Geri Dön

Classification, prediction and state estimation algorithms for predictive maintenance

Kestirimci bakım için sınıflandırma, tahmin ve durum kestirimi algoritmaları

PDF İndir

  1. Tez No: 1019585
  2. Yazar: UĞUR YILDIRIM
  3. Danışmanlar: DOÇ. DR. HÜSEYİN AFŞER
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: lineer diskriminant analizi, bakım tahmini, kalan faydalı ömür, kalman filtreleme, linear discriminant analysis, predictive maintenance, remaining useful life, kalman filtering
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Kestirimci bakım, reaktif, programa dayalı yaklaşımlardan Endüstri 4.0 teknolojilerinin olanaklı kıldığı sofistike veri odaklı metodolojilere doğru evrilmiştir. Modern endüstriyel sistemler, titreşim, sıcaklık, basınç, akustik emisyonlar ve termal görüntüleme dahil olmak üzere birden faz\-la modaliteden heterojen sensör verisi üretmekte ve böylece gelişmiş arıza prognostiği ve kalan faydalı ömür (KFÖ) tahmini için fırsatlar yaratmaktadır. Ancak, bu farklı veri türlerinin hem ekipman sağlık durumu sınıflandırması hem de sürekli KFÖ tahmini konularını ele alan birleşik bir çerçeve içinde etkin bir şekilde entegre edilmesi önemli bir zorluk olmaya devam etmektedir. Mevcut çoklu-model yaklaşımları genellikle karmaşık füzyon mimarileri, farklı sensör türleri için ayrı ön işleme hatları ve performans uğruna yorumlanabilirliği feda eden hesaplama açısından yoğun derin öğrenme modelleri gerektirmektedir. Bu tez, bu zorlukları paylaşımlı ölçüm uzayı yaklaşımı aracılığıyla ele alan kestirimci bakım için birleşik bir doğrusal sınıflandırma-regresyon çerçevesi sunmaktadır. Çerçeve iki tamamlayıcı problem tanımı içermektedir: mutlak döngü eşiklerine dayalı sınıflandırma şeması ve değişken motor ömürlerinden bağımsız tutarlı sınır tanımı sağlayan normalize sağlık indeksi yaklaşımı. Önerilen yöntem, çok boyutlu sensör ölçüm uzayını farklı operasyonel bölgelere ayıran hiper\-düzlem sınırları oluşturmak için Doğrusal Ayrıştırıcı Analizi (DAA) kullanır: nominal (sağlıklı çalışma), uyarı (bozulma tespit edildi) ve arıza (acil bakım gerekli). Çerçevenin temel yeniliği, bu öğrenilmiş sınırları ikili amaç için kullanmasında yatmaktadır: ölçümlerin bulunduğu bölgeye dayalı ayrık sağlık durumu sınıflandırması ve sınırlara olan işaretli mesafelerin doğrusal regresyon haritalanması yoluyla sürekli KFÖ tahmini. Doğrusal yaklaşım, endüstriyel dağıtım için birkaç pratik avantaj sunmaktadır. Öğrenilen hiper\-düzlem katsayıları, özellik önemini doğrudan ortaya çıkararak bakım mühendislerinin hangi sensör ölçümlerinin bozulmayı en güçlü şekilde gösterdiğini anlamalarını sağlar. Bu şeffaflık, model doğrulamasını ve benzer ekipman türleri arasında bilgi transferini kolaylaştırır. Doğrusal yöntemlerin hesaplama verimliliği, çerçeveyi aynı anda birden fazla varlığın izlenmesi gereken endüstriyel ortamlarda gerçek zamanlı uygulama için uygun hale getirir. Ayrıca, birleşik ölçüm uzayı, ayrı ön işleme hatları veya karmaşık füzyon katmanları gerektirmeden heterojen sensör modalitelerini doğal olarak barındırır—her bir modalite, ortak özellik uzayındaki ayırt edici gücüne dayanarak arıza tespiti ve KFÖ tahminine katkıda bulunur. Çerçeve, sınıra-mesafe zaman serilerindeki hem uzun