Anomaly detection in industrial processes using curriculum-based deep learning
Endüstriyel süreçlerde müfredat tabanlı derin öğrenme kullanarak anomali tespiti
- Tez No: 882936
- Danışmanlar: PROF. DR. MEHMET AKAR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Anomali tespiti, Makine öğrenmesi, Anomaly detection, Machine learning
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Anomali tespiti, endüstride karşılaşılan anormalliklerin yaygınlaşması ve karma-şıklığının artmasıyla araştırmalarda giderek daha fazla dikkat çekmektedir. Endüstriyel süreçlerde, sensörler ve aktüatörlerden yüksek boyutlu çok değişkenli zaman serileri (ÇDZS) verileri üretilmektedir. Ekipmanın güvenliğini ve yüksek kaliteli ürünleri garantilemek için, bu bileşenler tarafından kaydedilen anormalliklerin tespit edilmesi gerekmektedir. Bu tezde, endüstriyel anormallik tespiti için derin öğrenme kullanımı çalışılmıştır. Özellikle, makine öğrenme modelleri için bir eğitim paradigması olan müfredat öğrenimi (MÖ) kapsamlı bir şekilde incelenmektedir. MÖ, insanların ve hayvanların öğrenme ilerlemesini izler, bu süreçte model önce“kolay”verilerle eğitilir ve eğitim ilerledikçe daha“zor”veriler aşamalı olarak tanıtılır. Bu tez, ÇDZS anormallik tespiti için veri tabanlı MÖ'yi önermekte ve MÖ kavramını model üzerinde incelemektedir. Bu yöntem, öncelikle literatürde mevcut bir güvenli su arıtma veri kümesi ve ardından gerçek dünya tekstil veri kümesi kullanılarak iki farklı vaka çalışmasına uygulanmıştır. Veri tabanlı yöntemde, model performansını artırmak için en önemli ÇDZS özelliklerini belirlemek için kapsamlı deneyler yapılmıştır. Model tabanlı çerçevede, önce basit bir Uzun Kısa Süreli Bellek Kodlayıcı-Çözücü modeli eğitilmiş ve ardından son eğitim turunda karmaşık bir Çok Ölçekli Evrişimsel Tekrarlayan Kodlayıcı-Çözücü modeli kullanılmıştır. Bu teknikler, önerilen tasarımlar arasında en iyi sonuçları üreten veri tabanlı bir yaklaşıma dayalı olarak F1 skoru ile değerlendirilmiştir.
Özet (Çeviri)
Anomaly detection is increasingly drawing attention in research as anomalies encountered in the industry become commonplace and more complex. In industrial processes, high dimensional multivariate time series (MVTS) data is generated from sensors and actuators. To guarantee the safety of the equipment and high quality products, anomalies recorded by these components have to be detected. In this thesis, the use of deep learning for industrial anomaly detection is studied. Particularly, curriculum learning (CL), a training paradigm for machine learning models is comprehensively analyzed. CL follows the learning progression of humans and animals, in which the model is first trained with“easy”data and more“dıffıcult”data is gradually introduced as training advances. This thesis proposes data-based CL for MVTS anomaly detection and introduces the CL concept to the learner (model). These frameworks are applied to two different case studies, first using a benchmark secure water treatment dataset and then a real world textile dataset. In the data-based method, extensive experiments are conducted to determine the most important MVTS features for improved model performance. In the model-based framework, a simple Long Short-Term Memory Encoder-Decoder model is trained first and then a complex Multi-Scale Convolutional Recurrent Encoder-Decoder model in utilized in the final training round. These techniques are evaluated based on the F1 score, with a data-based approach producing the best results among the proposed designs.
Benzer Tezler
- Açıklanabilir yapay zeka ve akustik sinyaller kullanılarak endüstriyel makinelerde anomali tespiti
Anomaly detection in industrial machines using explainable ai and acoustic signals
BETÜL SENA ÇAĞLAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- 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
- Acoustic anomaly detection in industrial plants
Endüstriyel tesislerde akustik anomali tespiti
TAHA BERKAY DUMAN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Görüntü işleme teknolojisi kullanılarak yüksek çözünürlüklü kamera görüntülerinden 3 boyutlu yazıcılarda anomali tespiti
Anomaly detection in 3D printers using image processing technology on high-resolution camera images
UTKU ATAMAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU YILMAZEL
- IEC 61850 tabanlı akıllı şebekelerde zaman kısıtlı nondeterministik sonlu otomata (TC-NFA) ile anomali tespiti
Anomaly detection in IEC 61850-based smart grids using time-constrained nondeterministic finite automata (TC-NFA)
DENİZ BERFİN TAŞTAN
Yüksek Lisans
Türkçe
2026
EnerjiSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSA BALTA