Makine öğrenme tabanlı hata tespit sistemi ile kablosuz sensör ağlarda sürdürülebilirliğin sağlanması
Machine learning based fault detection for sustainable wireless sensor networks
- Tez No: 978456
- Danışmanlar: DOÇ. DR. MEVLÜT ERSOY
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesnelerin İnterneti (IoT), Endüstri 4.0 kapsamında kritik bir bileşen olarak öne çıkmaktadır. IoT sistemlerinde sensörler aracılığıyla toplanan verilerin doğruluğu, sistemin güvenilirliği ve sürekliliği açısından büyük önem taşımaktadır. Sensörlerden kaynaklı hatalı veriler, sistemin performansını olumsuz etkileyerek kayıplara yol açabilir. Bu bağlamda, hataların hızlı şekilde tespit edilip düzeltilmesi, IoT sistemlerinin kararlılığı açısından hayati öneme sahiptir. Bu tez çalışması, Hatalı verilerin sınıflandırılarak arıza türlerinin tespit edilmesi ve anomali tespitinden sonra, sistemin devamlılığını sağlamak amacıyla bulut ortamında veri tahmini yapılması olmak üzere iki ana bölümden oluşmaktadır. Çalışmanın odak noktası olan birinci bölümde, hatalı verilerin sınıflandırılması amacıyla kapsamlı bir veri seti oluşturulmuştur. Bu veri seti, kapalı bir ortamda kurulan IoT sisteminden elde edilen sensör verilerine ek olarak, matematiksel fonksiyonlarla üretilmiş çeşitli hata türlerini içermektedir. Elde edilen veri seti, farklı makine öğrenmesi algoritmaları ve derin öğrenme modeli kullanılarak, hiperparametre optimizasyonu ile gömülü sistem üzerinde sınıflandırılmıştır. Bu süreçte arıza sınıflarının doğru şekilde tespit edilmesi ve anomali durumlarının ayırt edilmesinde yüksek doğruluk elde edilmiştir. İkinci aşamada, tespit edilen hatalı veriler üzerine bulut ortamında veri tahmini modeli uygulanmış ve sistemin kesintisiz çalışmasına katkı sağlanmıştır. Bu tez çalışması IoT sistemlerinde sensör kaynaklı hataların tespiti ve giderilmesi konusunda yüksek başarım göstermiş, sistemin dinamik olarak devamlılığını sağlamak adına etkili bir çözüm sunmuştur.
Özet (Çeviri)
The Internet of Things (IoT) is a pivotal component within the paradigm of Industry 4.0. The accuracy of data collected through sensors in IoT systems is of great importance for the reliability and continuity of the system. Incorrect data originating from sensors has the capacity to exert a detrimental effect on system performance and give rise to financial losses. In this context, the rapid detection and correction of errors is vital for the stability of IoT systems. The present thesis is divided into two sections. The first is concerned with the classification of erroneous data in order to identify fault types. The second is concerned with the prediction of data in a cloud environment, with a view to ensuring system continuity following the identification of anomalies. The initial section, the focal point of the study, involved the creation of a comprehensive dataset for the classification of erroneous data. The dataset under consideration encompasses sensor data obtained from an IoT system configured within a controlled environment, in addition to a range of error types derived from mathematical functions. The dataset obtained was then subjected to classification on the embedded system, utilising a range of machine learning algorithms and deep learning models with hyperparameter optimisation. This process was found to be highly accurate in its detection of fault classes and distinction of anomaly conditions. In the subsequent stage, a data prediction model was implemented in the cloud environment to address the detected erroneous data, thus facilitating uninterrupted system operation. The present thesis demonstrated high performance in detecting and eliminating sensor-related errors in IoT systems, thereby providing an effective solution to ensure the dynamic continuity of the system.
Benzer Tezler
- Digital-twin flight modelling through machine learning for trajectory error estimation and recovery
Rota hesaplamalarında makine öğrenmesi tabanlı dijital ikiz uçuş modeli
MEVLÜT UZUN
Doktora
İngilizce
2021
Sivil Havacılıkİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
DR. MUSTAFA UMUT DEMİREZEN
- Deep learning aided data detectionfor future wireless communication systems
Gelecek nesil telsiz haberleşme sistemleri içinderin öğrenme yardımıyla data tespiti
MERVE TURHAN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- A robust framework covering measures developed using EVM metric against jamming attacks in next-generation communication systems
Yeni nesil haberleşme sistemlerinde karıştırma saldırılarına karşı EVM metriği kullanılarak geliştirilen önlemleri kapsayan güçlü bir çerçeve
CEM ÖRNEK
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Digitalization in construction claim management
İnşaat hak talebi yönetiminde dijitalleşme
NİL DENİZMEN
Yüksek Lisans
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. DENİZ ARTAN
- Azdırma tezgâhları için tezgâh izleme sistem tasarımı
Machine monitoring system design for hobbing machines
RESUL YERLİKAYA
Yüksek Lisans
Türkçe
2022
EnerjiSivas Cumhuriyet ÜniversitesiEnerji Bilimleri ve Teknoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUNİS TORUN