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
- Tez No: 888045
- Danışmanlar: DOÇ. DR. YUSUF ALTUN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 109
Özet
Kestirimci bakım, akıllı sensörler, veri analizi ve makine öğrenmesi algoritmaları ile potansiyel arızaları tahmin ederek makine ve ekipman bakım programlarını verimli bir şekilde yönetir. Hata sınıflandırması, bu arızaları“arıza”ya da“normal”varyasyonlar olarak sınıflandırır. Bu sayede, zamanında müdahale ve sorunsuz operasyonlar sağlanırken bakım planlaması ve operasyonel verimlilik artırılır. Bu tez çalışması iki ana bölümden oluşmaktadır. İlk bölüm, bir boyutlu (1D) kestirimci bakım veri seti kullanılarak yürütülen sınıflandırma çalışmalarını içermektedir. Sonraki bölüm ise orijinal veri setini iki boyutlu (2D) örüntü veri setine dönüştürme ve ardından ileri sınıflandırma analizlerine odaklanmaktadır. Tezin ilk kısmında, orijinal 1D veri setindeki hataları sınıflandırmak için uygulanan farklı metodolojiler tanıtılmaktadır. Karar ağacı, destek vektör makinaları, k-en yakın komşu gibi geleneksel makine öğrenmesi yöntemleri ve 1D-LeNet, 1D-AlexNet ve 1D-VGG16 gibi 1D derin öğrenme teknikleri ile gerçekleştirilen hata sınıflandırma çalışmalarının performans değerlendirmeleri sunulmuştur. Sonuçlara göre, 1D-LeNet sınıflandırıcı ve veri normalizasyonu ile en yüksek doğruluk ve F1-skor performansı elde edilmiştir. Tezin ikinci bölümünde, sekiz evrişimli sinir ağı (CNN) modeli (AlexNet, VGG16, MobileNetV2, VGG19, DarkNet19, DarkNet53, ResNet50 ve ResNet18) ve iki farklı sınıftan (makine arızası ve normal) oluşan 1D veri setinden elde edilen 2D örüntü verileri kullanılarak hata sınıflandırma çalışmaları yapılmıştır. Her bir CNN modelinden çıkarılan özniteliklerden oluşturulan birleştirilmiş öznitelikler üzerinde öznitelik seçim yöntemleri olarak karınca koloni algoritması (ACO), parçacık sürüsü optimizasyonu (PSO) ve gri kurt optimizasyonu (GWO) uygulanmış ve hata sınıflandırma performansları karşılaştırılmıştır. Destek vektör makinaları, k-en yakın komşu, karar ağacı ve naive bayes olmak üzere dört farklı sınıflandırıcı kullanılarak performans sonuçları hesaplanmıştır. Elde edilen deneysel sonuçlar dikkate alındığında destek vektör makinaları ve ACO temelli modelin kullanılmasının 2D örüntü verileri için en yüksek sınıflandırma performansını sağladığı görülmüştür.
Özet (Çeviri)
Predictive maintenance efficiently manages machinery and equipment maintenance schedules by predicting potential faults using smart sensors, data analysis, and machine learning algorithms. Fault classification categorizes these faults as either failures or normal variations, thereby enhancing maintenance planning and operational efficiency while ensuring timely interventions and smoother operations. This thesis study comprises two main parts. The first section involves classification investigations conducted using a one-dimensional (1D) predictive maintenance dataset. The subsequent section focuses on transforming the original data into a two-dimensional (2D) image data, followed by further classification analyses. The first part of thesis introduces a study of different methodologies for classifying the failures in original 1D dataset. We present the performance evaluation of fault classification performed by traditional machine learning methods such as decision tree, support vector machine, k-nearest neighbors, and 1D deep learning techniques like 1D-LeNet, 1D-AlexNet, and 1D-VGG16. From the results, using 1D-LeNet classifiers and data normalization achieved the highest accuracy and F1-score performance. In the second part of thesis, a robust fault classification system was employed using eight different convolutional neural network (CNN) models (AlexNet, VGG16, MobileNetV2, VGG19, DarkNet19, DarkNet53, ResNet50 and ResNet18) and 2D image data generated from original 1D dataset comprising two different classes (machine failure and normal). Ant colony algorithm (ACO), particle swarm optimization (PSO) and grey wolf optimization (GWO) were applied within the feature selection methods to combined features, which were attained from features extracted from CNN models, and their performances were subsequently compared. The results were acquired using four different classifier such as support vector machine, k-nearest neighbors, decision tree and naive bayes. Considering the experimental results obtained, it has been seen that using the model based on support vector machines and ACO provides the highest classification performance for 2D image data.
Benzer Tezler
- 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
- Makine öğrenmesi ve derin öğrenme yöntemleri ile titreşim analizi tabanlı arıza teşhis ve kestirimci bakım sistem tasarımı
Machine learning and deep learning based vibration analysis for fault diagnosis and predictive maintenance system design
MUSTAFA YURTSEVER
- Design of predictive maintenance model using artificial intelligence methods
Yapay zeka yöntemleri kullanılarak kestirimci bakım modelinin dizayn edilmesi
BEGÜM AY TÜRE
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜL HALİM ZAİM
DOÇ. DR. AKHAN AKBULUT
- Makine öğrenmesi yöntemleri kullanılarak diyarbakır içme suyu şebekesindeki yatay milli su pompası sesinden arıza tahmini
Fault prediction from horizontal national water pump sound in dyarbakir drinking water network using machine learning methods
İDRİS SAÇAKLIDIR
Yüksek Lisans
Türkçe
2024
Makine MühendisliğiBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAVAŞ KOÇ
- Makine öğrenmesi ve derin öğrenme algoritmaları kullanılarak telemetri verileri üzerinde arıza tespiti ve kestirimci bakım
Fault detection and predictive maintenance on telemetry data using machine learning and deep learning algorithms
EMRE UMMAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOSTİM TEKNİK ÜNİVERSİTESİYazılım Mühendisliği Ana Bilim Dalı
DR. AHMET ANIL MÜNGEN