Hidrolik sistemlerde arıza tespiti için derin öğrenme tabanlı kestirimci bakım yöntemi
Deep learning-based predictive maintenance method for fault detection in hydraulic systems
- Tez No: 999967
- Danışmanlar: DOÇ. DR. ERKAN CANER ÖZKAT
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Makine Mühendisliği, Mechatronics Engineering, Mechanical Engineering
- Anahtar Kelimeler: Endüstriyel bakım, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Mekanik titreşim, Yapay zeka, Industrial maintenance, Machine learning, Machine learning methods, Mechanical vibration, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Recep Tayyip Erdoğan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hidrolik sistemler, endüstriyel tesislerde yaygın olarak kullanılan ve arızaları ciddi üretim kayıplarına yol açabilen kritik makine sistemleridir. Bu nedenle, hidrolik sistemlerde arızaların erken aşamada tespit edilmesi, kestirimci bakım uygulamaları açısından büyük önem taşımaktadır. Bu tez çalışmasında, hidrolik bir test sistemine ait zaman serisi verileri kullanılarak, derin öğrenme tabanlı bir arıza tespit yöntemi geliştirilmiştir. Bu tez çalışmasında, herhangi bir yeni deneysel ölçüm yapılmamış, literatürde paylaşılan mevcut bir veri seti kullanılmıştır. Geliştirilen model kapsamında öncelikle normalize edilen çoklu sensör zaman serileri sabit uzunluklu pencereler kullanılarak segmentlere ayrılmıştır. Elde edilen segmentler, Sürekli Dalgacık Dönüşümü ile zaman–frekans alanına dönüştürülerek skalogram temsilleri hâline getirilmiştir. Bu temsiller üzerinden Konvolüsyonel Sinir Ağları kullanılarak ayırt edici zaman–frekans özellikleri otomatik olarak öğrenilmiş; ardışık segmentlerden elde edilen bu derin özellikler ise Uzun Kısa Süreli Bellek ağı ile otomatik olarak öğrenilen zaman–frekans özelliklerinin zamana göre değişimi modellenmiştir. Model performansı, karışıklık matrisi, doğruluk, kesinlik, duyarlılık ve F1-skoru metrikleri kullanılarak değerlendirilmiştir. Test veri kümesi üzerinde yapılan değerlendirmelerde model, yaklaşık %89 doğruluk skoru elde etmiştir. Sınıf bazlı performans incelendiğinde, eğitim veri kümesi üzerinde model, normal çalışma sınıfı için kesinlik 0.936, duyarlılık 0.922 ve F1-skoru 0.929; hafif arıza sınıfı için kesinlik 0.605, duyarlılık 0.654 ve F1-skoru 0.628; şiddetli arıza sınıfı için ise kesinlik 0.841, duyarlılık 0.810 ve F1-skoru 0.825 değerlerini sağlamıştır. Test veri kümesi üzerinde elde edilen sonuçlara göre normal çalışma sınıfı için kesinlik 0.959, duyarlılık 0.941 ve F1-skoru 0.950; hafif arıza sınıfı için kesinlik 0.721, duyarlılık 0.779 ve F1-skoru 0.749; şiddetli arıza sınıfı için ise kesinlik 0.898, duyarlılık 0.874 ve F1-skoru 0.886 olarak hesaplanmıştır. Sonuç olarak, bu tez çalışmasında geliştirilen derin öğrenme tabanlı yaklaşımın, hidrolik sistemlerde arıza tespitine yönelik kestirimci bakım uygulamalarında etkin biçimde kullanılabileceği değerlendirilmiştir. Özellikle önerilen modelin kritik arızaları; hafif iç kaçak durumlarını ayırt etmede yüksek doğruluk ve kararlılık sunduğunu göstermiştir.
Özet (Çeviri)
Hydraulic systems are critical machinery systems widely used in industrial facilities, and their failures can lead to significant production losses. Therefore, early detection of failures in hydraulic systems is of great importance for predictive maintenance applications. In this thesis, a deep learning-based fault detection method was developed using time series data of a hydraulic test system. In this thesis, no new experimental measurements were made; an existing dataset shared in the literature was used. Within the developed model, normalized multi-sensor time series were first segmented using fixed-length windows. The resulting segments were transformed into time-frequency domain scalogram using the Continuous Wavelet Transform. From these, distinctive time-frequency features were automatically learned using Convolutional Neural Networks; features obtained from these segments were then modeled using a Long Short-Term Memory network to forecast the time-dependent variation of these features. Model performance was evaluated using confusion matrix, accuracy, precision, sensitivity, and F1-score metrics. In evaluations conducted on the test dataset, the model achieved an accuracy score of approximately 89%. When class-based performance was examined, on the training dataset, the model achieved precision of 0.936, sensitivity of 0.922, and F1-score of 0.929 for the normal operation class; precision of 0.605, sensitivity of 0.654, and F1-score of 0.628 for the mild failure class; and precision of 0.841, sensitivity of 0.810, and F1-score of 0.825 for the severe failure class. According to the results obtained on the test dataset, the precision was 0.959, sensitivity 0.941, and F1-score 0.950 for the normal operation class; and precision of 0.721, sensitivity 0.779, and F1-score 0.749 for the mild failure class. For the severe fault class, the accuracy was calculated as 0.898, the sensitivity as 0.874, and the F1 score as 0.886. In conclusion, this thesis study evaluates that the deep learning-based approach developed can be effectively used in predictive maintenance applications for fault detection in hydraulic systems. Specifically, the proposed model has demonstrated high accuracy and stability in distinguishing critical faults and minor internal leakage conditions.
Benzer Tezler
- Hidrolik tahrikli derin çekme preslerinin tasarım kriterleri
The Design criterions of hydraulic deep drawing preesses
SUAT BAŞER
Yüksek Lisans
Türkçe
1999
Makine MühendisliğiYıldız Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUHARREM BOĞOÇLU
- Utılızatıon of carbon dıoxıde gas for gas lıft systems ın geothermal wells
Jeotermal kuyularda gaz kaldırma sistemleri için karbon dioksit gazının kullanımı
FORCE LUGEMBE NDEGE
Yüksek Lisans
İngilizce
2025
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER İNANÇ TÜREYEN
- Rüzgar türbinlerinde kestirimci bakım stratejisi için arıza modları ve etkilerinin analizi
Analysis of failure modes and effects for predictive maintenance strategy in wind turbines
MERT ÖZHAN
Yüksek Lisans
Türkçe
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. ÖNDER GÜLER
- Roller bearing fault detection using rotary encoder
Açısal enkoder kullanarak bilyalı rulmanlarda hata tespiti
SAMET YALDIZ
Yüksek Lisans
İngilizce
2024
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. KENAN YÜCE ŞANLITÜRK
- Comparison of classical and modern controller performances for nonlinear F-16 system under fault and uncertainty
Arıza ve belirsizlik koşulları altında doğrusal olmayan F-16 sistemi için klasik ve modern kontrolcü performanslarının karşılaştırılması
MEHMET ÇAKAR
Yüksek Lisans
İngilizce
2025
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN