Makine öğrenimi ve veri bilimi ile gürültü,titreşim ve sertlik analizinin geliştirilmesi
Improving noise, vibration and harshness analysis with machine learning and data science
- Tez No: 953201
- Danışmanlar: PROF. DR. CİHAN DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Ana Bilim Dalı
- Bilim Dalı: Makine Teorisi ve Kontrol Bilim Dalı
- Sayfa Sayısı: 96
Özet
Bu tez çalışması, içten yanmalı motora sahip büyük ticari yolcu otobüslerinde araç içi konforu etkileyen temel parametreler olan gürültü, titreşim ve sertlik (GTS) seviyelerinin iyileştirilmesine yönelik, makine öğrenimi temelli bütüncül bir değerlendirme ve analiz yaklaşımı geliştirmeyi amaçlamaktadır. GTS unsurları hem araçların algılanan kalitesini hem de yolcu memnuniyetini doğrudan etkileyen kritik göstergelerdir. Bu nedenle, araç geliştirme süreçlerinde GTS karakteristiklerinin doğru analiz edilmesi ve iyileştirme hedeflerinin isabetli bir şekilde belirlenmesi büyük önem taşır. Mevcut endüstriyel uygulamalarda kullanılan geleneksel GTS teşhis yöntemleri (örneğin Transfer Patika AnaliziTPA, Operasyonel Deplasman Analizi- ODS) doğrusal sistem varsayımları altında çalışmakta, yüksek zaman ve kaynak maliyetlerine sebep olmaktadır. Bu tezde ise, doğrusal olmayan sistem davranışlarını da dikkate alabilen ve daha geniş veri kümeleriyle çalışabilen, veri bilimi odaklı alternatif bir yöntem önerilmiştir.xiii Çalışma kapsamında, makine öğrenimi algoritmaları (özellikle Rastgele Orman), keşifsel veri analizi (EDA), korelasyon analizi, değişken önem sıralaması ve hassasiyet analizi gibi yöntemlerle desteklenen yeni bir GTS değerlendirme süreci geliştirilmiştir. Bu yöntem; büyük hacimli test verileri kullanarak, araçtaki her bir potansiyel gürültü ve titreşim kaynağının hedef iç mekân gürültüsüne olan etkisini sayısal olarak ortaya koymaktadır. Ayrıca bu etkiler ışığında, daha doğru ve uygulanabilir sistem hedefleri belirlenmesine olanak tanımaktadır. Rastgele orman algoritması ile diğer makine öğrenimi yöntemleri de kıyaslanarak yorumlanmıştır. Geleneksel TPA ve ODS yöntemleri ile karşılaştırıldığında, önerilen yaklaşım hem veri işleme süresini kısaltmakta hem de doğruluk ve genellenebilirlik açısından daha başarılı sonuçlar sunabilmektedir. Deneysel çalışmalar kapsamında, önerilen yaklaşımın gerçek yol koşullarında uygulanabilirliğini test etmek üzere iki adet yol testi gerçekleştirilmiştir. Bunlardan ilki, tam açık gaz kelebeği (WOT) altında gerçekleştirilen hızlanma testidir. Bu test, araç içi gürültünün hangi frekans bantlarında yoğunlaştığını belirlemek ve analizlerde odaklanılacak hedef frekans aralığını seçmek amacıyla yapılmıştır. Özellikle 11 Hz frekans bandı, bu açıdan öne çıkmış ve çalışmanın odak noktası haline gelmiştir. İkinci test ise, 15 dakikadan uzun süreli rastgele sürüş koşullarında gerçekleştirilmiştir. Bu testte, toplamda 22 kanal üzerinden (7 mikrofon + 5 adet üç eksenli ivmeölçer ile) çoklu sensör verileri toplanmıştır. Elde edilen veriler, zaman alanından frekans alanına dönüştürülerek analiz edilmiştir. Analiz sürecinde, toplanan veriler öncelikle istatistiksel olarak incelenmiş, çıkıntı veriler (outliers) keşifsel veri analizi ile tespit edilerek temizlenmiş ve ardından korelasyon analizleri yapılmıştır. Yapılan analizler, motor, hava emiş ve egzoz sistemlerinin iç gürültü üzerindeki etkilerinin oldukça yüksek olduğunu göstermiştir. Örneğin, motor kaynaklı titreşim ile koltuk içi gürültü seviyesi arasında %75'in üzerinde korelasyon tespit edilmiştir. Ayrıca, hedef olarak belirlenen 64 dBA araç içi ses seviyesinin sağlanabilmesi için motor gürültüsünün 95.53 dBA'nın altında tutulması gerektiği belirlenmiştir. Rastgele Orman algoritması sayesinde, bu ilişkiler doğrusal olmayan yapıları da içerecek şekilde modellenmiş ve klasik yöntemlerin ulaşamadığı doğruluk seviyelerine