Geri Dön

Yapay zekâ yöntemleri kullanarak otomobil motor ses sinyallerinden arıza tespiti

Fault detection from automobile engine sound signals using artificial intelligence methods

PDF İndir

  1. Tez No: 922025
  2. Yazar: FERİT AKBALIK
  3. Danışmanlar: DOÇ. DR. ABDULNASIR YILDIZ, PROF. DR. ÖMER FARUK ERTUĞRUL
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 98

Özet

Otomobil arızlarının tespiti için başvurulan geleneksel yöntemler, servis merkezlerinde bulunan deneyimli uzman bilgisine ve özel teşhis araçlarına dayanmaktadır. Ancak bu yöntemler oldukça zaman alıcı ve otomobil sahibi açısından oldukça maliyetli olabilmektedir. Dolayısıyla otomobil arızalarının tespitine yönelik hızlı ve az maliyetli alternatif yöntemlerin geliştirilmesi büyük önem arz etmektedir. Bu tez çalışmasında, otomobillerin motor sesi kayıtlarından belirli arızaların tespiti için makine öğrenmesi ve derin öğrenme tabanlı, verimli ve etkili iki alternatif yöntem önerilmiştir. Önerilen yöntemler iki çalışma halinde sunulmuştur. Önerilen yöntemler ile motor sesi kayıtlarından otomobillerin 6 farklı durumu (5 farklı arıza durumu ve arızasız durumu) belirlenmiştir. Daha önceden bu konuda yapılan çalışmaların sınırlamaları göz önüne alınarak bu tez çalışmasında, çeşitli araç modellerini ve gerçek dünya çalışma koşullarını kapsayan büyük ve çeşitli bir veri kümesi oluşturulmuş ve kullanılmıştır. Böylelikle arıza tespit sisteminin gürbüzlüğünün ve genelleme yeteneğinin önemli ölçüde iyileştirilmesi yoluna gidilmiştir. Tez kapsamında yapılan ilk çalışmada, Mel-Frekans Cepstral Katsayıları (MFCC), Ayrık Dalgacık Dönüşümü (ADD) tabanlı özellikler ve Aşırı Öğrenme Makinesi (Extreme Learning Machine, ELM) sınıflandırıcısı kullanan bir araç arıza tespit çerçevesi sunulmuştur. Yapılan deneylerin sonuçları, motor sesi kayıtlarının MFCC tabanlı özelliklerinin ELM sınıflandırıcısıyla değerlendirilmesiyle otomobil arıza tespitinde kayda değer performans sergilediğini göstermiştir. Bu birleşimin istatiksel parametreler açısından başarım performansı %92,22 kesinlik, %92,22 duyarlılık, %92,10 F1-score ve %92,14 doğruluk olarak gerçekleşmiştir. Motor sesi kayıtlarının ADD tabanlı özelliklerin kullanılması durumunda ise elde edilen başarım performansı MFCC tabanlı özelliklere göre daha düşük olduğu görülmüştür. Ayrıca, tezin bu kısmında gelecekteki arıza tespit çalışmalarına değerli bilgi sağlayacağını düşünerek farklı arıza tiplerinin en belirgin frekanslarının tespiti için frekans analizi yapılmıştır. Tez kapsamında yapılan ikinci çalışmada ise otomobil arızalarının kestirimi için motor sesi kayıtlarının skalogram ve spektrogram görsellerini birlikte işleyen ve CarFaultNet olarak adlandırılan bir derin öğrenme tabanlı model önerilmiştir. Önerilen modelde ses kayıtlarının iki farklı zaman-frekans temsilinin kullanılıyor olması modele çoklu bakış açısı kazandırmaktadır. Başka bir ifade ile model arıza tespiti için bir karar mekanizması oluştururken motor sesinin hem skalogram bilgisine hem de spectrogram bilgisine birlikte başvurmaktadır. Önerilen CarFaultNet modeli yapı olarak iki MobileNet evrimşimsel ağ yapısının paralel birleşiminden oluşmaktadır. Arıza tespiti için AlexNet, GoogLeNet, ShuffleNet ve SqueezeNet gibi evrişimli sinir ağları tabanlı modellerin kullanımına da karşılaştırma amacıyla bu çalışmada yer verilmiştir. Elde edilen sonuçlar, CarFaultNet modelinin gerek geleneksel makine öğrenme yöntemlerinden ve gerekse tek bakış açılı derin öğrenme modellerinden daha başarılı olduğunu göstermiştir. Önerilen modelin başarım performansı %95,32 doğruluk, %94,83 duyarlılık, %94,99 F1-score ve %95,00 kesinlik olarak gerçekleşmiştir. Ayrıca, CarFaultNet modelin karar verme sürecinde skalogram ve spektrogram görsellerinin hangi bölgelerinin belirgin etkiye sahip olduğunu göstermek amacıyla Sınıf Aktivasyon Haritalandırma (Class Activation Mapping-CAM) tekniği kullanılmıştır. Bu tez kapsamında önerilen yaklaşımlar ve bu yaklaşımların sonuçları göz önüne alındığında, gelecekte makine ve derin öğrenme tabanlı yöntemlerin otomobil arza tespitinde güvenilir ve pratik çözümler sunabileceği görülmüştür.

