Developing data-driven models for anomaly detection in automotive and additive manufacturing applications
Otomotiv ve eklemeli imalat uygulamalarında anomali tespiti için veri odaklı modeller geliştirme
- Tez No: 972440
- Danışmanlar: PROF. DR. MUSTAFA ÜNEL
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Anomali tespiti, sağlık, imalat, otomotiv ve havacılık gibi alanları içeren geniş kapsamlı uygulamalara sahip, makine öğrenmesi ve istatistik alanlarında temel fakat doğası gereği zorlu bir görevdir. Geleneksel sınıflandırma problemlerinin aksine, anomali tespiti sınıf dengesizliği, anomali heterojenliği ve etiketli anomalilerin kıtlığı gibi içsel zorluklarla mücadele etmelidir. Bu zorlukların ele alınması, sağlamlığı ve yorumlanabilirliği korurken sınırlı denetim altında çalışabilen, dikkatlice tasarlanmış, alana özgü yaklaşımlar gerektirmektedir. Bu tez, denetimli, yarı-denetimli ve denetimsiz öğrenme paradigmalarını kapsayan çeşitli veri odaklı anomali tespiti yaklaşımları geliştirmektedir. Özellikle, anomali tespitinin içsel zorluklarını etkili bir şekilde azaltan Dönüştürücü mimarileri üzerine kurulu verimli bir yarı-denetimli yaklaşım geliştirilmektedir. Ek olarak, tez, performanstan ödün vermeden şeffaflık ve alan hizalı içgörüler sunan Explainable Boosting Machine'ne (EBM) dayalı yorumlanabilir bir yaklaşım benimsemektedir. Alan rehberliğinde bir ön işleme hattı, uzman bilgisini sistematik olarak dahil etmek, sağlam anomali ayrımını kolaylaştırmak ve özellik gösterimlerini anlamlı fiziksel olgularla hizalayarak yorumlanabilirliği iyileştirmek için tüm yaklaşımlara entegre edilmiştir. Bu tezde iki gerçek dünya endüstriyel uygulaması ele alındı: (1) operasyonel sensör verileri kullanılarak ağır vasıta araçların hava basınç sistemlerinde (APS) arıza tespiti ve (2) termal görüntüleme kullanılarak yönlendirilmiş enerji birikiminde (DED) arıza tespitidir. APS, arızaların önemli güvenlik riskleri ve ekonomik sonuçlar doğurabileceği frenleme ve süspansiyon gibi araç alt sistemlerinin düzgün çalışmasını sağlamada hayati bir rol oynamaktadır. Öte yandan, eklemeli imalatta etkili bir teknoloji olan DED, karmaşık, büyük ölçekli bileşenler üretmek için umut verici bir yol sunmaktadır; ancak, parça güvenilirliğini ve kalitesini tehlikeye atan tekrarlı arıza oluşumlarından etkilenmektedir. Veri odaklı modeller her iki uygulamada da umut verici sonuçlar vermiştir. Dikkat çekici bir şekilde, APS arıza tespiti için, yalnızca küçük bir anormal olmayan veri bölümü kullanılarak eğitilmiş olmasına rağmen, yarı-denetimli Dönüştürücü tabanlı yaklaşım, tam olarak denetimli modellerle aynı seviyede güçlü bir tahmin performansına yol açtı ve %91,4 doğruluk ve 0,79'luk bir F1 puanı elde etmiştir. Buna paralel olarak, yorumlanabilir EBM tabanlı yaklaşım, alan bilgisiyle doğrulanan özellik katkıları ve olası temel nedenler hakkında anlamlı içgörüler sağlarken benzer şekilde rekabetçi bir performansa (0,80'lik bir F1 puanı) ulaşmıştır. DED kusur tespiti için, yarı-denetimli modeller sırasıyla %95'e ve 0,88'e kadar doğruluk ve F1 puanı ile güçlü bir performans sergilemiştir. Bu bulgular, alan-spesifik öznitelik mühendisliğini veri açısından verimli öğrenme paradigmalarıyla birleştirmenin farklı senaryolarda etkili anomali tespitini mümkün kıldığını göstermektedir. Tez, özellikle sınırlı anomali etiketlerine sahip senaryolar için yarı-denetimli öğrenmenin pratik faydasını ve özellikle yüksek riskli uygulamalarda açıklanabilirliğin artan önemini vurgulamaktadır. Ayrıca, EBM gibi şeffaf modellerin doğruluktan ödün vermeden eyleme geçirilebilir içgörüler sağlayabileceğini ortaya koymaktadır. Bu tezde geliştirilen yaklaşımlar, temel veri setlerinin doğasına (dengeli veya dengesiz) ve istenen özelliklere (örneğin, son derece yorumlanabilir) bağlı olarak diğer endüstriyel uygulamalara kolayca uyarlanabilir. Dahası, çoklu kusur sınıflandırmasını, kapalı çevrim kontrol entegrasyonunu ve gerçek zamanlı karar vermeyi içerecek şekilde genişletilebilirler.