ulaşılmıştır. Bununla birlikte, çalışma sadece korelasyon analizi ile sınırlı kalmamış; değişken önem analizi ve hassasiyet analizi gibi ileri yöntemlerle, GTS karakteristiğine en fazla etki eden bileşenler sıralanmış ve bu bileşenler üzerinde yapılacak tasarımsal değişikliklerin iç mekân gürültüsüne etkisi sayısal olarak değerlendirilmiştir. Böylece mühendislerin iyileştirme hedeflerini doğru belirleyebileceği sezgisel ve sayısal bir karar destek sistemi sunulmuştur. Sonuç olarak, bu tez çalışması ile büyük veri ve makine öğrenimi tekniklerinin araç geliştirme süreçlerine etkin bir şekilde entegre edilebileceği gösterilmiştir. Klasik yöntemlerin zaman alıcı ve parçalı yapısına karşın, önerilen yaklaşım; daha kısa sürede, daha az testle, daha fazla bilgiye ulaşmayı mümkün kılmakta ve mühendislik süreçlerini hem hız hem de maliyet açısından önemli ölçüde optimize etmektedir. Literatürde, özellikle ticari otobüs segmentinde bu denli büyük hacimli GTS verileriyle doğrudan çalışan, korelasyon-hassasiyet temelli ve doğrusal olmayan modellemeye dayalı bütüncül bir yaklaşıma nadiren rastlanmaktadır. Bu yönüyle çalışma, yalnızca akademik katkı değil, aynı zamanda endüstriyel uygulama potansiyeli de taşımakta; araç geliştirme, GTS mühendisliği ve veri odaklı sistem optimizasyonu alanlarına önemli bir katkı sunmaktadır.
Özet (Çeviri)
This thesis presents a novel, data-driven and machine learning-supported analysis and evaluation framework to improve Noise, Vibration, and Harshness (NVH) characteristics in large commercial passenger buses equipped with internal combustion engines. NVH characteristics are among the most critical parameters affecting perceived vehicle quality and passenger comfort. Therefore, accurately analyzing NVH components and determining targeted improvements are of great importance in automotive development processes. Conventional NVH diagnostic methods—such as Transfer Path Analysis (TPA), Operational Deflection Shape (ODS), Frequency Response Function (FRF), and Acoustic Transfer Function (ATF)—often rely on linear system assumptions and extensive testing procedures. This study, by contrast, proposes a more flexible and comprehensive method that incorporates nonlinear relationships and processes large datasets with advanced data science techniques. The core methodology includes machine learning algorithms, especially the Random Forest model, combined with exploratory data analysis (EDA), correlation analysis, variable importance ranking, sensitivity analysis, and optimization-based16 target selection. The proposed method numerically identifies the contribution of each potential noise and vibration source to interior cabin noise. Furthermore, it enables the accurate selection of system-level targets, facilitating a more informed and efficient design process. Compared to traditional approaches, this framework reduces the need for time-consuming physical testing and provides higher accuracy and generalizability in NVH estimation. Two separate road tests were conducted to validate the proposed method under real driving conditions. The first test involved wide-open throttle (WOT) acceleration conditions to identify critical frequency bands for cabin noise, with particular emphasis on the 11 Hz range. The second test was carried out under random driving conditions lasting over 15 minutes, during which multi-channel data was recorded using 7 microphones and 5 triaxial accelerometers, resulting in 22 synchronized signal channels. These datasets were converted from time domain to frequency domain, and outliers were removed during the preprocessing phase. Subsequent analyses revealed strong correlations between interior noise and certain vehicle systems, particularly the engine, air intake, and exhaust. For instance, the correlation coefficient between engine vibration