Kestirimci bakım süreçlerinde makine öğrenmesi algoritmaları kullanarak anomali tespiti
Anomaly detection using machine learning algorithms in predictive maintenance processes
- Tez No: 881065
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ UYSAL
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 46
Özet
Bu tez çalışması, endüstriyel motorların kestirimci bakım süreçlerinde, makine öğrenmesi ve derin öğrenme algoritmalarının kullanımı aracılığıyla anomali tespitinin etkinliğini araştırmaktadır. Çalışma, özellikle X ve Z eksenlerindeki RMS ivmesi, kayma açısı, sıcaklık, Z eksenindeki tepe ivmesi, yüksek frekanslı RMS ivmesi, spektral kurtosis ve tepe faktörü gibi çeşitli sensörlerden elde edilen çok değişkenli zaman serisi verilerine odaklanmaktadır. Bu veriler, motorun mekanik ve termal performansı ile titreşim ve aşınma gibi kritik durumları hakkında değerli bilgiler sağlamaktadır. Araştırma,“Major”ve“Minor”olarak sınıflandırılan arızaların detaylı bir analizini içeren, belirli tarihlerde gözlemlenen arıza süreleriyle zenginleştirilmiş bir veri seti üzerine kurulmuştur. Majör arızalar; ciddi ve büyük çapta etkisi olan arızaları ifade ederken, minör arızalar; daha az ciddi veya daha küçük çapta etkisi olan arızaları ifade eder. Bu sınıflandırma, arızaların önceliklendirilmesi ve bakım stratejilerinin belirlenmesi açısından önemlidir. Uygulamamız iki aşamadan oluşmaktadır. İlk aşamada, sınıflandırma algoritmaları kullanarak veri setindeki arızaların önem derecesine göre sınıflandırılması gerçekleştirilmiş; ikinci aşamada ise çok değişkenli LSTM modelleri aracılığıyla arıza zamanlarının tahmin edilmesi hedeflenmiştir. Bu tezin temel amacı, makine öğrenmesi ve derin öğrenme yöntemlerinin, motor arızalarının önceden tespit edilmesindeki etkinliğini değerlendirmek ve bu tekniklerin endüstriyel kestirimci bakım stratejilerine olan potansiyel katkısını ortaya koymaktır. Araştırma, motor arızalarının erken tespiti konusundaki literatüre önemli bir katkı sağlamayı ve endüstriyel bakım pratiklerinin geliştirilmesine yardımcı olmayı amaçlamaktadır.
Özet (Çeviri)
This thesis investigates the effectiveness of using machine learning and deep learning algorithms for anomaly detection in the predictive maintenance processes of industrial motors. The study focuses on multivariate time series data obtained from various sensors, including RMS acceleration in the X and Z axes, slip angle, temperature, peak acceleration in the Z axis, high-frequency RMS acceleration, spectral kurtosis, and peak factor. These data provide valuable information about the motor's mechanical and thermal performance, as well as critical conditions such as vibration and wear. The research is based on a dataset enriched with failure durations observed on specific dates, including a detailed analysis of failures classified as“Major”and“Minor.”Major failures refer to serious and large-scale impact failures, while minor failures refer to less serious or smaller-scale impact failures. This classification is important for prioritizing failures and determining maintenance strategies. Our application consists of two stages. In the first stage, classification algorithms were used to classify the failures in the dataset according to their importance; in the second stage, the aim was to predict the failure times using multivariate LSTM models. The primary objective of this thesis is to assess the effectiveness of machine learning and deep learning methods in the early detection of motor failures and to demonstrate the potential contribution of these techniques to industrial predictive maintenance strategies. The research aims to make a significant contribution to the existing literature on early detection of motor failures and to assist in the improvement of industrial maintenance practices.
Benzer Tezler
- Fren sanayinde talaşlı üretim sürecinde makine öğrenmesi modellerinin karşılaştırılması ile kestirimci bakım verimliliğinin değerlendirilmesi
Evaluation of predictive maintenance efficiency with the comparison of machine learning models in machining production process in brake industry
BURAK EVRENTUĞ
Yüksek Lisans
Türkçe
2023
Yönetim Bilişim SistemleriDokuz Eylül ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. CAN AYDIN
- Otomotiv endüstrisinde kestirimci bakım sistemlerinin makine öğrenmesi yöntemleri ile bakım yönetim sistemine uygulanması
Application of predictive maintenance systems to maintenance management system with machine learning methods in automotive industry
FURKAN SARISOY
Yüksek Lisans
Türkçe
2024
Makine MühendisliğiYalova ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MAHMUT BİNGÖL
- Kestirimci bakım için makine öğrenmesi uygulamaları
Machine learning applications for predictive maintenance
OLCAY DUVAR
Yüksek Lisans
Türkçe
2022
Mekatronik Mühendisliğiİzmir Demokrasi ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. ZEYNEL ABİDİN ÇİL
- Makine öğrenmesi ve derin öğrenme yöntemleriyle otonom kestirimci bakım modellerinin geliştirilmesi
Development of autonomous predictive maintenance models with machine learning and deep learning methods
MAHMUT OLTAN DERE
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİZMİR BAKIRÇAY ÜNİVERSİTESİAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKER GÖLCÜK
- Rulmanların kalan faydalı ömür tahmini için titreşim analizi tabanlı kestirimci bakım yaklaşımı
Vibration analysis based predictive maintenance approach for prediction of remaining useful life of bearings
ENİS KALCIOĞLU
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiRecep Tayyip Erdoğan ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN CANER ÖZKAT