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

  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: 67

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. Modeling time series data for supervised learning

    Başlık çevirisi yok

    MUSTAFA GÖKÇE BAYDOĞAN

  2. Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi

    Estimating stock values with deep learning

    HÜSEYİN MUSTAFA METİN

    Doktora

    Türkçe

    Türkçe

    2024

    MatematikMuğla Sıtkı Koçman Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. ERDOĞAN GAVCAR

  3. 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

  4. Finansal zaman serilerinin fonksiyonel yapısının genetik öğrenmeyle belirlenmesi

    Determining the functional structure of financial time series by means of genetic learning

    ÖZGÜR İCAN

    Doktora

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnadolu Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. HASAN DURUCASU

  5. Genel kabuklara ait fonksiyonel ve parabolik silindir kabuklar için karma sonlu eleman formülasyonu

    A Functional for shells of arbitrary geometry and the mixed finite element method for parabolic cylindirical shells

    ATİLLA ÖZÜTOK

    Doktora

    Türkçe

    Türkçe

    1999

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. YALÇIN AKÖZ