and seat-level noise exceeded 0.751. Using the random forest model, these relationships were modeled with high accuracy, effectively capturing nonlinear dynamics. Based on the results, it was also determined that, in order to maintain a target interior noise level of 64 dBA, the engine noise must not exceed 95.53 dBA. These data-driven findings offer valuable design insights for noise mitigation. The proposed approach also included variable importance and sensitivity analyses, identifying critical components for NVH improvement and quantifying the impact of design changes on cabin noise. This method serves as a decision support system for engineers, offering a fast, intuitive, and quantitative tool for selecting optimal design targets during early-stage development. Unlike traditional TPA or ODS tests that are expensive and time-intensive, the proposed methodology offers a more scalable and cost-efficient solution. It achieves this by enabling real-world, data-driven optimization without the need for controlled laboratory environments or extensive prototype iterations. Furthermore,17 the model's ability to process raw sensor data and integrate it directly into learningbased estimations ensures minimal data loss and maximizes analytical output. The novelty of this thesis lies in its direct use of large-scale NVH datasets in commercial buses—an application area rarely explored in the literature—and in its effective modeling of nonlinear system behavior through ensemble machine learning. The developed method not only improves the accuracy of noise prediction but also streamlines the vehicle development process by reducing prototyping and test durations, saving both time and cost. In conclusion, this study demonstrates that integrating machine learning with NVH engineering provides a significant leap forward in understanding and optimizing the acoustic and vibrational performance of commercial vehicles. The proposed framework is not limited to the case study vehicle and can be generalized for use across various vehicle types and configurations. Therefore, it offers valuable contributions both academically and industrially, laying the groundwork for datainformed design optimization in future automotive engineering practices
Benzer Tezler
- Galvaniz kaplamalı düşük karbonlu çelik plakalarda titreşim sönümleme malzemesi kullanılarak sönümün yapısal kaynaklı gürültüye etkisinin araştırılması
Investivation of the effect of damping on structure-borne sound by using vibration damping material on galvanized low carbon steel plates
İLHAN YILMAZ
Doktora
Türkçe
2020
Makine MühendisliğiBursa Uludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. KADİR ÇAVDAR
- Yeni Cami'nin akustik açıdan performans değerlendirmesi
Evaluation of the acoustical performance of the New Mosque
EVREN YILDIRIM
Yüksek Lisans
Türkçe
2003
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SEVTAP YILMAZ DEMİRKALE
- Derin öğrenme ile görüntü işleme: Endüstriyel parça üretiminin derin öğrenme sayesinde yüzey hata tespiti
Image processing with deep learning: Surface defect detection of industrial parts manufacturing thanks to deep learning
YAVUZ SELİM BALCIOĞLU
- A review of the applications of vision-based 3D as-built data acquisition technologies in the construction industry
İnşaat sektöründe 3D as-built veri toplama uygulamalarının incelenmesi
MAHMOUD ABUFOUDA
Yüksek Lisans
İngilizce
2018
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESİN ERGEN PEHLEVAN
- Analyses of relationships between life satisfaction and environmental conditions with machine learning applications
Çevre koşulları ve yaşam memnuniyeti arasındaki ilişkinin makine öğrenmesi uygulamaları kullanılarak analizi
KÜBRA AVCIOĞLU
Yüksek Lisans
İngilizce
2021
EkonomiTED ÜniversitesiUygulamalı Veri Bilimi Bilim Dalı
DOÇ. DR. TEKİN KÖSE