Geri Dön

On symbolic prediction of time series for predictive maintenance based on SAX-LSTM

SAX-LSTM'ye dayalı tahmini bakım için zaman serisinin sembolik tahmini

PDF İndir

  1. Tez No: 911541
  2. Yazar: AYKUT GÜLER
  3. Danışmanlar: DOÇ. DR. EMRULLAH FATİH YETKİN, DR. ÖĞR. ÜYESİ TUĞÇE BALLI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Yönetim Bilişim Sistemleri, Management Information Systems
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Kadir Has Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, Sembolik Toplam Yaklaşım (SAX) ve Parçalı Toplam Yaklaşım (PAA) gibi gelişmiş yaklaşımları makine öğrenme algoritmalarıyla birleştirerek endüstriyel ortamlarda tahmine dayalı bakım tahminine yönelik yeni bir yaklaşımı araştırıyor. Çalışma, üretim süreçlerinin dijitalleşmesinin hem fırsatlar hem de karmaşıklıklar getirdiği Endüstri 4.0 bağlamında bakım tahmini konularını ele almayı amaçlıyor. Çalışma, sentetik verileri kullanarak ve çeşitli veri kümesi boyutları, PAA segment uzunlukları ve SAX alfabe boyutlarıyla denemeler yaparak bakım gereksinimlerini doğru şekilde tahmin edebilen sağlam bir algoritma oluşturmayı amaçlıyor. Süreç, SAX ve PAA teknikleri kullanılarak elde edilen etiketli veriler üzerinde makine öğrenimi modellerinin, özellikle de Uzun Kısa Süreli Bellek (LSTM) ağlarının eğitilmesini gerektirir. Algoritmanın performansı, işletme verimliliğini artırmak ve arıza süresini azaltmak için zamanında bakımın kritik olduğu çelik üretim fırınlarından elde edilen gerçek dünya endüstri verileri kullanılarak değerlendirilir. Çalışmanın bulguları, modern veri işleme ve makine öğrenimi yaklaşımlarının endüstriyel varlık yönetimini ve karar verme süreçlerini nasıl iyileştiribileceğine dair öngörüler sağlayarak tahmine dayalı bakım yöntemlerinin artmasına yardımcı oluyor.

Özet (Çeviri)

This work investigates a new approach to predictive maintenance forecasting in industrial settings, combining advanced approaches like Symbolic Aggregate Approximation (SAX) and Piecewise Aggregate Approximation (PAA) with machine learning algorithms. The study seeks to address the issues of maintenance forecasting in the context of Industry 4.0, in which the digitalization of manufacturing processes brings both opportunities and complexities. The work aims to construct a robust algorithm capable of properly estimating maintenance requirements by using synthetic data and experimenting with various dataset sizes, PAA segment lengths, and SAX alphabet sizes. The process entails training machine learning models, specifically Long Short Term Memory (LSTM) networks, on labeled data obtained using SAX and PAA techniques. The algorithm's performance is assessed using real-world industry data from steel production furnaces, where timely maintenance is critical for increasing operating efficiency and reducing downtime. The study's findings help to increase predictive maintenance methods by providing insights into how modern data processing and machine learning approaches might improve industrial asset management and decision-making processes.

Benzer Tezler

  1. Tez No

    46284

    MPEG hareketli görüntü sıkıştırma standardı

    Başlık çevirisi yok

    ERHAN TELLİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    DOÇ.DR. MELİH PAZARCI

  2. Tez No

    1019524

    Development of nonlinear techniques and computational intelligence for information retrieval from multiscale time series across diverse signal domains

    Çeşitli sinyal alanlarında çok ölçekli zaman serilerinden bilgi çıkarımı için doğrusal olmayan tekniklerin ve hesaplamalı zekânın geliştirilmesi

    FUAT KAAN MİRZA

    Doktora

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik MühendisliğiKadir Has Üniversitesi

    Mühendislik ve Doğa Bilimleri Ana Bilim Dalı

    DOÇ. DR. TUNÇER BAYKAŞ

  3. Tez No

    400801

    Modeling time series data for supervised learning

    Başlık çevirisi yok

    MUSTAFA GÖKÇE BAYDOĞAN

    Doktora

    İngilizce

    İngilizce

    2012

    Endüstri ve Endüstri MühendisliğiArızona State Unıversıty

    DR. GEORGE RUNGER

  4. Tez No

    787358

    Olasılıksal sembolik motif tanıma

    Probabilistic symbolic pattern recognition

    OĞUZ AKBİLGİÇ

    Doktora

    Türkçe

    Türkçe

    2022

    İstatistikMimar Sinan Güzel Sanatlar Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. EYLEM DENİZ HOWE

  5. Tez No

    873847

    Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi

    Estimating stock values with deep learning

    HÜSEYİN MUSTAFA METİN

    Doktora

    Türkçe

    Türkçe

    2024

    İstatistikMuğla Sıtkı Koçman Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. ERDOĞAN GAVCAR

Geri Dön