Machine health monitoring for cyber-physical systems
Siber-fiziksel sistemler için makine sağlığı gözleme
- Tez No: 634384
- Danışmanlar: PROF. DR. BURAK ACAR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Endüstri $4.0$ çağında, üretimde kullanılan makinelerin arıza zamanının tahmin edilmesi, verimli bir bakım elde etmek için çok önemlidir. Kalan faydalı ömür (RUL), bir makinenin onarım veya değiştirme gerektirmeden çalışmaya devam edeceği ham zaman aralıkları veya kullanım açısından zaman uzunluğunu ifade eden terimdir. Makine öğrenimi (ML), özellikle derin öğrenme, endüstri uygulayıcılarına RUL'yi tahmin etmek için etkili araçlar sağlar. Bununla birlikte, mevcut çalışmalarda alana özgün bilgiler genellikle göz ardı edildiği için ML'den tam olarak faydalanılamamıştır. Bu tez, ML tabanlı RUL tahmininin performansını artırmak için makine durumu izlemedeki alana özgü üç ana soruna odaklanmaktadır. Birincisi, RUL, makinelerin sağlıklı çalışma döneminde iyi tanımlanmamıştır, bu nedenle bu dönemde varsayılan RUL ile ilgili olarak ML'yi zorlamak, genel RUL tahmin doğruluğunu olumsuz yönde etkiler. Bu tezde, ML modellerinin bu dönemde RUL'u tahmin etmesini önlemek ve böylece doğruluğunu artırmak için sensör verilerinde bozulma başlangıç noktasını tespit etmek için sistem düzeyinde anomali saptamasıyla tetiklenmiş RUL tahmin yöntemi önerilmiştir. İkinci olarak, makinelerin çalışma koşulları bozulma düzenlerini ve ilgili sensör ölçümlerini etkiler. Bu nedenle, makine değişik koşullarda çalıştığında ML tabanlı RUL tahmin modellerinin doğruluğu azalır. Bu sorunu hafifletmek için siyam sinirsel ağ tabanlı çalışma koşulu-değişimsiz öznitelik çıkarma yöntemi tanıtılmıştır. Bu iki yaklaşım, bir referans turbofan motor bozulması verisi kullanılarak doğrulanmıştır. Son olarak, ML modellerinin çoğu RUL tahmininde veri eksikliğinden zarar görür. Veriler görüntü, profil vb. gibi yüksek boyutluysa, sorun daha da zor hale gelir. Bozulma veri kıtlığı durumunda boyutluluk belasından kurtulmak için iki derin öğrenme mimarisi önerilmektedir. Önerilen modellerin verimliliği bir kızılötesi görüntü verisiyle gösterilmiştir.
Özet (Çeviri)
Estimating the failure time of the machinery that are used in the production is crucial to achieve an efficient maintenance in Industry $4.0$ era. Remaining useful life (RUL) is the term that refers to the length of time in terms of the raw time intervals or usage that a machine will continue to operate before it requires a repair or replacement. Machine learning (ML), especially deep learning, provides industry practitioners with efficient tools for estimating the RUL. However, ML is far from being fully utilized, since domain knowledge is generally ignored in current studies. This thesis focuses on three main domain specific problems in machine condition monitoring to improve the performance of ML based RUL estimation. First, RUL is ill-defined during the healthy operation period of the machinery, hence enforcing ML with respect to a fictitious true RUL during these periods adversely affects the overall RUL estimation accuracy. In this thesis, a system level anomaly detection triggered RUL estimation method is proposed to detect degradation onset point in sensor data to prevent ML models to estimate RUL in this period, and hence to increase the accuracy. Secondly, the operating conditions of the machines affect their degradation pattern and related sensor measurements. Thus, the accuracy of ML based RUL estimation models decreases when the machinery operate in varying conditions. A siamese neural network based operating condition-invariant feature extraction method is introduced to alleviate this problem. These two approaches are verified using a benchmark turbofan engine degradation data. Lastly, most of the ML models suffer from lack of data in RUL estimation. If the data are high dimensional such as image, profile, etc., the problem becomes more challenging. Two deep learning architectures are proposed to resolve curse of dimensionality in case of degradation data scarcity. Efficiency of the proposed models is demonstrated with an infrared image data.
Benzer Tezler
- Federated anomaly detection for log-based defense systems
Log tabanlı savunma sistemleri için federe olağandışılık tespiti
UĞUR ÜNAL
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiYönetim Bilimleri Ana Bilim Dalı
PROF. DR. HASAN DAĞ
- İnternet protokolü üzerinden ses iletişimi için güvenlik sistemi tasarımı ve değerlendirilmesi: Makine öğrenme tabanlı yaklaşım
Security system design and evaluations for voip communication: Machine learning based approach
SABİT ÇAKIR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
DR. ÖĞR. ÜYESİ MUHAMMED ALİ AYDIN
- Kompozit malzemeler için yapı izleme ve bakım sistemi
Structural health monitoring and maintanence system for composite materials
MAHMUT PEKEDİS
Doktora
Türkçe
2014
Makine MühendisliğiEge ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN YILDIZ
- A gear health monitoring system for transmission prognosis
Şanzıman prognozu için bir dişli durumu izleme sistemi
MURATHAN GÜZEL
Yüksek Lisans
İngilizce
2019
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ATA MUGAN
- Uzaktan sağlık izleme ve makine öğrenmesi tabanlı kardiyak aritmi tespit sistemi tasarımı
Design of remote health monitoring and machine learning based cardiac arrhythmia detection system
FARUK ENES OĞUZ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE BOLAT