vadeli bozulma trendlerini hem de kısa vadeli dinamikleri yakalamak için doğrusal regresyon ve otoregresif modelleme yaklaşımlarını birleştirir. Bu hibrit tahmin mekanizması, farklı bozulma kalıplarına uyum sağlayan sağlam KFÖ tahmini sağlar. Yöntem, özellikle arızaya-kadar-çalışma verileri için etkilidir ve sınırlı arıza örnekleriyle bile prognostik için esnek bir çerçeve sunar. NASA Ticari Modüler Aero-İtki Sistem Simülasyonu (C-MAPSS) turbofan motor bozulma veri setindeki doğrulama, çerçevenin çeşitli çalışma koşulları ve arıza modları genelinde yeteneklerini göstermektedir. Deneysel sonuçlar, önerilen doğrusal yöntemin karmaşık derin öğrenme yaklaşımlarına kıyasla en son teknoloji performansı elde etmemekle birlikte, üstün yorumla\-nabilirlik ve hesaplama verimliliği sunarken rekabetçi doğruluğu koruduğunu göstermektedir. Çerçeve, sağlık durumları genelinde \%90 sınıflandırma doğruluğu elde etmekte ve FD001 için 30,40 ve FD002 veri setleri için 35,40 RMSE değerleriyle anlamlı KFÖ tahminleri sağlamaktadır. Kalman filtresi genişletmesi, PHM08 asimetrik Skor metriğinde önemli iyileştirmeler elde etmektedir: UKF, AR baseline'a kıyasla \%54,9 iyileştirme sağlamakta (Skor: 552.572'ye karşı 1.224.299), bu da güvenlik odaklı bakım için kritik olan tehlikeli geç tahminlerin önemli ölçüde azaltıldığını göstermektedir. EKF ise \%36,1 skor iyileştirmesi sağlarken neredeyse yansız tahminler sunmaktadır (ortalama hata: 1,7 döngü). Sınıflandırma doğruluğu AR'daki \%70,72'den UKF ile \%73,27'ye yükselmektedir. Kalman filtresi varyantları döngü başına 11 mikrosaniyenin altında işlem süresiyle gömülü endüstriyel dağıtım için uygundur. Tez, birleşik bir mimari içinde veri odaklı, fizik tabanlı ve bilgi tabanlı modelleme paradigmalarını barındıran pratik bir temel sunmaktadır. Doğrusal varsayımlar bazı endüstriyel sistemlerde gözlemlenen karmaşık doğrusal-olmayan arıza kalıplarını basitleştirebilse de, ön\-erilen yaklaşım yorumlanabilir çok-modaliteli entegrasyon gerektiren endüstriyel uygulamalar için değerli olan şeffaf, hesaplama açısından verimli bir temel oluşturmaktadır. Gelecek çalışmalar, çerçevenin monotonik-olmayan bozulma kalıplarını ele alacak şekilde genişletilmesine, değişken operasyonel koşullar için uyarlamalı sınır öğrenmesinin araştırılmasına, durağan olmayan bozul\-ma dinamikleri için uyarlamalı gürültü kovaryans tahmini tekniklerinin geliştirilmesine ve kesti\-rimci bakım için çok-sensör füzyonu gerektiren diğer endüstriyel alanlardaki uygulamaların keşfedilmesine odaklanacaktır. Bu tezin bazı bölümleri aşağıdaki hakemli dergi makalelerinde yayımlanmıştır: •Yıldırım, U., Mammadov, S., & Afşer, H. (2024). Multi-Model Predictive Maintenance: Overview and A Linear System Perspective. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 39(4), 1039–1052. https://doi.org/10.21605/cukurovaumfd.160612 •Yıldırım, U., & Afşer, H. (2025). Linear Methods for Predictive Maintenance: The Case of NASA C-MAPSS Datasets. Applied Sciences, 15(18), 9945. https://doi.org/10.3390/app15189945 •Yıldırım, U., & Afşer, H. (2026). State-Space Estimation in Discriminant Subspace: A Kalman Filtering Approach for Turbofan Engine RUL Prediction. Machines, 14(2), 226. https://doi.org/10.3390/machines14020226

