Turbo fan motorların kalan faydalı ömür tahminlemesi için makine öğrenmesi temelli sistematik bir yaklaşım
A systematic approach based on machine learning for estimating the remaining useful life of turbo fan engines
- Tez No: 864523
- Danışmanlar: DOÇ. DR. SELDA KAPAN ULUSOY, DOÇ. DR. METE ÇELİK
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Makine öğrenmesi, Turbo fan motoru, Kalan faydalı ömür, PHM, NARX, Machine learning, Turbofan engine, Remeaning useful life, PHM, NARX
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 154
Özet
Hem üretim hem de hizmet endüstrilerinde, mühendislik sistemlerinin prognostiği ve sağlık yönetimi (PHM) güvenli, güvenilir ve uygun maliyetli çalışma için çok önemlidir. PHM'nin en önemli bileşeni kalan faydalı ömür (RUL) tahminidir. Turbo fan motorlar, ticari uçaklarda kullanılan karmaşık yapıdaki güç üniteleridir. Turbo fan motorların çalışırken arızalanması ciddi maddi kayıplara ve hatta can kayıplarına yol açabilir. Bu nedenle turbo fan motorların kalan faydalı ömrünün belirlenmesi PHM için gereklidir. Uçuş sırasında bir turbo fan motorun durumu çok sayıda sensör ile izlenmektedir. Sensörler motordan ölçtükleri değerler ile veri setleri oluştururlar. Bu veri setleri makine öğrenmesi modelleri ile analiz edilerek RUL tahmini yapılır. Ancak RUL ve sensörler arasındaki karmaşık ve dinamik ilişki tahminleme yapılmasını zorlaştırmaktadır. Bu tez çalışmasında, turbo fan motorlarının RUL tahminlemesi için veri odaklı yeni bir tahminleme metodolojisi geliştirilmiştir. Önerilen yaklaşım bu dinamik ilişkinin başarılı bir şekilde ifade edilmesini sağlamaktadır. Turbo fan motor ünitelerinin RUL tahminlemesine yönelik geliştirilen sistem bazlı hibrit kalan faydalı ömür (SBHRUL) tahminleme yaklaşımında, veri seti uygun sayıdaki kümelere ayrılır ve veri setlerine regresyon modelleri eğitilir. Kümelere uygun regresyon modelleri performans göstergeleri bakımından eşleştirilerek tüm veri setinin RUL tahmini için hibrit model elde edilmektedir. Önerilen yaklaşım literatüre RUL tahmininin farklı aşamalarında katkılar içermektedir. Bu çalışmanın katkıları veri ön işlem, veri seti analizi ve regresyon modelleri aşamalarında yer almaktadır. SBHRUL tahminleme metodolojisinin gerçek RUL değerlerinin eğilimini başarıyla yakalayabildiği gösterilmiştir. Önerilen yaklaşımın etkinliği NASA tarafından sunulan C-MAPSS turbo fan motoru veri seti üzerinde doğrulanmıştır.
Özet (Çeviri)
In manufacturing and service industries, engineering systems' prognostics and health management (PHM) are crucial for safe, reliable, and cost-effective operations. The most important component of PHM is the estimate of the remaining useful life (RUL). Turbofan engines are complex power units used in commercial aircraft. Failure of turbofan engines while operating can lead to serious financial losses and even loss of life. Therefore, determining the remaining useful life of turbofan engines is important for PHM. During a flight, the state of a turbofan engine is monitored with numerous sensors. Sensor measurements form data sets. RUL prediction is made by analyzing these data sets with machine learning models. The highly complex and dynamic relationship between RUL and sensors makes prediction difficult. In this thesis study, a new data-driven estimation methodology has been developed for RUL estimation of turbofan engines. The proposed approach models successfully this dynamic relationship. The approach developed for RUL prediction of turbofan engines, the SBHRUL, divides the data set into the optimum number of clusters, and regression models are trained on the separated clusters. By matching appropriate regression models to clusters in terms of performance indicators, a hybrid model is obtained for RUL prediction of the entire data set. The proposed approach includes contributions to the literature at different stages of RUL estimation. The contributions of this study lie in the data pre-processing, data set analysis, and regression models stages. It has been shown that the SBHRUL estimation methodology can successfully capture the trend of actual RUL values. The effectiveness of the proposed approach is validated on the C-MAPSS turbofan engine dataset provided by NASA.
Benzer Tezler
- Makine öğrenmesi ile turbofan motorların geriye kalan yararlı ömrünün tahminlemesi
Predicting the remaining useful life of turbofan engines with machine learning
SEDA NUR BOZKURT
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA KAPAN ULUSOY
- Kestirimci bakımda hibrit prognostik yaklaşımlar kullanılarak kalan faydalı ömür tahmini
Remaining useful life estimation using hybrid prognostic approaches for predictive maintenance
KIYMET ENSARİOĞLU
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ERDAL EMEL
PROF. DR. TÜLİN İNKAYA
- Meta-sezgisel algoritmalar kullanılarak derin öğrenme ağlarında kalan faydalı ömür tahmini
Remaining useful life prediction using meta-heuristic algorithms and deep learning methods
BÜŞRA ÖZTÜRK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. SULTAN ZEYBEK
- Turbofan uçak motoru ve rulman verilerinde kaskat derin öğrenme modelleriyle kestirimci
Predictive maintenance on turbofan aircraft engine and bearing data with cascade deep learning models
ADEM AVCI
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NURETTİN ACIR
PROF. DR. HAKAN GÜRKAN
- Kestirimci bakım yaklaşımıyla bir turbofan motorunun çözümlenmesi
Analysis of a turbofan engine via predictive maintenance approach
GÖZDE GÜNGÖR KANKAYA
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAKUP SABRİ ÖZKAZANÇ