Uç bilişim ile LSTM tabanlı arıza tespiti
LSTM based fault detecti̇on wi̇th edge computi̇ng
- Tez No: 833076
- Danışmanlar: DR. ÖĞR. ÜYESİ MAHMUT DURGUN
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 85
Özet
Endüstri 4.0 çerçevesinde hayatımıza giren Nesnelerin İnterneti (IoT), birçok sistem üzerinde iletişim ve kontrol imkânı sağlayarak önemli bir rol oynamaktadır. 2020 yılında yaklaşık olarak 20,4 milyar IoT cihazının var olduğu tahmin edilmektedir. Ancak, IoT cihazlarının çeşitliliği ve yaygınlığı, bazı sorunları da beraberinde getirmektedir. Birinci sorun, IoT cihazlarından üretilen verilerin iletilmesi ve işlenmesinin zorluğudur. Günümüzde, genellikle bulut bilişim tabanlı çözümler tercih edilmekte ve tasarlanan IoT sistem mimarilerinde bulut bilişim yaklaşımı kullanılmaktadır. Ancak, her sistem için ayrı bir bulut kaynağı tahsis etmek, gerçek zamanlı IoT sistemlerinde gecikme sorunlarına ve maliyetlere yol açabilmektedir. Bu dezavantajı ortadan kaldırmak için, uç (sınır) bilişim yaklaşımıyla tasarlanan sistemler daha verimli olabilir. Bu durumda, veriler yerel noktalarda toplanıp işlenirken buluttaki işlem yükü azaltılarak gecikme süresi düşürülür ve kaynak tasarrufu sağlanır. Diğer bir zorluk ise IoT sistemlerindeki hataların tespitidir. Sorunun zamanında tespit edilmemesi, yedek parça stokunun olmaması ve değiştirilecek parçaların tedarik süresi gibi faktörler, sistem sürekliliğini engelleyebilmektedir. Yapılan literatür araştırmaları, yapay zeka modellerinin IoT cihazlarından elde edilen verilerle bulut katmanında sürekli olarak eğitildiğini ve arıza tespiti için kullanıldığını göstermektedir. LSTM (Uzun Kısa Süreli Bellek) gibi yapay zeka modelleri, dizi tahmin problemlerinde sıra bağımlılığını öğrenebilen bir RNN (Tekrarlayan Sinir Ağı) mimarisine sahiptir. LSTM, zaman serilerine dayalı veriler üzerinde tahminler yapmak için oldukça başarılı bir yapay zeka modelidir. IoT verileri de genellikle zaman serilerine bağlı olduğundan, LSTM bu alanda diğer modellere göre avantajlıdır. Ancak, bu tür bir yapay zeka modelinin bulut katmanında çalıştırılması, depolama kapasitesi, bilgi işlem yükü, ağ tıkanıklığı ve sunucu maliyetleri gibi sorunları beraberinde getirebilmektedir. Bu çalışma, Nesnelerin İnterneti (IoT) cihazlarının verilerinin işlenmesi ve hata tespiti konusunda bulut bilişim ile uç bilgi işlem altyapısını birleştiren bir yaklaşım olan Uç Bilişim ile LSTM Tabanlı Arıza Tespiti (UBLTAT) sistemini tanıtmaktadır. UBLTAT, IoT cihazlarından elde edilen verileri bulut katmanında eğitim için kullanılan LSTM modeline iletmektedir. İstenilen eğitim başarısı sağlandıktan sonra, modelin ağırlıkları sınır katmanında çalışan UBLTAT'a aktarılmakta ve hata tespiti uç katmanında LSTM modeli kullanılarak gerçekleştirilmektedir. Bu şekilde, yapay zeka modellerinin UBLTAT ile uçta çalıştırılması, cihazların ürettiği verilerin yerel noktalarda işlenmesini ve hata tespitini sağlarken aynı zamanda buluta bağlı maliyeti de azaltmaktadır.
Özet (Çeviri)
The Internet of Things (IoT), which has emerged under the framework of Industry 4.0, plays a significant role by providing communication and control capabilities in various systems. It is estimated that there were approximately 20.4 billion IoT devices in 2020. However, the diversity and ubiquity of IoT devices also bring forth certain challenges. The first challenge is the difficulty in transmitting and processing data generated by IoT devices. Currently, cloud-based solutions are commonly preferred, and cloud computing approaches are employed in the design of IoT system architectures. However, allocating a separate cloud resource for each system can lead to latency issues and increased costs in real-time IoT systems. To overcome this disadvantage, designing systems based on edge computing approach can be more efficient. In this case, data is collected and processed at local points, reducing the computational load on the cloud, decreasing latency, and enabling resource savings. Another challenge is the detection of errors in IoT systems. Failure to detect problems in a timely manner, lack of spare parts inventory, and long lead times for replacement parts can disrupt system continuity. Literature studies indicate that artificial intelligence models are continuously trained with data obtained from IoT devices in the cloud layer and used for fault detection. LSTM (Long Short-Term Memory), a type of artificial intelligence model, has a recurrent neural network (RNN) architecture that can learn sequential dependencies in time series data. LSTM is a highly successful model for making predictions based on time series data. Considering that IoT data is often time-dependent, LSTM has an advantage over other models in this field. However, running such an artificial intelligence model in the cloud layer can pose challenges such as storage capacity, computational load, network congestion, and server costs. This study introduces the Edge Computing with LSTM-Based Fault Detection (UBLTAT) system, which combines cloud computing and edge computing infrastructure for processing IoT device data and detecting faults. UBLTAT transfers the data obtained from IoT devices to the cloud layer to train the LSTM model. Once the desired training accuracy is achieved, the weights of the model are transferred to UBLTAT, which operates at the edge layer, and fault detection is performed using the LSTM model in the edge layer. By running artificial intelligence models with UBLTAT at the edge, data generated by devices can be processed and faults can be detected locally, while also reducing the costs associated with the cloud.
Benzer Tezler
- Sosyal medya mesajları üzerinde telekomünikasyon sektörüne ait müşteri şikayetlerinin sınıflandırılması
Classification of customer complaints of the telecommunications industry on social media messages
SEVİN KARAGÖZ
Yüksek Lisans
Türkçe
2023
Yönetim Bilişim SistemleriBandırma Onyedi Eylül ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEYNEP ÖZER
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Multi-channels deep convolution neural network for early classification of multivariate time series
Çok kanallı derin dönüşümerken sinir ağıçok değişkenli zaman sınıflandırmasıdiziler
AHMED MUAYAD QADER QADER
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AYÇA KURNAZ TÜRKBEN
- Deep learning based dynamic turkish sign language recognition with leap motion
Derin öğrenme tabanlı leap motıon ile dinamik türk işaret dili tanıma
BURÇAK DEMİRCİOĞLU KAM
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE KÖSE
- Automated scoring of CERBB2 receptors using histogram based analysis of immunohistochemistry breast cancer tissue images
İmmünohistokimya meme kanseri görüntülerininhistogram tabanlı analiz kullanılarakCERBB2 reseptörlerinin otomatik olarak skorlanması
KAAN AYKUT KABAKÇI
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN