Dönen makinelerde arıza tespiti için bellek destekli cnn-bilstm tabanlı hibrit derin öğrenme yaklaşımı
A memory-assisted cnn-bilstm-based hybrid deep learning approach for fault diagnosis in rotating machinery
- Tez No: 1010150
- Danışmanlar: PROF. DR. FIRAT HARDALAÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Bilgisayar destekli öğrenme, Yapay zeka, Öngörücü bakım, Computer assisted learning, Artificial intelligence, Predictive maintenance
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Eğitimi Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dönen rulmanlarda erken ve doğru arıza tespiti, kestirimci bakım ve operasyonel güvenlik açısından büyük önem taşımaktadır. Bu çalışma, Bellek Destekli Sinir Ağlarına (Memory-Augmented Neural Networks, MANN) dayalı hibrit bir derin sinir ağı mimarisi önermektedir. Önerilen yapı, Evrişimli Sinir Ağları (CNN), Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM) ve bellek destekli dikkat modülünü entegre ederek rulman arızalarını etkin bir şekilde teşhis etmeyi amaçlamaktadır. Evrişim katmanları, titreşim sinyallerinden mekânsal olarak yerelleştirilmiş öznitelikleri otomatik olarak çıkarırken; BiLSTM birimleri zamansal bağımlılıkları yakalar. Entegre, öğrenilebilir bellek destekli dikkat modülü ise arıza ile ilgili desenlere odaklanmayı daha da geliştirir. Model, Case Western Reserve University (CWRU) veri seti üzerinde beş katlı çapraz doğrulama yöntemiyle eğitilip değerlendirilmiş ve %99,87 doğruluk elde etmiştir. Modelin genelleme yeteneği ayrıca Machinery Failure Prevention Technologies (MFPT) veri seti üzerinde test edilmiş ve burada da %98,52 doğruluk seviyesine ulaşmıştır. Ablasyon çalışmaları, bellek destekli dikkat modülünün, özellikle gürültülü koşullar altında doğruluk ve dayanıklılığı artırmada önemli katkı sağladığını doğrulamaktadır. Önerilen yaklaşım, endüstriyel sistemlerde gerçek zamanlı arıza tespiti için güvenilir ve yüksek hassasiyetli bir çözüm sunmaktadır.
Özet (Çeviri)
Early and accurate fault detection in rolling bearings is crucial for predictive maintenance and operational safety. This study suggests a hybrid deep neural architecture based on Memory-Augmented Neural Networks (MANN), which integrates Convolutional Neural Networks (CNN), Bidirectional Long Short-Term Memory (BiLSTM), and a memory-augmented attention module for effectively diagnose bearing faults. The convolutional layers automatically extract spatially localized features from vibration signals, the BiLSTM units capture temporal dependencies, and the integrated learnable memory-augmented attention module further refines the focus on fault-relevant patterns. The model is trained and evaluated on the Case Western Reserve University (CWRU) dataset using five-fold cross-validation, achieving 99,87% accuracy. Its generalization capability is further validated on the Machinery Failure Prevention Technologies (MFPT) dataset, where it reaches 98,52% accuracy. Ablation studies confirm significant contribution of memory-augmented attention module in enhancing accuracy and robustness under noisy conditions. The proposed approach offers a reliable and high-precision solution for real-time fault detection in industrial systems.
Benzer Tezler
- Comprehensive comparison of different early bearing fault detection techniques
Farklı rulman erken arıza tespit tekniklerinin kapsamlı karşılaştırılması
MOHAMED ELARABY ABDOU SOLIMAN ELGALLAD
Yüksek Lisans
İngilizce
2024
Mekatronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
Assoc. Prof. KEMALETTİN ERBATUR
- Yapay zekâ ve sinyal işleme yöntemleri ile rulmanlarda taşlama yanığı hatasının tespiti
Detection of grinding burn defect in bearings with artificial intelligence and signal processing methods
NURDOĞAN CEYLAN
Doktora
İngilizce
2023
Mekatronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEZGİN KAÇAR
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Fault diagnosis in rotating machines using machine learning
Makine öğrenimini kullanarak dönen makinelerde arıza teşhisi
MERVE TATU
Yüksek Lisans
İngilizce
2025
Makine MühendisliğiYeditepe ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. NEZİH TOPALOĞLU
- Sinyal işleme ve makine öğrenmesi yöntemleri ile dönen makinelerde titreşim sinyallerinden arıza analizi ve tespiti
Fault analysis and detection from vibration signals in rotating machines with signal processing and machine learning methods
HÜSEYİN CANBAZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBolu Abant İzzet Baysal ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. KEMAL POLAT