Özet (Çeviri)
Anomaly detection is a fundamental yet inherently challenging task in machine learning and statistics, with wide-ranging applications spanning domains such as healthcare, manufacturing, automotive, and aerospace. Unlike conventional classification problems, anomaly detection must contend with intrinsic difficulties including class imbalance, anomaly heterogeneity, and the scarcity of labeled anomalies. Addressing these challenges requires thoughtfully designed, domain-aware frameworks capable of operating under limited supervision while maintaining robustness and interpretability. This thesis develops several data-driven anomaly detection frameworks, spanning supervised, semi-supervised, and unsupervised learning paradigms. In particular, an efficient semi-supervised framework built upon Transformer architectures is developed, effectively mitigating the inherent challenges of anomaly detection. In addition, the thesis adopts an interpretable framework grounded in Explainable Boosting Machine (EBM), offering transparency and domain-aligned insights without sacrificing performance. A domain-guided preprocessing pipeline is integrated into all frameworks to systematically incorporate expert knowledge, facilitate robust anomaly discrimination, and improve interpretability by aligning feature representations with meaningful physical phenomena. Two real-world industrial applications were considered in this thesis: (1) failure detection in air pressure systems (APS) of heavy-duty vehicles using operational sensor data, and (2) defect detection in directed energy deposition (DED) using thermal imaging. The APS plays a vital role in ensuring the proper functioning of vehicle subsystems such as braking and suspension, where failures can pose significant safety risks and economic consequences. Meanwhile, DED, an effective additive manufacturing technology, offers a promising pathway for fabricating complex, large-scale components; however, it suffers from recurring in-situ defect formation, compromising part reliability and quality. The data-driven models yielded promising results in both applications. Remarkably, for APS failure detection, the semi-supervised transformer-based approach—although trained using only a small portion of nonanomalous data—led to strong predictive performance on par with the fully supervised models, attaining 91.4% accuracy and an F1 score of 0.79. In parallel, the interpretable EBM-based framework achieved similarly competitive performance (an F1 score of 0.80) while providing meaningful insights into feature contributions and potential root causes, corroborated by domain knowledge. For DED defect detection, semi-supervised models exhibited strong performance, with an accuracy and F1 score up to 95% and 0.88, respectively. These findings demonstrate that combining domain-specific feature engineering with data-efficient learning paradigms enables effective anomaly detection across diverse settings. The thesis underscores the practical utility of semi-supervised learning—specifically for scenarios with limited anomaly labels—and highlights the growing importance of explainability, particularly in high-stakes applications, where transparent models such as EBM can provide actionable insights without sacrificing accuracy. The frameworks developed in this thesis are readily adaptable to other industrial contexts, depending on the nature of the underlying datasets (balanced vs imbalanced) and desirable characteristics (e.g., highly interpretable). Furthermore, they can be extended to incorporate multi-defect classification, closed-loop control integration, and real-time decision-making.
Benzer Tezler
- Çok değişkenli sinyallerde memd tabanlı anomali tespiti
Memd-based anomaly detection in multivariate signals
ATACAN ERDİŞ
- Resilient and sustainable smart cities: Cybersecurity, disaster management, and data-driven urban solutions
Dayanıklı ve sürdürülebilir akıllı şehirler: Siber güvenlik, afet yönetimi ve veri odaklı kent çözümleri
KIYMET KAYA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖGÜDÜCÜ
- Makine öğrenme temelli kestirimci bakım ve anomali tespiti ile asansörlerin kondisyonlarının izlenmesi
Monitoring the conditions of elevators with machine learning based predictive maintenance and anomaly detection
SAFA ÖZDEMİR
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiKarabük ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. RAİF BAYIR
- Yapay zeka tabanlı bara diferansiyel koruma sistemi
Artificial intelligence based busbar differential protection system
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Machine learning approach for external fraud detection
Dış saldırıların belirlenmesi için makine öğrenimi yaklaşımı
AJI MUBALAIKE
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ERTUĞRUL KARAÇUHA
PROF. DR. EŞREF ADALI