Prediction of metropt APU performance through IoT-enabled predictive maintenance with CNN-LSTM techniques
Metropt APU performansının CNN-LSTM teknikleriyle IoT-etkin öngörücü bakım yoluyla tahmini
- Tez No: 845519
- Danışmanlar: PROF. DR. OĞUZ FINDIK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, derin öğrenmenin gücünü kullanarak tahminsel bakım konusunda çığır açan bir adımı temsil ediyor. MetroPT veri kümesine odaklanan ve tren aracındaki karmaşık Hava Üretim Ünitesi (APU) ölçümlerini inceleyen araştırma, özellikleri ikili ve çoklu sınıflı analiz için özenle işlendi ve mühendislikle şekillendirmiştir. Bu çalışmanın odağında, her iki sınıflandırma paradigmasında da başarılı olacak şekilde özenle oluşturulmuş çığır açan CNN-LSTM algoritması bulunmaktadır. Deneysel bulgular sonucunda ikili sınıflandırma için %92 doğruluk ve çoklu sınıf tahminleri için %99.5 doğruluk elde edilmiştir. Bu araştırmanın tahminsel bakım üzerindeki doğrudan etkisinin ötesinde, bu çalışma, derin öğrenme metodolojilerinin kritik altyapı bakım sistemlerinin güvenilirliğini ve verimliliğini sağlamlaştırmada yapabileceği dönüştürücü potansiyeli sergileyen bir işaret olarak hizmet ediyor, yapay zeka ile endüstriyel bakımın birleşiminde önemli bir adımı temsil ediyor.
Özet (Çeviri)
This study represents a pioneering leap in predictive maintenance by harnessing the power of deep learning. Focused on the MetroPT dataset and its intricate APU (Air Production Unit) metrics from a train vehicle, the research meticulously processed and engineered features for binary and multi-class analysis. The centerpiece of this work is the groundbreaking CNN-LSTM algorithm, meticulously crafted to excel in both classification paradigms. The empirical findings are nothing short of exceptional: an impressive 92% accuracy for binary classification and an outstanding 99.5% accuracy for multi-class prediction. Beyond its immediate impact on predictive maintenance, this research serves as a beacon, showcasing the transformative potential of deep learning methodologies in fortifying the reliability and efficiency of critical infrastructure maintenance systems, marking a substantial stride in the fusion of artificial intelligence and industrial upkeep.
Benzer Tezler
- Prediction of road construction cost quantities and their unit prices for Turkey
Türkiye için yol maliyet miktarlarını ve birim fiyatlarını önceden tahmin için bir model
HİKMET BAYIRTEPE
Yüksek Lisans
İngilizce
1988
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ.DR. ÖZDEMİR AKYILMAZ
- Prediction of rotary drilling performance of a well using drilling parameters from a selected field
Başlık çevirisi yok
ERCÜMENT TÜRKAY
Yüksek Lisans
İngilizce
1989
Petrol ve Doğal Gaz MühendisliğiOrta Doğu Teknik ÜniversitesiDOÇ. DR. M. TANJU MEHMETOĞLU
- Prediction of laboratory CBR values for subgrade soils from their physical properties
Başlık çevirisi yok
SİBEL ÖZDEMİR
- Prediction of bearing capacity of driven ples in an alluvial deposit
Kohezyonlu zeminlerde çakma kazıkların taşıma kapasitesi
AYLİN KÖSEOĞLU
Yüksek Lisans
İngilizce
1992
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. UFUK ERGÜN