Geri Dön

Açıklanabilir yapay zeka ve akustik sinyaller kullanılarak endüstriyel makinelerde anomali tespiti

Anomaly detection in industrial machines using explainable ai and acoustic signals

PDF İndir

  1. Tez No: 928069
  2. Yazar: BETÜL SENA ÇAĞLAR
  3. Danışmanlar: PROF. DR. DEVRİM AKGÜN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 131

Özet

Endüstriyel sistemlerde meydana gelen arızalar, yalnızca üretim kesintileri ve maliyet artışlarına yol açmakla kalmaz, aynı zamanda güvenlik riskleri ve müşteri memnuniyetsizliği gibi sorunlara da neden olmaktadır. Bu nedenle, anomalilerin erken tespit edilmesi, üretim süreçlerinde verimliliğin artırılması ve hataların piyasaya sürülmeden önce belirlenmesi açısından büyük önem taşımaktadır. Bu tezde, endüstriyel makinelerden toplanan ses sinyalleri kullanılarak, makine sağlığındaki anormalliklerin ve arıza durumlarının tespit edilmesine yönelik hafif ve etkili gözetimli ve gözetimsiz öğrenme yöntemleri geliştirilmiştir. Tez çalışmasında kullanılan yöntem, sensörlerden elde edilen ses sinyallerinin özellik mühendisliği süreçleriyle işlenmesi ve farklı makine öğrenmesi modelleri ile test edilmesini kapsamaktadır. Ses sinyallerinden 17 farklı ses sinyali özelliği çıkarılmış, çoğu bir dizi olan bu 17 farklı ses sinyali özelliğinden de çeşitli istatiksel metrikler çıkarılarak her bir ses sinyali verisi için 110 özniteliğin bulunduğu bir veri seti oluşturulmuştur. RF, XGBoost, EBM ve DNN olmak üzere dört farklı gözetimli öğrenme yöntemiyle oluşturulan modeller ve yapılan analizler sonucunda, MIMII veri setindeki dört makine türü için ortalama, %99.78 doğruluk ve %99.95 AUC değeri elde edilmiştir. Önerilen yöntem, ayrıca ToyADMOS veri setindeki oyuncak arabalar ile gerçek bir vaka çalışması olan beyaz eşya elektrik motorlarından elde edilen ses sinyalleri üzerinde test edilmiş ve sırasıyla %95.62 ve %99.38 AUC değerleriyle literatürdeki mevcut yöntemlerden daha iyi sonuçlar elde etmiştir. Çalışmada, gerçek zamanlı akustik izleme ve kestirimci bakım sistemleri için değerli bilgiler sunmak amacıyla, RF, IG, SHAP, LIME, EBM ve LASSO olmak üzere altı farklı açıklanabilir yapay zekâ (XAI) yöntemlerini kullanarak elektrik motoru, pompa, fan, sürgülü ray ve valf makine türleri için anomali tespitinde kullanılabilecek kritik ses sinyali özellikler belirlenmiştir. Özellik seçimi ve azaltımı süreçleriyle, yalnızca önemli olarak belirlenen özelliklerin bulunduğu veri setleri ile gözetimsiz öğrenme modelleri eğitilmiştir. Bu yöntem yalnızca ayırt edici özellikler verilerek etiketli veri olmadan anomali tespiti yapmayı çalışan modellerin performansını güçlendirmek için kullanılmıştır Gözetimsiz öğrenme yöntemlerinden Autoencoder (AE) modelinin, çoğu makine türünde İzolasyon Ormanı (IF) modeline göre daha başarılı performans gösterdiği gözlemlenmiştir. Gözetimsiz modellerde her makine kimliği için elde edilen ortalama AUC değerleri; pompalar için %99.11, fanlar için %99.54, sürgülü raylar için %98.85, valfler için %98.12 olmuştur. Sonuç olarak, bu çalışma, endüstriyel makinelerde anomali ve arıza tespiti için hafif, etkili ve açıklanabilir bir yöntem sunarak literatüre ve endüstriyel uygulamalara katkı sağlamaktadır. Önerilen yöntem hem performans hem de hafif bir yöntem oluşunun getirdiği maliyet avantajlarıyla mevcut çözümlerin önemli ölçüde önüne geçmiştir.

