Geri Dön

Anomaly detection and root-cause determination for automotive applications using deep learning and xai models

Otomotiv uygulamaları için derin öğrenme ve açıklanabilir yapay zeka kullanarak anomali tespiti ve kök-neden analizi

PDF İndir

  1. Tez No: 967825
  2. Yazar: MEHMET EMİN MUMCUOĞLU
  3. Danışmanlar: PROF. DR. MUSTAFA ÜNEL
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Mekatronik Mühendisliği, Otomotiv Mühendisliği, Electrical and Electronics Engineering, Mechatronics Engineering, Automotive Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 106

Özet

Ağır vasıtalarda (HDV) anomali tespiti, kestirimci bakım ve etkin filo yönetimi için kritik öneme sahip olsa da, mekanik sistemlerin karmaşık etkileşimleri, farklı operasyonel koşullar ve sınırlı etiketlenmiş veriler nedeniyle önemli zorluklar taşımaktadır. Geleneksel tanılama yöntemleri sıklıkla yanlış alarmlarla karşılaşmakta ve açıklanabilirlikten yoksun kalmaktadır; bu da kullanıcı güvenini azaltmakta ve kritik müdahaleleri geciktirebilmektedir. Bu zorlukları aşmak için, alan bilgisi ve uzman görüşleriyle desteklenen, hassasiyet ve açıklanabilirliği bir araya getiren, veri odaklı ve güçlü anomali tespit sistemlerine ihtiyaç duyulmaktadır. Bu tez kapsamında, ağır vasıtalarda kritik uygulamalar için özel olarak tasarlanmış iki anomali tespit çerçevesi geliştirilmiştir: (1) farklı operasyonel koşullar altında aşırı yakıt tüketimini tespit etmek ve (2) hava basıncı sistemi (APS) arızalarını erken aşamada belirlemek. Aşırı yakıt tüketimi, operasyonel verimliliği ve düzenleyici uyumluluğu önemli ölçüde etkilerken; APS arızaları, yüksek maliyetli arızalara ve iş duruşlarına yol açmaktadır. Bu uygulamaların her biri, verilerin doğasındaki karmaşıklık ve değişkenlikten dolayı özgün metodolojik yaklaşımlar gerektirmektedir. Yakıt tüketimi anomalilerinin tespiti için, ağırlık-normalize edilmiş yakıt tüketimini ve çok seviyeli yol eğimi segmentasyonunu dikkate alan, çeyrek temelli (quartilebased) yenilikçi bir etiketleme yöntemi geliştirilmiştir. Torbalanmış karar ağaçları (bagged decision trees) kullanılarak gerçekleştirilen bu denetimli yöntem, Türkiye ve Almanya'daki çeşitli sürüş veri setlerinde %92,2'ye varan doğruluk oranı ve 0,78 F1 skoru ile operasyonel anomalileri yüksek hassasiyetle sınıflandırmaktadır. Ayrıca geliştirilen etkileşimli filo izleme paneli, operatörlere anormal seyahatleri görsel olarak belirleme ve hedefli müdahaleler yapma konusunda eyleme dönüştürülebilir içgörüler sunmaktadır. APS arıza tespiti için ise uzman analizleriyle güçlendirilmiş döngüde insan yaklaşımına (human-in-the-loop) sahip Uzun Kısa Süreli Bellek (LSTM) Autoencoder ile yarı denetimli öğrenme yaklaşımı incelenmiştir. Bu modeller, mekanik arızalardan önce ortaya çıkan ince zamansal sapmaları, toplamda 0,75 F1 skoru ile etkili şekilde belirlemektedir. Buna ek olarak, Açıklanabilir Güçlendirme Makinesi (EBM) modeli %91,4 doğruluk ve 0,80 F1 skoru ile öngörülebilirlik ve yorumlanabilirlik arasında mükemmel bir denge kurmuş; Büyük Dil Modeli (LLM) tabanlı bir aracı sistemle desteklenerek uzman düzeyinde tanısal mantık yürütme ve şeffaflık sağlanmıştır. Bu tezde, açıklanabilir yapay zekâ teknikleri ile insan uzmanlığının bütünleştirilmesine önem verilerek tanısal güvenilirlik ve kullanıcı güveni artırılmıştır. Oluşturulan yorumlanabilir çerçeveler, net kök-neden analizini mümkün kılmakta, yanlış alarmları azaltmakta ve çeşitli operasyonlarda pratik karar almayı iyileştirmektedir. Geliştirilen yöntemler sürdürülebilir filo yönetimi için çok yönlü ve uyarlanabilir çözümler sunarken, ileride gerçek zamanlı anomali tespiti, çoklu hata sınıflandırması ve otomatik kapalı döngü kestirimci bakım sistemlerine entegrasyon gibi genişletme potansiyeline sahiptir.

