Kestirimci bakım için makine öğrenmesi ve derin öğrenme yöntemleri uygulanarak hata tespiti ve sınıflandırılması
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Kestirimci bakım, akıllı sensörler, veri analizi ve makine öğrenmesi algoritmaları ile potansiyel arızaları tahmin ederek makine ve ekipman bakım programlarını verimli bir şekilde yönetir. Hata sınıflandırması, bu arızaları "arıza" ya da "normal" varyasyonlar olarak sınıflandırır. Bu sayede, zamanında müdahale ve sorunsuz operasyonlar sağlanırken bakım planlaması ve operasyonel verimlilik artırılır. Bu tez çalışması iki ana bölümden oluşmaktadır. İlk bölüm, bir boyutlu (1D) kestirimci bakım veri seti kullanılarak yürütülen sınıflandırma çalışmalarını içermektedir. Sonraki bölüm ise orijinal veri setini iki boyutlu (2D) örüntü veri setine dönüştürme ve ardından ileri sınıflandırma analizlerine odaklanmaktadır. Tezin ilk kısmında, orijinal 1D veri setindeki hataları sınıflandırmak için uygulanan farklı metodolojiler tanıtılmaktadır. Karar ağacı, destek vektör makinaları, k-en yakın komşu gibi geleneksel makine öğrenmesi yöntemleri ve 1D-LeNet, 1D-AlexNet ve 1D-VGG16 gibi 1D derin öğrenme teknikleri ile gerçekleştirilen hata sınıflandırma çalışmalarının performans değerlendirmeleri sunulmuştur. Sonuçlara göre, 1D-LeNet sınıflandırıcı ve veri normalizasyonu ile en yüksek doğruluk ve F1-skor performansı elde edilmiştir. Tezin ikinci bölümünde, sekiz evrişimli sinir ağı (CNN) modeli (AlexNet, VGG16, MobileNetV2, VGG19, DarkNet19, DarkNet53, ResNet50 ve ResNet18) ve iki farklı sınıftan (makine arızası ve normal) oluşan 1D veri setinden elde edilen 2D örüntü verileri kullanılarak hata sınıflandırma çalışmaları yapılmıştır. Her bir CNN modelinden çıkarılan özniteliklerden oluşturulan birleştirilmiş öznitelikler üzerinde öznitelik seçim yöntemleri olarak karınca koloni algoritması (ACO), parçacık sürüsü optimizasyonu (PSO) ve gri kurt optimizasyonu (GWO) uygulanmış ve hata sınıflandırma performansları karşılaştırılmıştır. Destek vektör makinaları, k-en yakın komşu, karar ağacı ve naive bayes olmak üzere dört farklı sınıflandırıcı kullanılarak performans sonuçları hesaplanmıştır. Elde edilen deneysel sonuçlar dikkate alındığında destek vektör makinaları ve ACO temelli modelin kullanılmasının 2D örüntü verileri için en yüksek sınıflandırma performansını sağladığı görülmüştür.
Predictive maintenance efficiently manages machinery and equipment maintenance schedules by predicting potential faults using smart sensors, data analysis, and machine learning algorithms. Fault classification categorizes these faults as either failures or normal variations, thereby enhancing maintenance planning and operational efficiency while ensuring timely interventions and smoother operations. This thesis study comprises two main parts. The first section involves classification investigations conducted using a one-dimensional (1D) predictive maintenance dataset. The subsequent section focuses on transforming the original data into a two-dimensional (2D) image data, followed by further classification analyses. The first part of thesis introduces a study of different methodologies for classifying the failures in original 1D dataset. We present the performance evaluation of fault classification performed by traditional machine learning methods such as decision tree, support vector machine, k-nearest neighbors, and 1D deep learning techniques like 1D-LeNet, 1D-AlexNet, and 1D-VGG16. From the results, using 1D-LeNet classifiers and data normalization achieved the highest accuracy and F1-score performance. In the second part of thesis, a robust fault classification system was employed using eight different convolutional neural network (CNN) models (AlexNet, VGG16, MobileNetV2, VGG19, DarkNet19, DarkNet53, ResNet50 and ResNet18) and 2D image data generated from original 1D dataset comprising two different classes (machine failure and normal). Ant colony algorithm (ACO), particle swarm optimization (PSO) and grey wolf optimization (GWO) were applied within the feature selection methods to combined features, which were attained from features extracted from CNN models, and their performances were subsequently compared. The results were acquired using four different classifier such as support vector machine, k-nearest neighbors, decision tree and naive bayes. Considering the experimental results obtained, it has been seen that using the model based on support vector machines and ACO provides the highest classification performance for 2D image data.
Predictive maintenance efficiently manages machinery and equipment maintenance schedules by predicting potential faults using smart sensors, data analysis, and machine learning algorithms. Fault classification categorizes these faults as either failures or normal variations, thereby enhancing maintenance planning and operational efficiency while ensuring timely interventions and smoother operations. This thesis study comprises two main parts. The first section involves classification investigations conducted using a one-dimensional (1D) predictive maintenance dataset. The subsequent section focuses on transforming the original data into a two-dimensional (2D) image data, followed by further classification analyses. The first part of thesis introduces a study of different methodologies for classifying the failures in original 1D dataset. We present the performance evaluation of fault classification performed by traditional machine learning methods such as decision tree, support vector machine, k-nearest neighbors, and 1D deep learning techniques like 1D-LeNet, 1D-AlexNet, and 1D-VGG16. From the results, using 1D-LeNet classifiers and data normalization achieved the highest accuracy and F1-score performance. In the second part of thesis, a robust fault classification system was employed using eight different convolutional neural network (CNN) models (AlexNet, VGG16, MobileNetV2, VGG19, DarkNet19, DarkNet53, ResNet50 and ResNet18) and 2D image data generated from original 1D dataset comprising two different classes (machine failure and normal). Ant colony algorithm (ACO), particle swarm optimization (PSO) and grey wolf optimization (GWO) were applied within the feature selection methods to combined features, which were attained from features extracted from CNN models, and their performances were subsequently compared. The results were acquired using four different classifier such as support vector machine, k-nearest neighbors, decision tree and naive bayes. Considering the experimental results obtained, it has been seen that using the model based on support vector machines and ACO provides the highest classification performance for 2D image data.
Açıklama
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