Özet (Çeviri)

Industrial systems play a critical role in modern manufacturing, where efficiency, reliability, and sustainability are essential. Failures in these systems not only disrupt production and increase operational costs but also pose safety risks and lead to customer dissatisfaction. Early detection of anomalies and faults is vital for ensuring process continuity, improving product quality, and identifying potential issues before they escalate. This thesis focuses on the development of lightweight and effective supervised and unsupervised learning methods for detecting anomalies and fault conditions in industrial machines using audio signals collected from machine operations. By leveraging these methods, the study aims to enhance production efficiency and reliability while minimizing the risks associated with unexpected system failures. The thesis involves processing audio signals from sensors with feature engineering processes and testing them using various machine learning and deep learning models. Initially, 17 audio features were directly extracted from the raw audio signals. After these features were extracted, statistical feature extraction techniques were applied, such as mean, variance, standard deviation, skewness, kurtosis, maximum, and median absolute deviation autocorrelation coefficients, in order to derive additional attributes. As a result of the feature enhancement process, the initial set of 17 audio features was significantly expanded, leading to the creation of a robust and comprehensive dataset encompassing 110 distinct attributes for each instance. This expanded feature set allowed for a more in-depth and nuanced analysis of the acoustic characteristics of the signals, ultimately enabling a deeper understanding of the underlying machine behaviors and facilitating more accurate anomaly detection. These features were tested using supervised learning models, including Random Forest (RF), Extreme Gradient Boosting (XGBoost), Explainable Boosting Machines (EBM), and Deep Neural Networks (DNN), as well as unsupervised learning models like Autoencoder (AE) and Isolation Forest (IF). Supervised models demonstrated remarkable performance, achieving an average accuracy of 99.78% and an AUC of 99.95% on the MIMII dataset, which includes four distinct machine types. It is noteworthy that the study found that no single supervised model consistently outperformed others across all machine types. However, DNN and XGBoost generally exhibited superior performance across most machine types. Among the unsupervised models, the AE demonstrated superior performance compared to the IF across most machine types, except for the 'Pump 00' machine, where the IF model showed a slight edge. Specifically, the best average AUC values achieved by unsupervised models for each machine type were as follows: pumps (99.11%), fans (99.54%), slide rails (98.85%), and valves (98.12%). The thesis further substantiated the efficacy of its proposed methodologies by rigorously validating them on a variety of diverse datasets. Among these, the ToyADMOS dataset, comprising toy car audio signals, and a real-world case study involving acoustic signals from electric motors of white goods appliances, were employed. The proposed methods demonstrated remarkable performance, achieving competitive AUC values of 95.62% and 99.38%, respectively. These results not only highlight the robustness of the approach but also position it as a superior alternative, outperforming several state-of-the-art techniques documented in the current literature. In addition to evaluating performance, the thesis also explores the use of Explainable Artificial Intelligence (XAI) techniques to improve the interpretability of the machine learning models. Six different XAI techniques—SHAP, LIME, RF, IG, EBM, and LASSO—were integrated into the proposed framework to identify critical features specific to different machine types. This integration allowed for a better understanding of which features played the most significant role in detecting anomalies in pumps, fans, slide rails, and valves. By reducing the number of features to just 20–50 important attributes, the models not only maintained but also improved their accuracy, achieving a balance between computational efficiency and model effectiveness. The feature reduction process, particularly when applied to unsupervised models, significantly improved their classification performance. These findings suggest that focusing on the most relevant features is key to achieving better anomaly detection outcomes. The study identified several key features critical for detecting anomalies in machine behavior. Notably, the Standard Deviation of the Magnitudes, Standard Deviation of Instantaneous Amplitude, Kurtosis of the Signal, Standard Deviation of the RMS Energy, Maximum Spectral Bandwidth, and Maximum Spectral Rolloff emerged as crucial indicators across all machine types. These features, derived from acoustic signals, effectively captured subtle variations in the machine's operational characteristics, which were essential for distinguishing between normal and faulty conditions. A systematic comparison between supervised and unsupervised methods revealed a notable difference in performance. Supervised models achieved a higher average AUC score of 99.95%, compared to 98.91% for unsupervised methods, emphasizing the importance of labeled data in achieving reliable and accurate anomaly detection. Despite this, the unsupervised models still showed promising results, especially when coupled with feature selection techniques and XAI methods. One of the most significant contributions of this thesis is the development of lightweight models that are suitable for deployment in real-world industrial settings. Given the limitations of computational power and energy consumption in many industrial applications, the proposed models are designed to be computationally efficient without sacrificing performance. The lightweight nature of the models, which use architectures like DNN with just 3–4 hidden layers and Autoencoders, makes them particularly well-suited for edge devices. These models can be deployed on devices with limited resources, such as industrial sensors and controllers, thus addressing key challenges in practical applications. By focusing on models that are both interpretable and efficient, this thesis makes a substantial contribution to the field of industrial machine monitoring and fault detection. In conclusion, this thesis proposes a robust solution for anomaly detection in industrial machines, leveraging both supervised and unsupervised machine learning techniques. The proposed methods achieve high accuracy, strong interpretability, and computational efficiency, making them suitable for real-time monitoring and predictive maintenance applications in industrial settings. Moreover, the integration of XAI techniques enhances the transparency of the models, enabling actionable insights for maintenance teams and improving decision-making processes. The lightweight nature of the proposed models further ensures that they can be deployed on edge devices, offering a scalable and energy-efficient solution for industrial anomaly detection. Ultimately, this work not only addresses the current needs of industrial systems but also paves the way for future research in the field of explainable, scalable, and efficient fault detection systems for industrial applications.

