Geri Dön

Derin öğrenme algoritmaları ile kestirimci bakım analizi

Predictive maintenance analysis with deep learning algorithms

  1. Tez No: 860478
  2. Yazar: VOLKAN AK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ALPASLAN BURAK İNNER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiDüzce Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF ALTUN

  2. 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

    Türkçe

    2023

    Bilim ve TeknolojiManisa Celal Bayar Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALİ UYSAL

  3. 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

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLHAN AYDIN

  4. 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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Akıllı Mühendislik Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA ÖZGÜR CİNGİZ

  5. 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

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA