Derin öğrenme ile blok zincir tabanlı kestirimci bakım uygulaması
Blockchain-based predictive maintenance application with deep learning
- Tez No: 988474
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN ALTUNAY
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, endüstriyel sistemlerdeki bakım stratejilerini geliştirmek amacıyla, derin öğrenme ve blok zincir teknolojilerini entegre eden kapsamlı bir kestirimci bakım sistemi ve uygulama arayüzü sunmaktadır. Geleneksel kestirimci bakım sistemleri; veri güvenliği ve merkeziyetsizlik gibi konularda önemli sorunlar içermektedir. Bu çalışma, blok zincir teknolojisinden faydalanılarak bu sorunların üstesinden gelmeyi ve özellikle kestirimci bakım süreçlerinin güvenilirliğini artırmayı hedeflemektedir. Bu çalışmada hem zamansal hem de öznitelik konusundaki karmaşık kalıpları değerlendirmek ve böylece yüksek doğrulukta arıza tahmini yapabilmek amacıyla LSTM-CNN hibrit modeli geliştirilmiştir. Bu model, endüstriyel ekipmanlarda ikili sınıflandırma uygulayarak arıza tahmini gerçekleştirmek üzere tasarlanmıştır. Çalışmanın uygulama aşamasında, geliştirilen modelin eğitimi ve test edilmesi amacıyla hazır bir veri setinden yararlanılmıştır. Önerilen modelin tahmin başarısını artırmak için hiperparametre optimizasyonu sürecinde Rastgele Arama (Randomized Search) yöntemi kullanılmıştır. Hibrit model, 5 katlı çapraz doğrulama ile eğitilmiş ve sınıf dengesizliği sorununu gidermek için sınıf ağırlıklandırma ve eşik değeri optimizasyonu yöntemleri uygulanmıştır. Eşik değeri optimizasyonu aşamasında, belirlenen üç farklı minimum kesinlik noktasında (0.05, 0.2, 0.85) duyarlılık değerini maksimize eden ve her iki metriğin en dengeli olduğu noktayı bulan F1-Skor yöntemleri kullanılmıştır. Geliştirilen sistemde, sensör verileri bir veri tabanında (SQLite3) saklanmakta ve sıfır bilgi ispatları kullanılarak oluşturulan kriptografik kanıtlar Ethereum ağına gönderilmektedir. Veri bütünlüğünü sağlamak için Poseidon hash fonksiyonu ve Zk-Snark kanıtı üretimi için Groth16 protokolü kullanılmıştır. Bu sayede, hem sensör verileri herkese açık olarak paylaşılmadan verinin geçerliliği güvenli şekilde doğrulanabilmekte hem de ölçeklenebilirlik sorununa çözüm sağlanmaktadır. Sistem mimarisi; yönetici, operatör ve mühendis düğümlerini kapsayan bir yapı olarak tasarlanmış ve sistemdeki tüm sözleşmeler Solidity programlama dili ile yazılmıştır. Python programlama dilinin Tkinter kütüphanesi kullanılarak bir arayüz geliştirilmiştir. Elde edilen bulgular, geliştirilen LSTM-CNN hibrit modelinin, arıza tahmini açısından başarılı sonuçlar ürettiğini göstermektedir. Eşik değerinin F1-Skora göre optimize edildiği senaryoya göre; modelin Doğruluk değeri 0.987, AUC değeri 0.979 ve F1-Skoru 0.794 olarak bulunmuştur. İlerleyen çalışmalarda, geliştirilen sistemin, test ağı yerine ana ağ üzerinde uygulanarak işlemlerin maliyet analizlerinin yapılması planlanmaktadır. Bununla birlikte merkezi bir yapıya sahip olan Zk-Snark kanıtları yerine, şeffaf ve merkeziyetsizlik ilkesine aykırı olmayan Zk-Stark kanıtlarının kullanılması öngörülmektedir.
Özet (Çeviri)
This thesis presents a comprehensive predictive maintenance system and application interface that integrates deep learning and blockchain technologies in order to enhance maintenance strategies in industrial systems. Traditional predictive maintenance systems have significant issues regarding data security and decentralization. This study aims to address these limitations by leveraging blockchain technology, with a specific focus on improving the reliability and verifiability of predictive maintenance processes. In this study, an LSTM-CNN hybrid model was developed to evaluate complex patterns in both time and features, thereby enabling high-accuracy fault prediction. The proposed model is designed to perform binary classification for fault prediction in industrial equipment. During the implementation phase of the study, an open-source dataset was used to train and test the developed model. The Randomized Search method was used in the hyperparameter optimization process to increase the prediction success of the proposed model. The hybrid model was trained with 5-fold cross-validation, and class weighting and threshold value optimization methods were applied to eliminate the class imbalance problem. In the threshold optimization phase, F1-score-based methods are applied to maximize recall at three predefined minimum precision levels (0.05, 0.2, and 0.85), while identifying the most balanced trade-off between precision and recall. In the proposed system, sensor data are stored in a database (SQLite3), and cryptographic proofs generated using zero-knowledge techniques are transmitted to the Ethereum network. The Poseidon hash function is used to ensure data integrity, and the Groth16 protocol is used for Zk-Snark proof generation. This approach enables secure verification of data validity without publicly disclosing sensor data and simultaneously addresses scalability concerns. The system architecture is designed to include manager, operator, and engineer nodes, and all smart contracts are implemented using Solidity. In addition, a graphical user interface is developed using the Tkinter library in Python. The experimental results demonstrate that the proposed LSTM–CNN hybrid model produces successful outcomes in terms of fault prediction performance. According to scenario where the decision threshold is optimized based on the F1-score, the model achieves an accuracy of 0.987, an AUC value of 0.979, and an F1-score of 0.794. In future studies, the proposed system is planned to be implemented on the Ethereum mainnet instead of a test network, with a comprehensive evaluation of on-chain operational costs. However, instead of Zk-Snark proofs, which have a centralized structure, the use of Zk-Stark proofs, which are transparent and do not violate the principle of decentralization, is planned.
Benzer Tezler
- Next-generation MIMO systems: From index modulation to deep learning
Yeni nesil çok-girişli çok-çıkışlı sistemler: İndis modülasyonundan derin öğrenmeye
BURAK ÖZPOYRAZ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL BAŞAR
- Iot data privacy and security based on blockchain technology
Blok zincir teknolojisi tabanlı nesnelerin internetinde veri gizliliği ve güvenliği
MOHAMMED TALIB RAHEEM
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSA AVCI
- Yapay Öğrenme Yöntemleri ile Kısa Vadeli ve Güncel Bitcoin Fiyat Tahmini
Short Term and Current Bitcoin Price Prediction with Machine Lear-ning Methods
BÜLENT GÜNEK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ AHMET HAŞİM YURTTAKAL
- Multi-scale recursive context aggregation network for semantic segmentation
Anlamsal bölümleme için çok ölçekli özyinelemeli bağlam birleştirme ağı
ABDULLAH YALÇIN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KESKİNÖZ
- Derin öğrenme tabanlı hibrit NFT öneri sistemi
Deep learning based hybrid NFT recommendation system
DURMUŞ AYDOĞDU
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NİZAMETTİN AYDIN