Benzer Tezler

  1. Tez No

    918601

    Açıklanabilir yapay zeka ile konut piyasasının geleceğinde veri odaklı kararlar

    Data-driven decisions on the future of the housing market with explainable artificial intelligence

    HALE UYSAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Yönetim Bilişim SistemleriBurdur Mehmet Akif Ersoy Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. ADNAN KALKAN

  2. Tez No

    895141

    Derin pekiştirmeli öğrenmeye dayalı otonom sürüş için açıklanabilir yapay zeka

    Explainable artificial intelligence (xai) for deep reinforcement learning based autonomous driving

    MUHSİN KOMPAS

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İBRAHİM KÖK

  3. Tez No

    838539

    Finansal zaman serisi tahmininde açıklanabilir yapay zeka ile makine öğrenimi tahmin performansının geliştirilmesi

    Improving machine learning prediction performance with explainable artificial intelligence in financial time series prediction

    TAHA BUĞRA ÇELİK

    Doktora

    Türkçe

    Türkçe

    2023

    İstatistikOndokuz Mayıs Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. ELİF BULUT

    DR. ÖĞR. ÜYESİ ÖZGÜR İCAN

  4. Tez No

    883211

    İş isteklerindeki Türkçe metinlerin doğal dil işleme yöntemleri kullanılarak analizi

    Analysis of text in job requests using natural language processing methods

    CEREN ÖZKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. KEMAL ÖZKAN

  5. Tez No

    955963

    Optimization of efficiency in biodiesel production from microalgae with machine learning methods

    Mikroalglerden biyodizel üretiminde makine öğrenimi yöntemleri ile verimliliğin optimizasyonu

    CANBERK ÜNGÖRMÜŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTürk Hava Kurumu Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYTUN ONAY

Geri Dön