Remaining useful life estimation of fans used in radar systems with machine learning
Makine öğrenmesi ile radar sistemlerinde kullanılan fanların kalan faydalı ömür tahmini
- Tez No: 900655
- Danışmanlar: PROF. DR. KORAY KAYABOL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Makine öğrenmesinin bir çıktısı olarak ortaya çıkan ve geleneksel bakım yöntemlerine göre oldukça avantajlı olan kestirimci bakım; bir sistemin, birimin ya da malzemenin performans kaybı ya da bozulma gerçekleşmeden, çalışmasını sürdürebilmesi için uygulanan yöntemler bütünüdür. Bu yöntemlerden biri olan Kalan Faydalı Ömür-Remaining Useful Life (RUL) ise ilgili sistemin/birimin/malzemenin bozulmadan ne kadar süre daha çalışabileceğini tahmin etmeye çalışır. Bu çalışmada gerçek saha şartlarında kullanılan Askeri Radar Sistemleri üzerindeki fanların sensör verileri ve radarların bulunduğu ortam koşulları belirli periyotlarla ölçülmüş ve ölçülen veriler ile bir veri seti oluşturulmuştur. Elde edilen veri seti kullanılarak, sahadaki bir fandan ölçülen veri ile o fanın ne kadar süre daha çalışabileceğine dair tahminde bulunmak için kalan faydalı ömür tahmin modeli oluşturulmuştur. Oluşturulan model ile eğitim seti içerisinde bulunan fanların ömür devri verileri ve bozulma eğrileri çıkartılmıştır. Modeli test etmek için başka bir fanın verileri modele girdi olarak verilmiştir. Model girdi olarak verilen verileri daha önceden öğrendiği fanların verileri ile“Dinamik zaman bükme yöntemi ile K-en yakın komşu regresyonu (K-NN-DTW)”metodunu kullanarak karşılaştırmış ve test edilen fanın kalan ömrünü hesaplamıştır. Eğitim seti verileri ne kadar fazlaysa ve test edilen fanın verileri bozulma zamanına ne kadar yakınsa yapılan tahminin o kadar yakın sonuçlar verdiği gözlemlenmiştir. Model, RUL tahmininde sıkça kullanılan geleneksel bir yöntem olan rastgele orman metodu ile karşılaştırılmış ve sonuçlar değerlendirilmiştir.
Özet (Çeviri)
Predictive maintenance, which emerged as an output of machine learning and is highly advantageous compared to traditional maintenance methods, is a set of methods applied to ensure the operation of a system, unit or material without performance loss or deterioration. One of these methods, Remaining Useful Life (RUL), aims to estimate how long the relevant system/unit/material can operate without deterioration. In this study, sensor data of the fans on Military Radar Systems used in real field conditions and the environmental conditions of the radars were measured periodically, and a dataset was created with the measured data. Using the obtained dataset, a remaining useful life estimation model was created to estimate how long the fan can operate based on the data measured from a fan in the field. With the created model, the life cycle data and degradation curves of the fans in the training set were extracted. To test the model, the data of another fan was given as input to the model. The model compared the input data with the data of the previously learned fans using the“K-Nearest neighbors regression with dynamic time warping (K-NN-DTW)”method and calculated the remaining life of the tested fan. It was observed that the more training data there is and the closer the data of the tested fan is to the failure time, the more accurate the prediction results. The model was compared with the random forest method, which is a traditional method frequently used in RUL estimation, and the results were evaluated.
Benzer Tezler
- Lityum iyon bataryaların makine öğrenimi yöntemleri ile sağlık durumu kestirimi
State of health estimation for lithium-ion batteries using machine learning methods
ÇETİN ORAL
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Elektrikli araçlarda kullanılmak üzere metal-air bataryaların modellenmesi ve şarj durumlarının kalman filtresi ile kestirilmesi
Modeling and state of charge estimation of metal-air batteries with kalman filter for the usage in electric vehicles
BURAK ŞEN
Yüksek Lisans
Türkçe
2019
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- 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 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
- Estimation of remaining useful life by using neural network method for lithium based batteries in aviation applications
Havacılıkta kullanılan lityum tabanlı bataryaların yapay sinir ağları ile ömür kestirmine katkılar
HÜSEYİN SELÇUK POLATÖZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