olarak, bu araştırma, arıza tespiti ve KFÖ kestirimi için etkili bir derin öğrenme çerçevesi sunarak kestirimci bakıma büyük ölçüde katkıda bulunur. Elde edilen sonuçlar, çerçevenin çeşitli sistemlerde KFÖ'ü doğru bir şekilde tahmin etme potansiyeli gösterir. Hazırlanan yeni veri seti, endüstriyel sistemlerde sağlık indeksi oluşturma, arıza tanımlama, kalan faydalı ömür kestirimi ve arıza tespiti konularda gelecekteki araştırmaları desteklemektedir.
Özet (Çeviri)
This thesis explores predictive maintenance in industrial systems using deep learning, focusing on fault classification and remaining useful life (RUL) prediction. The objectives include creating a deep learning framework that includes fault classification, RUL prediction, and integrates operating conditions for accurate real-world representation. Addressing limited labeled data, the thesis designs a fault detection algorithm for precise labeling during training. The methodology employs an autoencoder-based architecture, showing remarkable efficacy in fault detection and RUL prediction, leading to significant advancements in predictive maintenance. Another notable contribution is the innovative fault detection-based RUL labeling, overcoming data labeling challenges and enhancing predictive maintenance in industrial machinery. Deep learning often requires substantial labeled data, which can be scarce in industrial applications. The proposed fault detection algorithm plays a pivotal role in precise data labeling, enabling effective deployment of deep learning models in real-world industrial settings. Overall, this research offers an effective deep learning framework for fault detection and RUL prediction, contributing substantially to predictive maintenance literature. Demonstrated results underscore the framework's potential to predict RUL accurately across diverse systems. A new dataset supports future research in health index generation, fault identification, remaining useful life prediction, and failure prognosis in industrial systems.
Benzer Tezler
- Otokodlayıcı tabanlı kablosuz haberleşme için RIS optimizasyonu
Optimizing RIS for autoencoder-based wireless communication
ÖZNUR AYDOĞAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ERTUĞRUL ÇELEBİ
- Novel deep learning based approaches for clutter removal and target detection in GPR
Ynr'de kargaşa giderme ve hedef algılama için yeni derin öğrenme tabanlı yaklaşımlar
YAVUZ EMRE KAYACAN
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Siber güvenlikte derin öğrenme tabanlı ağ analizi ile botnet cihazı tespiti
Botnet device detection with deep learning based network analysis in cyber security
ÖZKAN ZEYBEK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKilis 7 Aralık ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN GÜLER
- Nöromorfik hesaplama ve memristor tabanlı ağ saldırı tespit sistemleri: Siber güvenlikte yeni yaklaşımlar
Neuromorphic computing and memristor-based network attack detection systems: New approaches in cyber security
YUSUF ETKA KÖYLÜ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN KOCAARSLAN
- Baskı devre kartlarında lehim hatası denetimi
Solder joint inspection on printed circuit boards
FURKAN ÜLGER
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM