Makine öğrenmesi ve derin öğrenme yöntemleriyle otonom kestirimci bakım modellerinin geliştirilmesi
Development of autonomous predictive maintenance models with machine learning and deep learning methods
- Tez No: 830854
- Danışmanlar: DOÇ. DR. İLKER GÖLCÜK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İZMİR BAKIRÇAY ÜNİVERSİTESİ
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Akıllı Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: 88
Özet
Dijitalleşme ve Endüstri 4.0 kapsamında, kestirimci bakım uygulamaları endüstride önemli bir rol oynamaktadır. Bu uygulamalar, arıza sürelerinin azalması ve verimliliğin artması açısından büyük öneme sahiptir. Son zamanlarda Yapay Zekâ (YZ) teknolojilerinin kullanımının artmasıyla birlikte, ekipmanların verilerinin izlenmesi ve kalan ömürlerinin tahmin edilmesi de yaygınlaşmıştır. Bu çalışmada,“Nasa Turbofan”veri seti kullanılarak kestirimci bakım uygulamaları üzerinde deneyler yapılmıştır. Deneylerde iki farklı algoritma olan XGBoost ve Uzun ve Kısa Süreli Hafıza Ağları (Long-Short Term Memory–LSTM) kullanılmıştır. Veri seti ön işleme süreçlerinden geçirilerek gereksiz veriler atılmıştır ve kalan ömür zamanı (RUL) kolonu özellik mühendisliği yöntemleriyle oluşturulmuştur. Parçalı lineer bozulma modeli kullanılarak, erken RUL değeri belirlenmiş ve kalan ömrün tahmini yapılmıştır. Algoritmaların performansı farklı hata metrikleri kullanılarak değerlendirilmiştir. Hiperparametrelerin değiştirilmesiyle modellerin başarı oranlarının önemli ölçüde artırdığı göz önünde bulundurularak XGBoost'un hiperparametrelerinin manuel olarak ayarlandığı ve“Autogluon”kütüphanesinin kullanıldığı durumlar karşılaştırılmıştır. Autogluon kütüphanesinin kullanılmasıyla XGBoost algoritmasının performansının önemli ölçüde arttığı gözlenmiştir. Bu çalışma ile endüstriyel makinelerin daha az arızalanmasını sağlamak amacıyla uygulanan kestirimci bakım uygulamalarında YZ temelli algoritmaların kullanımının önemi ve verimliliğe olan katkıları gösterilmiştir.
Özet (Çeviri)
In the context of digitization and Industry 4.0, predictive maintenance applications play a significant role in the industry. These applications are of great importance in reducing downtime and increasing efficiency. With the increasing use of Artificial Intelligence (AI) technologies in recent years, monitoring equipment data and predicting their remaining lifetimes have also become widespread. In this study, experiments were conducted on predictive maintenance applications using the“Nasa Turbofan”dataset. Two different algorithms, XGBoost and Long Short-Term Memory (LSTM), were used in the experiments. The dataset underwent preprocessing, where unnecessary data was removed, and the Remaining Useful Life (RUL) column was created using feature engineering methods. Using the Piecewise Linear Degradation model, early RUL values were determined, and remaining life predictions were made. The performance of the algorithms was evaluated using various error metrics. Considering that changing hyperparameters significantly increased the success rates of the models, XGBoost's hyperparameters were manually adjusted, and cases using the“Autogluon”library were compared. It was observed that the performance of the XGBoost algorithm significantly improved when the Autogluon library was used. This study demonstrates the importance and contributions of AI-based algorithms in predictive maintenance applications aimed at reducing industrial machine failures and improving efficiency.
Benzer Tezler
- A multi-fidelity prediction framework with convolutional neural networks using high-dimensional data
Yüksek boyutlu veriler ile çok-doğruluklu evrişimsel sinir ağı tabanlı kestirim
HÜSEYİN EMRE TEKASLAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. MELİKE NİKBAY
- A comparative study of nonlinear model predictive control and reinforcement learning for path tracking
Yol izleme için doğrusal olmayan model öngörülü kontrol ve pekiştirmeli öğrenmenin karşılaştırmalı çalışması
GAMZE TÜRKMEN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Predicting the bandgap of hole-transport materials by deep learning
Derin öğrenme ile delik geçiş malzemelerinin bant aralığı tahmini
MİRAÇ AYDIN
Yüksek Lisans
İngilizce
2023
Kimyaİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN
- İHA üzerinden derin öğrenme tabanlı nesne belirlenmesi ve GNSS konum koordinatlarının hesaplanması
Deep learning based object detection via UAV and computation of GNSS location coordinates
FERİT TİRYAKİ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ERDAL
DR. ÖĞR. ÜYESİ BARIŞ DOĞAN
- Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers
ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti
MEHMET ALPEREN BAKICI
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