Derin öğrenme metotları kullanarak rulmanların kalan faydalı kullanım ömrünün tahmini
Prediction the remaining useful life of bearings using deep learning methods
- Tez No: 921208
- Danışmanlar: DR. ÖĞR. ÜYESİ KAPLAN KAPLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 128
Özet
Rulmanların kalan faydalı kullanım ömrü tahmini, makine güvenilirliği ve kestirimci bakım (Predictive Maintenance, PdM) süreçleri açısından kritik bir öneme sahiptir. Bu tahminler, arızaların önceden belirlenmesi ve plansız duruş sürelerinin azaltılması sayesinde operasyonel maliyetlerin düşürülmesine ve verimliliğin artırılmasına katkıda bulunur. Bu çalışmada, yatay rulman titreşim verileri Sürekli Dalgacık Dönüşümü (CWT) ve Mel Spektrogram dönüşüm yöntemleriyle frekans-temelli görselleştirmelere dönüştürülmüştür. CWT görüntüleri ResNet50 modeli, Mel Spektrogram görüntüleri ise TinyViT-21M-384 modeli ile işlenerek görüntülerden sayısal özellikler çıkarılmıştır. Bu özelliklere ek olarak, titreşim sinyallerinin istatistiksel özellikleri ve gri-seviye eş-oluşum matrisi (GLCM) gibi dokusal özellikler de çıkarılmıştır. Tüm bu özellikler bir araya getirilerek yeni bir veri seti oluşturulmuş ve bu veri seti TCN modeli ile eğitilmiştir. Çalışma kapsamında PRONOSTIA veri seti kullanılmıştır. Bu veri seti, rulmanların farklı çalışma koşullarında titreşim ve sıcaklık verilerini içeren, IEEE PHM 2012 Data Challenge için tasarlanmış bir veri setidir. Çalışma sürecinde, özellik çıkarımı ve modelleme aşamaları titizlikle gerçekleştirilmiştir. Eğitim sürecinde TCN modeli ile boyunca eğitilmiş ve test verisi üzerinde 0,3413, eğitim verisi üzerinde 0,8521 Score değerlerine ulaşılmıştır. Bu sonuçlar, farklı veri türlerinden çıkarılan özelliklerin birleştirilmesinin tahmin performansını artırmada etkili olduğunu göstermektedir. Çalışma, kestirimci bakım süreçlerinde hem görsel hem de istatistiksel verilerin bütünleştirilmesinin, daha doğru ve verimli tahmin yöntemlerinin geliştirilmesine önemli bir katkı sağladığını ortaya koymuştur.
Özet (Çeviri)
The prediction of the remaining useful life (RUL) of bearings is critically important for machine reliability and predictive maintenance (PdM) processes. These predictions contribute to reducing operational costs and increasing efficiency by enabling the early detection of faults and minimizing unplanned downtime. In this study, horizontal bearing vibration data were transformed into frequency-based visualizations using Continuous Wavelet Transform (CWT) and Mel Spectrogram methods. CWT images were processed with the ResNet50 model, while Mel Spectrogram images were analyzed using the TinyViT-21M-384 model to extract numerical features from the visual data. In addition to these, statistical features of the vibration signals and textural features such as gray-level co-occurrence matrix (GLCM) were also extracted. All these features were combined into a new dataset, which was subsequently used to train a TCN model. The study utilized the PRONOSTIA dataset, which was specifically designed for the IEEE PHM 2012 Data Challenge and contains vibration and temperature data of bearings under various operating conditions. The feature extraction and modeling stages were conducted meticulously. During the training process, the TCN model was trained and achieved a Score of 0,3413 on the test data and 0,8521 on the training data. These results demonstrate the effectiveness of combining features extracted from different data types in improving prediction performance. This study highlights the significant contribution of integrating both visual and statistical data in predictive maintenance processes, paving the way for more accurate and efficient prediction methods.
Benzer Tezler
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Derin öğrenme metotları ile yüz ifadelerinden down sendromu tespiti
The detection of down syndrome from facial expressions using deep learning methods
EVİN ORTAÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
PROF. DR. NECMETTİN SEZGİN
- Yaprak görüntülerini kullanarak derin öğrenme ile ceviz türlerinin belirlenmesi
Determination of walnut species by deep learning using leaf images
ALPER TALHA KARADENİZ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜKSEL ÇELİK
DR. ÖĞR. ÜYESİ ERDAL BAŞARAN
- Derin öğrenme yaklaşımı ile malaria (sıtma) hastalığı görüntülerinin sınıflandırılması
Classification of malaria disease images using deep learning approach
MOHANAD MOHAMMED QANBAR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- Deep learning based dynamic turkish sign language recognition with leap motion
Derin öğrenme tabanlı leap motıon ile dinamik türk işaret dili tanıma
BURÇAK DEMİRCİOĞLU KAM
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE KÖSE