Derin öğrenme algoritmaları ile kestirimci bakım analizi
Predictive maintenance analysis with deep learning algorithms
- Tez No: 860478
- Danışmanlar: DR. ÖĞR. ÜYESİ ALPASLAN BURAK İNNER
- 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: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Bu tezde, üretim sektöründe Kestirimci Bakım (KB) stratejilerinin maliyet azaltma potansiyeli incelenmiştir. Üretim süreçlerinden kaynaklanan büyük veri hacminin, derin öğrenme algoritmaları ile etkin bir biçimde işlenmesi durumunda, hata tahmini ve tanısı açısından önemli avantajlar sağlayarak, işletme sürelerinin azalmasına, arızaların önlenmesine ve maliyetlerin düşürülmesine olanak tanıdığı belirlenmiştir. Araştırmada, Hilbert ve Wavelet Dönüşümleri ile zenginleştirilmiş Uzun Kısa Süreli Bellek (LSTM) modeli kullanılarak Kalan Kullanılabilir Ömür (RUL) tahminleri başarıyla gerçekleştirilmiştir. NASA tarafından sağlanan 100 Turbofan motoruna ait 21 sensör verisi analiz edilmiştir. Önceki çalışmalarda bu sensör verilerinin tamamının kullanılmadığı, seçici sensör verilerinin tercih edildiği gözlemlenmiştir. Bu çalışmada, veri setinin ön işleme aşamalarında min-max ölçeklendirme ve aykırı değer analizi uygulanmış ve model performansını artırmak, yüksek boyutlu verileri yönetmek ve hesaplama maliyetini azaltmak amacıyla Temel Bileşen Analizi (PCA) kullanılmıştır. Korelasyon değerleri 0.8'in üzerinde olan sensörler, tahmin doğruluğunu artırmak için özellik seçim sürecinde önceliklendirilmiştir. Veri setinin %80'i eğitim, %20'si ise test için ayrılmıştır. LSTM modeli, bu verilerle her motorun RUL değerini başarıyla tahmin etmiştir. Modelin performansı R-Kare (R²) ve Kök Ortalama Kare Hata (RMSE) metrikleri ile değerlendirilmiş ve elde edilen sonuçlar, Doğrusal Regresyon, Rastgele Orman Regresyonu, Destek Vektör Makinesi, XgBoost ve Sinir Ağı modelleriyle karşılaştırılmıştır. Modelimizden Eğitimde 10.141 RMSE değeri, -0.104 R2 değeri ile Test için 12.43 RMSE, -0.066 R2 değeri elde edildi Bulgular, LSTM modelinin RUL tahminlerinde diğer yöntemlere göre daha etkili ve doğru olduğunu ortaya koymuştur. Tezin bulguları, LSTM modelinin Hilbert Dönüşümü ile RUL tahminlerinde güçlü ve doğru bir yöntem olduğunu, diğer yöntemlere kıyasla tahmin doğruluğu bakımından üstünlüğünü kanıtlamış ve RUL tahmin modellerinin performansını artırma yönünde gelecek çalışmalar için sağlam bir temel oluşturmuştur.
Özet (Çeviri)
In this thesis, the efficacy of Predictive Maintenance (PM) in reducing costs within the manufacturing sector is explored. The study harnesses vast datasets from manufacturing processes, applying deep learning algorithms to significantly enhance error prediction and diagnosis, thereby reducing downtimes and failures. A Long Short-Term Memory (LSTM) model, incorporating Hilbert and Wavelet Transforms, was adeptly used for predicting the Remaining Useful Life (RUL) of machinery. The research focused on analyzing 21 sensor datasets from 100 NASA-provided Turbofan engines, noting that not all sensor data were consistently utilized across studies. Through preprocessing steps including min-max scaling and outlier analysis, along with Principal Component Analysis (PCA) for dimensionality reduction, the study managed high-dimensional data efficiently. Sensors with high correlation values were given priority in feature selection to increase predictive accuracy. The LSTM model was trained with 80% of the dataset and tested with the remaining 20%, successfully estimating RUL for each engine. Performance was evaluated against various models using metrics like R² and RMSE, revealing LSTM's superior precision in RUL prediction. From our model we obtained an RMSE value of 10.141 and an R2 value of -0.104 for Training and an RMSE value of 12.43 and an R2 value of -0.066 for Testing The findings confirmed the Hilbert-transformed LSTM model as a strong, accurate predictor, outshining other methods. This work establishes a foundation for future research to further improve RUL prediction model performance.
Benzer Tezler
- Kestirimci bakım için makine öğrenmesi ve derin öğrenme yöntemleri uygulanarak hata tespiti ve sınıflandırılması
Fault detection and classification for predictive maintenance using machine learning and deep learning methods
UĞUR İLERİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDüzce ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF ALTUN
- Kestirimci bakım süreçlerinde makine öğrenmesi algoritmaları kullanarak anomali tespiti
Anomaly detection using machine learning algorithms in predictive maintenance processes
FATMA YASEMİN ARSLAN
Yüksek Lisans
Türkçe
2023
Bilim ve TeknolojiManisa Celal Bayar ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ UYSAL
- Endüstri 4.0 için derin öğrenme kullanan durum izleme ve kestirimci bakım yöntemlerinin geliştirilmesi
Development of condition monitoring and predictive maintenance methods using deep learning for industry 4.0
SEYFULLAH KANER
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN
- Dengesiz veri setlerinde aşırı örnekleme teknikleri ile makine öğrenmesi yaklaşımlarının karşılaştırılması
Comparison of machine learning approaches by using oversampling techniques on imbalanced datasets
ÜMİT DİLBAZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiAkıllı Mühendislik Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ÖZGÜR CİNGİZ
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA