Yazar "Narin, Ali" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    An Efficient Approach for Automatic Fault Classification Based on Data Balance and One-Dimensional Deep Learning
    (Mdpi, 2024) Ileri, Ugur; Altun, Yusuf; Narin, Ali
    Predictive maintenance (PdM) is implemented to efficiently manage maintenance schedules of machinery and equipment in manufacturing by predicting potential faults with advanced technologies such as sensors, data analysis, and machine learning algorithms. This paper introduces a study of different methodologies for automatically classifying the failures in PdM data. We first present the performance evaluation of fault classification performed by shallow machine learning (SML) methods such as Decision Trees, Support Vector Machines, k-Nearest Neighbors, and one-dimensional deep learning (DL) techniques like 1D-LeNet, 1D-AlexNet, and 1D-VGG16. Then, we apply normalization, which is a scaling technique in which features are shifted and rescaled in the dataset. We reapply classification algorithms to the normalized dataset and present the performance tables in comparison with the first results we obtained. Moreover, in contrast to existing studies in the literature, we generate balanced dataset groups by randomly selecting normal data and all faulty data for all fault types from the original dataset. The dataset groups are generated with 100 different repetitions, recording performance scores for each one and presenting the maximum scores. All methods utilized in the study are similarly employed on these groups. From these scores, the use of 1D-LeNet deep learning classifiers and feature normalization resulted in achieving the highest overall accuracy and F1-score performance of 98.50% and 98.32%, respectively. As a result, the goal of this study was to develop an efficient approach for automatic fault classification, leveraging data balance, and additionally, to provide an analysis of one-dimensional deep learning and shallow machine learning-based classification methods. In light of the experimentation and comparative analysis, this study successfully achieves its stated goal by demonstrating that one-dimensional deep learning and data balance collectively emerge as the optimal approach, offering good prediction accuracy.
  • Küçük Resim
    Öğe
    Parkinson Hastalarının Tespitinde Karınca Koloni Algoritması ile Seçilen Özniteliklerin Performansa Etkisi
    (2020) Narin, Ali
    Nerodejeneratif bir hastalık olan Parkinson, dopamin üreten hücrelerin zamanla azalması sonucunda ortayaçıkar. Bu azalma yaşa bağlı olarak değişir. Dünya nüfusunun yaşlandığı gerçeğine göre bakıldığında buhastalığın ilerleyen yıllarda daha da artacağı söylenebilir. Parkinson hastalığının tanısı oldukça uzun süreli biriştir. Kesin bir tanı mekanizması olamamakla birlikte çoğunlukla hasta uzun bir süre takibe alınır ve sonrasındaParkinson hastalığına tanı konulabilir. Bu çalışmada, nörologlara yardımcı bir tanı mekanizması önerilmiştir. Sesverileri yardımıyla Parkinson hastalığına sahip olanlar otomatik olarak tespit edilmiştir. Elde edilen öznitelikleremin-max normalizasyon işlemi uygulanıp, karınca koloni algoritması (KKA) ile özniteliklerin seçilmesi işlemiile tespit başarımlarının arttırılması amaçlanmıştır. Hem normalize edilmiş hem KKA ile seçilmiş özniteliklerinbaşarımı arttırdığı gösterilmiştir. Destek vektör makinalarının ikinci dereceden fonksiyonları ve KKA ile seçilen30 adet öznitelik ile %87,5 doğruluk, %89,2 duyarlılık, %85,8 özgüllük ve %89,2 hassaslık ile en yüksekbaşarım değerleri elde edilmiştir.