Özet (Çeviri)

Predictive maintenance has evolved from reactive, schedule-based approaches to sophisticated data-driven methodologies enabled by Industry 4.0 technologies. Modern industrial systems generate heterogeneous sensor data from multiple modalities—including vibration, temperature, pressure, acoustic emissions, and thermal imaging—creating opportunities for advanced failure prognostics and remaining useful life (RUL) estimation. However, effectively integrating these diverse data types within a unified framework that addresses both equipment health state classification and continuous RUL prediction remains a significant challenge. Existing multi-model approaches often require complex fusion architectures, separate preprocessing pipelines for different sensor types, and computationally intensive deep learning models that sacrifice interpretability for performance. This thesis presents a unified linear classification-regression framework for predictive maintenance that addresses these challenges through a shared measurement space approach. The framework incorporates two complementary problem formulations: an absolute cycle threshold-based classification scheme for intuitive operational decision support, and a normalized health index approach that provides consistent classification boundaries independent of varying engine lifetimes. The proposed method employs Linear Discriminant Analysis (LDA) to establish hyperplane boundaries that partition the multi-dimensional sensor measurement space into distinct operational regions: nominal (healthy operation), warning (degradation detected), and failure (immediate maintenance required). The framework's key innovation lies in using these learned boundaries for dual purposes: discrete health state classification based on the region where measurements reside, and continuous RUL estimation through linear regression mapping of signed distances to the boundaries. The linear approach offers several practical advantages for industrial deployment. The learned hyperplane coefficients directly reveal feature importance, enabling maintenance engineers to understand which sensor measurements most strongly indicate degradation. This transparency facilitates model validation and knowledge transfer across similar equipment types. The computational efficiency of linear methods makes the framework suitable for real-time implementation in industrial environments where multiple assets require simultaneous monitoring. Furthermore, the unified measurement space naturally accommodates heterogeneous sensor modalities without requiring separate preprocessing pipelines or complex fusion layers—each modality contributes to fault detection and RUL estimation based on its discriminative power in the joint feature space. The framework combines linear regression and autoregressive (AR) modeling approaches to capture both long-term degradation trends and short-term dynamics in the distance-to-boundary time series. This hybrid prediction mechanism enables robust RUL estimation that adapts to different degradation patterns. The method is particularly effective for run-to-failure data, providing a flexible framework for prognostics even with limited failure instances. Extending the linear framework, this thesis further integrates Kalman filtering within the LDA-projected discriminant subspace to address two key limitations of the AR baseline: sensitivity to measurement noise during transitional degradation phases, and fixed coefficients unable to adapt to varying degradation rates. Three Kalman filter variants—Linear Kalman Filter (LKF), Extended Kalman Filter (EKF), and Unscented Kalman Filter (UKF)—are evaluated against the AR baseline. A health index-based classification scheme normalizes RUL values with respect to the maximum observed lifetime, providing classification boundaries that adapt to varying engine lifetimes. Validation on the NASA Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) turbofan engine degradation dataset demonstrates the framework's capabilities across diverse operating conditions and fault modes. The AR baseline achieves 90\% classification accuracy and competitive RUL predictions. The Kalman filter extension achieves substantial improvements in the PHM08 asymmetric Score metric: UKF achieves a 54.9\% improvement over AR (Score: 552,572 vs. 1,224,299), indicating significantly fewer dangerous late predictions critical for safety-oriented maintenance. EKF achieves a 36.1\% Score improvement while providing nearly unbiased predictions (mean error: 1.7 cycles). Classification accuracy improves from 70.72\% (AR) to 73.27\% (UKF). The proposed LDA-Kalman framework provides a computationally efficient and geometrically interpretable alternative to deep learning methods for real-time engine health monitoring, with Kalman filter variants processing each cycle in under 11 microseconds—suitable for embedded industrial deployment. The thesis contributes a practical foundation that accommodates data-driven, physics-based, and knowledge-based modeling paradigms within a unified architecture. While linear assumptions may simplify complex nonlinear failure patterns observed in some industrial systems, the proposed approach establishes a transparent, computationally efficient baseline that is valuable for industrial applications requiring interpretable multi-modal integration. Future work will focus on extending the framework to handle non-monotonic degradation patterns, investigating adaptive boundary learning for evolving operational conditions, and exploring applications in other industrial domains requiring multi-sensor fusion for predictive maintenance. Parts of this thesis have been published in the following peer-reviewed journal articles: •Yıldırım, U., Mammadov, S., & Afşer, H. (2024). Multi-Model Predictive Maintenance: Overview and A Linear System Perspective. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 39(4), 1039–1052. https://doi.org/10.21605/cukurovaumfd.160612 •Yıldırım, U., & Afşer, H. (2025). Linear Methods for Predictive Maintenance: The Case of NASA C-MAPSS Datasets. Applied Sciences, 15(18), 9945. https://doi.org/10.3390/app15189945 •Yıldırım, U., & Afşer, H. (2026). State-Space Estimation in Discriminant Subspace: A Kalman Filtering Approach for Turbofan Engine RUL Prediction. Machines, 14(2), 226. https://doi.org/10.3390/machines14020226

Benzer Tezler

  1. Tez No

    617085

    Havacılık sektöründe kaba küme temelli uçak arıza güvenilirliği tahmin modeli ve Türkiye uygulaması

    Rough cluster based aircraft failure reliability prediction model in aviation sector and its application in Turkey

    NURÇİN KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Endüstri ve Endüstri MühendisliğiErciyes Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MİHRİMAH ÖZMEN

  2. Tez No

    692595

    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

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  3. Tez No

    934727

    İş kazaları ve meslek hastalıklarının önlenmesinde yapay zekâ kullanımı

    Use of artificial intelligence in preventing work accidents and occupational diseases

    ADNAN KARABULUT

    Doktora

    Türkçe

    Türkçe

    2025

    Mühendislik BilimleriAnkara Yıldırım Beyazıt Üniversitesi

    İş Güvenliği Ana Bilim Dalı

    PROF. DR. MEHMET BARAN

  4. Tez No

    954777

    Predictive modeling of non-routine maintenance workload in aircraft operations: a task card-level approach using real mro data and machine learning

    Uçak bakım operasyonlarında non-routıne iş yükünün öngörüsel modellemesi: gerçek mro verileri ve makine öğrenmesi ile görev kartı düzeyinde bir yaklaşım

    TALHA GÜÇLÜ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  5. Tez No

    999985

    Rulman arıza teşhisinde makine öğrenmesi algoritmaları ile kestirimci bakım: Model karşılaştırması

    Predictive maintenance with machine learning algorithms for bearing fault diagnosis: Model comparison

    SALİM BAYRAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN ALTUNTAŞ

  6. Tez No

    1018567

    Makine öğrenmesi tabanlı akıllı şehir çözümleri: Bina türü tanıma, su tüketimi öngörüsü ve sızıntı tespiti

    Machine learning-based smart city solutions: Building type identification, water consumption forecasting, and leak detection

    RAUF YASİN

    Doktora

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEÇKİN ARI

Geri Dön