Makine öğrenme temelli kestirimci bakım ve anomali tespiti ile asansörlerin kondisyonlarının izlenmesi
Monitoring the conditions of elevators with machine learning based predictive maintenance and anomaly detection
- Tez No: 919942
- Danışmanlar: PROF. DR. RAİF BAYIR
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 177
Özet
Günümüzün hızla gelişen şehirleşme ve yüksek katlı bina projeleri, asansör sistemlerinin güvenliğini ve performansını kritik bir öncelik haline getirmiştir. Bu çalışma, asansörlerin dinamik performansını izlemek ve olası arızaları öngörmek amacıyla makine öğrenmesi tabanlı bir anomali tespit sistemi geliştirmeyi amaçlamaktadır. Araştırmanın temelinde, Latte Panda platformu üzerine kurulu bir sensör ağı bulunmaktadır. Bu ağ, asansör sistemine entegre edilmiş ivme sensörü, sıcaklık sensörü, RTC zaman modülü ve vibrasyon sensörü gibi bileşenlerden oluşmaktadır. Veri toplama aşamasında, asansörün çalışma süresince hız, ivme, titreşim ve sıcaklık verileri sürekli olarak izlenmiş ve kaydedilmiştir. Toplanan büyük veri seti, zaman serisi analizi yapılarak incelenmiş ve verilerdeki normal ve anormal örüntüler belirlenmiştir. Bu aşamada, sensörlerden elde edilen veriler kullanılarak makine öğrenmesi algoritmaları eğitilmiş ve sistemin normal çalışma koşullarından sapmaları tespit etme yeteneği geliştirilmiştir. Makine öğrenmesi algoritmalarının eğitimi ve test edilmesi sürecinde, farklı anomali tespit yöntemleri karşılaştırılmış ve en yüksek doğruluk oranını sağlayan model seçilmiştir. Sonuçlar, asansörlerin güvenli operasyonlarını sağlamak ve erken uyarı sistemleri geliştirmek için bu tür bir veri odaklı yaklaşımın etkili olduğunu göstermiştir. Ayrıca, önerilen sistemin, asansör bakım maliyetlerini düşürme ve operasyonel verimliliği artırma potansiyeli bulunmaktadır. Bu çalışma, sensör verileri ile zenginleştirilmiş makine öğrenmesi tekniklerinin, asansör sistemlerinde güvenliği ve performansı optimize etme noktasında nasıl kullanılabileceğini ortaya koymaktadır. Araştırma sonuçları hem mühendislik hem de yapay zekâ alanlarında yenilikçi uygulamaların geliştirilmesi için önemli bir referans teşkil etmektedir.
Özet (Çeviri)
Today's rapidly evolving urbanization and high-rise building projects have made the safety and performance of elevator systems a critical priority. This study aims to develop a machine learning based anomaly detection system to monitor the dynamic performance of elevators and predict potential failures. At the core of the research is a sensor network built on the Latte Panda platform. This network consists of components such as acceleration sensor, temperature sensor, RTC time module and vibration sensor integrated into the elevator system. During the data collection phase, speed, acceleration, vibration and temperature data were continuously monitored and recorded during the elevator operation. The collected large data set was analyzed by time series analysis and normal and abnormal patterns in the data were identified. In this phase, machine learning algorithms were trained using the data obtained from the sensors and the system's ability to detect deviations from normal operating conditions was improved.During the training and testing of the machine learning algorithms, different anomaly detection methods were compared and the model with the highest accuracy was selected. The results show that such a data-driven approach is effective for ensuring safe elevator operations and developing early warning systems. Moreover, the proposed system has the potential to reduce elevator maintenance costs and increase operational efficiency. This study demonstrates how machine learning techniques enriched with sensor data can be used to optimize safety and performance in elevator systems. The research results provide an important reference for the development of innovative applications in both engineering and artificial intelligence fields.
Benzer Tezler
- Anomaly detection and root-cause determination for automotive applications using deep learning and xai models
Otomotiv uygulamaları için derin öğrenme ve açıklanabilir yapay zeka kullanarak anomali tespiti ve kök-neden analizi
MEHMET EMİN MUMCUOĞLU
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ÜNEL
- Makine öğrenmesi teknikleri ile frezeleme işlemlerinde takım aşınmasının tahmini
Prediction of tool wear in milling operations using machine learning techniques
GÖKBERK SERİN
Doktora
Türkçe
2024
Makine MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HAKKI ÖZGÜR ÜNVER
- Elektrik motorları için makine öğrenmesi temelli arıza analizi
Machine learning based fault analysis for electrical motors
İLYAS GÜVENÇ PİRGE
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLHAN BAŞTÜRK
- 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
UĞUR İLERİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDüzce ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF ALTUN
- Turbofan motorlarda faydalı ömür tahmini için yapay sinir ağlarına dayalı model geliştirilmesi
Development of a neural network-based model for remaining useful life prediction in turbofan engines
FURKAN İŞBİLEN
Doktora
Türkçe
2025
Havacılık ve Uzay MühendisliğiErciyes ÜniversitesiHavacılık Elektrik ve Elektroniği Ana Bilim Dalı
DOÇ. DR. MEHMET KONAR
DOÇ. DR. OĞUZ BEKTAŞ