Geri Dön

Machine learning for predictive maintenance

Bakım öngörüsü içın makine öğrenimi

PDF İndir

  1. Tez No: 856810
  2. Yazar: SEJMA CICAK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ UMUT AVCI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Yaşar Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Dengesiz veriler birçok alanda yaygın bir sorundur ve makine öğrenimi modellerinin performansını ve genelleştirilebilirliğini önemli ölçüde etkiler. Bunun temel nedeni, modellerin azınlık sınıfındaki örneklerin sağlam bir temsilini oluşturmakta zorlanmasıdır. Çalışmamız, veri dengesizliğinin yaygın bir sorun olduğu tahmine dayalı bakım görevlerinde sınıflandırma başarısını artırmaya odaklanıyor. Bu sorunu çözmek için dengeli veri kümeleri oluşturmak üzere tasarlanmış yeniden örnekleme yöntemlerini kullanıyoruz. Çeşitli aşırı örnekleme ve yetersiz örnekleme yöntemlerini tanıtıyoruz ve bunları sentetik ve gerçek dünya veri kümelerine uyguluyoruz. Ek olarak, sınıflandırma sonuçlarını geliştirmek için birden fazla örnekleme yöntemini birleştirerek hibrit yaklaşımların etkinliğini araştırıyoruz. Çeşitli sınıflandırıcılar kullanan hem dengesiz hem de dengeli veri kümelerini kullanarak sınıflandırma deneyleri yapıyoruz. Bu sınıflandırıcıların performanslarını karşılaştırıyoruz ve özellikle önemli olan, sınıf dengesizliğini gidermedeki etkinliklerine ilişkin içgörü kazanmak için yeniden örnekleme tekniklerinin etkinliğini değerlendiriyoruz. Çalışmamız, sınıflandırma görevlerinde sınıf dengesizliğinin azaltılmasına ilişkin genişleyen literatüre katkıda bulunmakta ve veri kümesi özelliklerine göre uygun örnekleme yöntemlerinin seçilmesi için pratik rehberlik sunmaktadır.

Özet (Çeviri)

Imbalanced data is a common problem in many areas, significantly impacting the performance and generalizability of machine learning models. This is primarily because the models struggle to construct a robust representation of the instances in the minority class. Our study focuses on enhancing classification success in predictive maintenance tasks, where data imbalance is a prevalent challenge. To address this, we employ resampling methods designed to create balanced datasets. We introduce a variety of oversampling and undersampling methods and implement them on synthetic and real-world datasets. Additionally, we explore the effectiveness of hybrid approaches by combining multiple sampling methods to enhance classification results. We conduct classification experiments using both imbalanced and balanced datasets employing diverse classifiers. We compare the performances of these classifiers and, of particular significance, assess the efficacy of resampling techniques to gain insights into their effectiveness in addressing class imbalance. Our study contributes to the expanding literature on mitigating class imbalance in classification tasks and offers practical guidance for selecting suitable sampling methods based on dataset characteristics.

Benzer Tezler

  1. Tez No

    777464

    Machine learning approach for predictive maintenance IoT based railway track fault detection using proposed hyper deep neural network

    Öngörücü bakım için makine öğrenme yaklaşımı önerilen hiper derin sinir ağını kullanarak IoT tabanlı demiryolu hattı hata tespiti

    NOOR ALBUNDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri MühendisliğiBahçeşehir Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA OZBAYRAK

  2. Tez No

    905398

    Application of machine learning techniques for predictive maintenance

    Kestirimci bakım için makine öğrenmesi tekniklerinin uygulanması

    ÖZLEM ECE YÜREK

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Yazılımı Ana Bilim Dalı

    PROF. DR. DERYA BİRANT

  3. Tez No

    921394

    A hybrid machine learning based model for predictive maintenance

    Kestirimci bakım için hibrit makine öğrenimi tabanlı bir model

    WALEED HAMMAD MOHAMMED MOHAMMED

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SAİT DEMİR

  4. Tez No

    1013622

    Development of a tinyml (tiny machine learning) model for predictive maintenance of industrial assets in an IIOT (industrial internet of things)

    IIOT (endüstriyel nesnelerin interneti)' de endüstriyel varlıkların kestirimci bakımı için tinyml (lokal gömülü sistem makine öğrenmesi) modelinin geliştirilmesi

    BITA GHASEMKHANI

    Doktora

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. RECEP ALP KUT

  5. Tez No

    866871

    IoT based pump performance monitoring for agricultural irrigation and predictive maintenance with machine learning models

    Tarımsal sulama için IoT tabanlı pompa performansının izlenmesi ve makine öğrenimi modelleri ile kestirimci bakımın tahminlenmesi

    İRFAN ÖKTEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUĞÇE DEMİRDELEN

Geri Dön