Özet (Çeviri)

Traditional methods for diagnosing automobile faults rely on the expertise of skilled professionals in service centers and specialized diagnostic tools. However, these approaches are often time-consuming and costly for vehicle owners. Consequently, the development of rapid and cost-effective alternative methods for fault detection in automobiles is of significant importance. In this thesis, two efficient and effective alternative methods based on machine learning and deep learning are proposed for the detection of specific faults using the engine sound recordings of automobiles. The proposed methods are presented in two separate studies. Using these methods, six distinct vehicle conditions (five different fault states and a fault-free state) were detected from the sound recordings. Considering the limitations of previous studies in this domain, this thesis utilizes a large and diverse dataset encompassing various vehicle models and real-world operating conditions. Thus, significant improvements in the robustness and generalization capability of the fault detection system have been achieved. In the first study conducted within the scope of this thesis, a vehicle fault detection framework utilizing Mel-Frequency Cepstral Coefficients (MFCC), Discrete Wavelet Transform (DWT)-based features, and an Extreme Learning Machine (ELM) classifier was presented. The experimental results demonstrated that using MFCC-based features of engine sound recordings with the ELM classifier achieved satisfactory performance in automobile fault detection. The performance metrics for this setting were 92.22% precision, 92.22% recall, 92.10% F1-score, and 92.14% accuracy. On the other hand, when DWT-based features were used, the performance was observed to be lower compared to MFCC-based features. Additionally, a frequency analysis was conducted in this part of the thesis to identify the most prominent frequencies of different fault types, providing valuable insights for future fault detection studies. In the second study of this thesis, a deep learning-based model named CarFaultNet was proposed for the prediction of automobile faults using skalogram and spectrogram images of engine sound recordings. By employing two different time-frequency representations of sound recordings, the proposed model gains a multi-view approach. In other words, the model leverages both skalogram and spectrogram information simultaneously to establish a decision-making mechanism for fault detection. Structurally, the CarFaultNet model consists of a parallel combination of two MobileNet convolutional neural network architectures. For comparison purposes, this study also includes the application of other convolutional neural network-based models, such as AlexNet, GoogLeNet, ShuffleNet, and SqueezeNet, for fault detection. The results indicate that the CarFaultNet model outperforms both traditional machine learning methods and single-view deep learning models. The performance metrics of the proposed model were 95.32% accuracy, 94.83% recall, 94.99% F1-score, and 95.00% precision. Furthermore, the Class Activation Mapping (CAM) technique was employed to highlight the regions of skalogram and spektrogram images that significantly influence the decision-making process of the CarFaultNet model. Considering the approaches proposed and the results obtained in this thesis, it is anticipated that machine learning and deep learning-based methods could provide reliable and practical solutions for automobile fault detection in the future.

Benzer Tezler

  1. Tez No

    945213

    Improving lane change decisions in autonomous driving using adversarial learning

    Otonom sürüşte şerit değiştirme kararlarının karşıt öğrenme yöntemiyle iyileştirilmesi

    AYTUĞ ONURHAN EFİL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA DOĞAN

  2. Tez No

    847490

    Reducing in-vehicle communication overload and enhancing efficiency in autonomous and electrical vehicles

    Otonom ve elektrikli araçlarda araç içi iletişim yükünü azaltma ve etkinliğini artırma

    YUNUS KAĞAN ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET CANSIZ

  3. Tez No

    694143

    Kavşak ve karayollar için gerçek zamanlı görü tabanlı trafik akış bilgisi hesaplama sistemlerinin geliştirilmesi

    Development of real-time vision based traffic flow information estimation systems for intersection and highways

    JAHONGIR AZIMJONOV

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ÖZMEN

  4. Tez No

    864101

    A comparative study of deep learning approaches for autonomous vehicle control

    Otonom araç kontrolü için ̇derin öğrenme yaklaşımlarının karşılaştırılması

    EMRE ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLAY ÖKE GÜNEL

  5. Tez No

    857992

    Kümeleme ve yerel aykırı faktör tabanlı aktif öğrenme yaklaşımları: Otomotiv sektöründe bir uygulama

    Clustering and local outlier factor-based active learning approaches: An application to the automotive industry

    FATMA SANİYE KOYUNCU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiBursa Uludağ Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. TÜLİN İNKAYA

Geri Dön