Özet (Çeviri)

Anomaly detection in heavy-duty vehicles (HDVs) is crucial for predictive maintenance and efficient fleet management, yet it poses considerable challenges due to the complex interplay between mechanical systems, diverse operational conditions, and limited labeled data. Traditional diagnostic approaches often fall short, struggling with false alarms and lacking interpretability, which can undermine user trust and delay critical interventions. Addressing these challenges necessitates robust, datadriven anomaly detection frameworks that combine precision with explainability, informed by domain knowledge and human expertise. This thesis develops two tailored anomaly detection frameworks specifically designed for critical HDV applications: (1) detecting excessive fuel consumption under varying operational conditions, and (2) early detection of air pressure system (APS) failures. Excessive fuel consumption significantly impacts operational efficiency and regulatory compliance, whereas APS failures frequently result in costly breakdowns and downtime. Each application demands unique methodological considerations due to the inherent variability and complexity of the underlying data. For fuel consumption anomaly detection, a novel quartile-based labeling method was introduced, considering weight-normalized fuel consumption and multi-level road slope segmentation. Utilizing bagged decision trees, this supervised approach classifies operational anomalies at high accuracy across diverse driving datasets from Turkey and Germany, achieving up to 92.2% accuracy and an F1 score of 0.78. An interactive fleet monitoring dashboard further provides actionable insights for fleet operators by visually identifying anomalous trips and facilitating targeted interventions. For APS failure detection, the thesis explores semi-supervised learning through Long Short-Term Memory (LSTM) Autoencoders, enhanced by a human-inthe-loop framework incorporating expert analysis. These models effectively identify subtle temporal deviations preceding mechanical failures with an overall F1 score of 0.75. Additionally, the Explainable Boosting Machine (EBM) model achieved an excellent balance of predictive accuracy (91.4%, F1 score: 0.80) and interpretability, complemented by a Large Language Model (LLM)-based agentic system that provides expert-level diagnostic reasoning and transparency. This thesis emphasizes interpretability by integrating explainable AI techniques alongside human expertise, thus enhancing diagnostic reliability and user trust. These interpretable frameworks enable clear root-cause analysis, reduce false alarms, and improve practical decision-making across diverse operations. The developed methodologies offer versatile and adaptable solutions for sustainable fleet management, with potential future expansions toward real-time anomaly detection, multifault classification, and integration into automated, closed-loop predictive maintenance systems.

Benzer Tezler

  1. Tez No

    397906

    Anomaly detection in electrical power system using phasor measurement units

    Güç elektrik sistemlerinde faz ölçüm birimleri yöntemi ile anomali belirlemesi

    KHURRAM SHABBIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  2. Tez No

    949054

    Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods

    Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması

    SAMED ÇALIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Büyük Veri ve İş Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  3. Tez No

    946084

    Otomotiv endüstrisinde iklim değişikliğı kapsamında karbonsuzlaştırma fırsatlarının araştırılması

    Researching decarbonization opportunities in the automotive industry within the scope of climate change

    FEVZİYE SEDA ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Enerjiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN ERDEM GÖRGÜN

  4. Tez No

    571292

    Multivariate time series clustering using variable order markov models and its applications on cyber-physical systems

    Değişken dereceli markov zincirleri kullanılarak çok değişkenli zaman serilerinin kümelenmesi ve siber-fiziksel üretim sistemlerinde uygulamaları

    BARIŞ GÜN SÜRMELİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA BORAHAN TÜMER

  5. Tez No

    666184

    Akıllı saldırı tespit sistemleri

    Smart intrusion detection systems

    HANİFİ TOPRAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜLEYMAN KARDAŞ

Geri Dön