Makine durumu izleme için anormal seslerin sezimi
Detection of abnormal sounds for machine status monitoring
- Tez No: 972502
- Danışmanlar: DOÇ. DR. MUSTAFA SERT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Endüstriyel ortamlarda çalışan makinelerde meydana gelen arızaların erken tespiti, üretim güvenliği, bakım planlaması ve maliyet optimizasyonu açısından kritik oneme sahiptir. Makinelerde meydana gelen arızaların erken tespitinde ses verisi, makinelerin çalışma koşulları hakkında önemli bilgiler verebilmektedir. Mevcut anormal ses tespiti (ASD) sistemleri, makinelere entegre edilen mikrofonlar aracılığıyla, ses sinyalleri üzerinden arıza tespiti yaparak temassız ve düşük maliyetli ve uygulanabilirliği yüksek bir çözüm sunmaktadır. Ancak, bu sistemlerin performansı, gerçek dünya koşullarında karşılaşılan ortamdaki yüksek gürültü seviyesi ve karmaşık arka plan sesleri nedeniyle önemli ölçüde düşmektedir. Bu durum, özellikle geleneksel makine öğrenmesi tabanlı yöntemlerin gürültüye karşı dayanıksızlığıyla birleştiğinde, bu sistemlerin gerçek saha koşullarında performans tutarlılığını olumsuz etkilemektedir. Bu tezin ana amacı, gürültüye dayanıklı gürbüz makine öğrenimi modeli geliştirmektir. Bu çalışmada, modelin gürültüye karşı dayanıklı hale getirilmesi amacıyla, gürültü giderici otokodlayıcı (DAE) mimarisi benimsenmiştir. Bu amaçla Mel-spektrogram tabanlı öznitelikler kullanılarak eğitilen bir temel otokodlayıcı (AE) modeli önerilmektedir. Modelin performansı, yeniden yapılandırma hataları ve AUC/pAUC metrik ölçütleri ile değerlendirilmiştir. Genelleştirme yeteneklerini iyileştirmek amacıyla düzenlileştirme teknikleri uygulanmış, ancak bu iyileştirmeler sınırlı fayda sağlamıştır. Renkli gürültü (beyaz, pembe ve kahverengi) makine ortamlarında yaygın olarak karşılaşılan başlıca gürültü türleri arasındadır. Makine seslerinin farklı gürültü karakteristiklerine sahip olabileceği hipotezi ile DAE mimarisine renkli gürültü türlerinin eklenmesi amacıyla melez ve uyarlamalı olarak adlandırdığımız iki yeni gürültü ekleme yaklaşımı önerilmektedir. Bu yeni yaklaşım, her ses örneği için güç spektral yoğunluğu (PSD) eğimi hesaplanarak, gürültü türlerinin spektral özellikleri ile modellenmesi prensibine dayanmaktadır. Çalışma, performans veri kümelerinde yer alan farklı makine sesleri üzerinde değerlendirilmiştir [13]. Sonuçlar, AUC ve pAUC metrikleriyle karşılaştırılmıştır. DAE mimarisine entegre edilen melez ve uyarlamalı gürültü türlerinin modelin genel performansını güçlendirdiğini göstermektedir. Önerilen DAE tabanlı yaklaşım, kaynak alanında %0,9–1,6 arasında AUC artışı; hedef alanda ise %1,2–2,3 arasında genelleme iyileşmesi elde etmiştir. Özellikle kahverengi gürültü, orta–yüksek gürültü seviyelerinde daha başarılı iken; yüksek gürültü seviyelerinde PSD tabanlı uyarlamalı gürültü modelin genelleme performansını artırdığı görülmüştür. Bu tez, gürültü giderici otokodlayıcıların makine sesi anomali tespitine uygulanmasını incelemekte ve farklı gürültü türleri ile spektral analizler üzerinden alana katkılar sunmaktadır.
Özet (Çeviri)
Early detection of faults in machines operating in industrial environments is of critical importance for ensuring operational safety, maintenance planning, and cost optimization. In this context, acoustic signals provide valuable information regarding the operational status of machines and have emerged as a promising source for fault detection. Existing anomalous sound detection (ASD) systems offer a non-contact, cost-effective, and highly applicable solution by utilizing microphones integrated into machines to detect faults via audio signals. However, the performance of these systems is significantly reduced under real-world conditions due to high levels of ambient noise and complex background sounds. This limitation becomes more pronounced when coupled with the noise vulnerability of conventional machine learning-based methods, undermining the consistency and robustness of ASD systems in practical settings. The primary aim of this thesis is to develop a noise-resilient and robust machine learning model for anomaly detection in machine sounds. In this study, a denoising autoencoder (DAE) architecture was adopted to enhance the model's robustness against noise. For this purpose, a baseline autoencoder (AE) model trained with Mel-spectrogram-based features was proposed. The model's performance was evaluated using reconstruction errors along with AUC and pAUC metrics. Regularization techniques were applied to improve generalization capabilities; however, these enhancements provided only limited benefits. Colored noise (white, pink, and brown) represents the primary types of noise commonly encountered in machine environments. Based on the hypothesis that machine sounds may exhibit different noise characteristics, two novel noise injection strategies—hybrid and adaptive—are proposed to integrate colored noise types into the DAE architecture. This approach relies on calculating the power spectral density (PSD) slope for each audio sample and modeling the spectral properties of noise types accordingly. The experiments were conducted on various machine sound recordings from benchmark ASD datasets [13]. Performance comparisons based on AUC and pAUC metrics demonstrate that the integration of hybrid and adaptive noise strategies into the DAE architecture significantly enhances the overall model performance. The proposed DAE-based approach yielded an AUC improvement of 0.9–1.6% in the source domain and a generalization improvement of 1.2–2.3% in the target domain. Specifically, brown noise performed best at moderate-to-high noise levels, while PSD-based adaptive noise demonstrated superior generalization performance under high noise conditions. This thesis focuses on applying denoising autoencoders to machine sound anomaly detection and advances the field with contributions based on different noise types and spectral analyses.
Benzer Tezler
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Auditory detection of clips failures in manufacturing
Üretimde klips hatalarının ses tabanlı tespiti
SABRİ SÜER
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Artificial neural network based electrical machine fault classification on FPGA
FPGA üzerinde yapay sinir ağı tabanlı elektrık makinesiarıza sınıflandırması
MERT YAŞAR AYDIN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SIDDIKA BERNA ÖRS YALÇIN
- Anomaly detection in ınternet of medical things using deep learning
Anomaly detect ionin internet of medical things using deep learning
AYŞE BETÜL BÜKEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER