Karmaşık süreçlerdeki problemlere derin öğrenme yaklaşımları: quadrotor arızalarının erken tahmini ve uçuş sağlığı izleme modelleri
Deep learning approaches to problems in complex processes: early prediction of quadrotor failures and flight health monitoring models
- Tez No: 975564
- Danışmanlar: DR. ÖĞR. ÜYESİ CAHİT PERKGÖZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Arıza arama, Erken uyarı sistemleri, Yapay zeka, Fault detection, Early warning systems, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gelişmiş teknolojik sistemlerde arızaların erken tespiti, güvenilirlik ve güvenlik açısından hayati öneme sahiptir. Yapay zekânın arıza tespiti konusundaki artan popüleritesine rağmen, mevcut yöntemler genellikle kapsamlı sistem bilgilerini ve sensör verilerini etkili bir şekilde kullanmakta yetersiz kalmaktadır. Toplanan verilerdeki gizli arızaların varlığı, dikkatleri gelişmiş analitik tekniklere olan ihtiyaca çekmektedir. Bu çalışma, karmaşık sistemlerde arızaları erken tespit etmek ve sistem sağlığını gerçek zamanlı izleyebilmek amacıyla düşme tahmini ve uçuş sağlığı tahmini olmak üzere derin öğrenme tabanlı iki yöntem sunmaktadır. Geliştirilen yöntemlerde LSTM tabanlı otokodlayıcılardan faydalanılarak özellik boyutları azaltılmış ve verilerin anlamlı özniteliklere indirgenmesi sağlanmıştır. Modellerin tahmin ve sınıflandırma aşamalarında BiLSTM ve LSTM modelleri kullanılmıştır. Her iki model gerçek quadrotor uçuşlarından elde edilen sağlıklı ve arızalı verilerle eğitilmiş ve doğrulanmıştır. Deneysel sonuçlar, düşme tahmini modelinin kritik bir arızadan 30 saniye önce 0,9771 doğrulukla arıza belirtilerini tespit ettiğini, uçuş sağlığı tahmini modelinin ise uçuş sırasında sağlık durumunu ortalama 0,1538 MAE değeriyle gerçek zamanlı olarak tahmin ettiğini göstermektedir. Bu durum, önerilen yöntemlerin karmaşık sistemlerde operasyonel güvenlik ve güvenilirliği artırmadaki ciddi potansiyelini ortaya koyarken, kapsamlı verilerin ve gelişmiş analitik tekniklerin erken arıza tespiti ve sistem sağlığı izlenmesindeki önemini de ortaya koymaktadır.
Özet (Çeviri)
Early detection of faults in advanced technological systems is crucial for ensuring reliability and safety. Despite the growing interest in artificial intelligence for fault detection, current methods often fall short in effectively utilizing extensive system information and sensor data. The presence of hidden faults in the collected data further directs the attentions to the need for advanced analytical techniques. This study presents two deep learning-based methods, fault prediction and flight health prediction, to early detect faults and monitor system health in real-time in complex systems. In the developed methods, feature dimensions were reduced using LSTM-based autoencoders, enabling the reduction of data into meaningful features. BiLSTM and LSTM models were used in the prediction and classification stages of the models. Both models were trained and validated with healthy and faulty data obtained from real quadrotor flights. Experimental results show that the fault prediction model detected fault indications with 0,9771 accuracy 30 seconds before a critical failure, while the flight health prediction model estimated the health status in real-time with an average MAE value of 0.1538 during flight. This demonstrates the significant potential of the proposed methods to enhance operational safety and reliability in complex systems, while also emphasizing the importance of comprehensive data and advanced analytical techniques in early fault detection and system health monitoring.
Benzer Tezler
- Exploring design based learning activities in 2nd grade science classrooms
2. sınıf bilim sınıflarında tasarım tabanlı öğrenme aktivitelerinin keşfedilmesi
ÖZLEM YAPRAK BOSTANCI
Yüksek Lisans
İngilizce
2024
Eğitim ve ÖğretimOrta Doğu Teknik ÜniversitesiEğitim Programları ve Öğretim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ÖZTÜRK
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Otomotiv sektöründe parça kontrolü için yapay zekâ destekli yazılım geliştirilmesi
Development of ai-supported software for part inspection in the automotive industry
ONUR ARDIÇ
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKÇEN ÇETİNEL
- Hybrid reciprocal recommendation with advanced feature representations
Gelişmiş özellik gösterimleri ile hibrit çift taraflı öneri sistemleri
EZGİ YILDIRIM
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ
- A variational graph autoencoder for manipulation action recognition and prediction
Manipülasyon aksiyon tanıma ve tahminleme için değişimsel çizge otokodlayıcısı
GAMZE AKYOL
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SANEM SARIEL UZER
DOÇ. DR. EREN ERDAL AKSOY