Derin meta-öğrenme tabanlı bir akıllı arıza teşhis yaklaşımı
A deep meta-learning based intelligent fault diagnosis approach
- Tez No: 941386
- Danışmanlar: DOÇ. DR. EYÜP ÇİNAR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 91
Özet
Son yıllarda, özellikle endüstriyel ortamlarda makine ve teçhizat durumlarının izlenmesi ve arızalarının teşhisi konusunda veri odaklı çözümler yaygınlaşmaktadır. Bu alanda yapılan mevcut çalışmalarda genellikle derin öğrenme yöntem ve tekniklerinden faydalanılsa da çoğu yaklaşım, büyük miktarda etiketlenmiş ve zaman damgalarıyla işaretlenmiş arıza verisine ihtiyaç duymaktadır. Fakat gerçek endüstriyel ortamlarda uzun süreli ve kapsamlı olarak arıza verisinin toplanması çoğu zaman zor ya da imkânsızdır. Bahsedilen sorunlara çözüm olarak, tez kapsamında sınırlı miktardaki verilerden arıza teşhisi yapabilen çoklu sensör füzyonuyla güçlendirilmiş derin meta-öğrenme tabanlı bir arıza teşhis yaklaşımı geliştirilmiştir. Derin meta-öğrenme teknikleri, az örnekli öğrenme stratejilerini kullanarak özellikle kritik alanlarda ortaya çıkan veri kıtlığı gibi zorlukların üstesinden gelebilecek potansiyele sahiptir. Tez çalışmasında önerilen yaklaşım, eş zamanlı olarak çoklu sensörler yardımıyla toplanan zaman serisi sinyallerini zaman-frekans düzlemine aktararak metrik tabanlı bir meta-öğrenme yöntemi olan İlişki Ağları'nı içeren çok dallı bir özgün arıza teşhis yöntemiyle sınıflandırmaktadır. Üç farklı kullanım senaryosu için üç farklı endüstriyel veri seti üzerinde yapılan deneyler, yaklaşımın tekli sinyallere kıyasla üstün performans gösterdiğini ve sinyal sayısı arttıkça başarımın yükseldiğini ortaya koymaktadır. Önerilen yaklaşım literatürdeki mevcut yöntemlere kıyasla test doğruluğunda önemli kazanımlar sunmuş olup; benzer arızaların farklı seviyelerinin teşhisinde 3 sınıflı 1 örnekli ve 10 örnekli deneylerde sırasıyla %5,83 ve %6,07, aynı arızaların farklı çalışma koşullarında teşhisinde 5 sınıflı 1 örnekli ve 10 örnekli deneylerde sırasıyla %11,69 ve %10,26 ve farklı arıza türlerinin teşhisinde ise 3 sınıflı 1 örnekli, 3 sınıflı 10 örnekli, 5 sınıflı 1 örnekli ve 5 sınıflı 10 örnekli deneylerde de sırasıyla %5,88, %6,07, %6,55 ve %2,95 oranlarında iyileşme sağlamıştır.
Özet (Çeviri)
In recent years, data-driven solutions have been widely utilized for monitoring the conditions and fault diagnosis of machinery and equipment, particularly in industrial settings. Although current studies in this field commonly utilize deep learning methods and techniques, most approaches require large amounts of labeled and time-stamped fault data. However, collecting such extensive and long-term fault data in real industrial environments is often difficult or even impossible. To address these challenges, this thesis proposes a multisensory data fusion enhanced deep meta-learning approach, that is capable of diagnosing faults using limited data. Deep meta-learning techniques, by employing few-shot learning strategies, hold significant potential in overcoming data scarcity issues, particularly in critical domains. The proposed approach transforms time domain signals collected simultaneously from multiple sensors into the time-frequency domain and classifies them using a novel multi-branch fault diagnosis approach incorporating Relation Networks, a metric-based meta-learning method. Experiments conducted on three different industrial datasets under three distinct use cases demonstrate that the proposed method outperforms single-signal techniques and its performance improves as the number of signal types increases. Compared to existing methods in the literature, the proposed approach has achieved significant gains in test accuracy, including 5.83% and 6.07% for 3-way 1-shot and 3-way 10-shot tasks across different fault severities of similar fault types; 11.69% and 10.26% for 5-way 1-shot and 5-way 10-shot tasks for the same faults under varying operating conditions; and 5.88%, 6.07%, 6.55%, and 2.95% for 3-way 1-shot, 3-way 10-shot, 5-way 1-shot, and 5-way 10-shot tasks, respectively, across various fault types.
Benzer Tezler
- An improved transfer learning based siamese network for face recognation
Yüz tanıma için geliştirilmiş aktarım öğrenme tabanlı sıamese ağı
DALHM GHALIB HALBOOS AL-SHAMMARI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
البروفيسور. دكتور. DEVRİM AKGÜN
- Tarımsal uygulamalar için derin öğrenme temelli uç sistem modellerinin geliştirilmesi ve optimizasyonu
Development and optimization of deep learning based edge system models for agricultural applications
DORUK SÖNMEZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN ÇETİN
- A new approach to satellite communication: Harnessing the power of reconfigurable intelligent surfaces
Uydu iletisimine yeni bir yaklaşım: Yeniden yapılandırılabı̇lı̇r akıllı yüzeylerden faydalanma
KÜRŞAT TEKBIYIK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Applications of deep reinforcement learning for advanced driving assistance systems
İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları
MUHARREM UĞUR YAVAŞ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Cross-domain one-shot object detection by online fine-tuning
Çevrimiçi ince-ayar ile tek-örnekli çapraz-alan nesne tespiti
İREM BEYZA ONUR
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL