Rulman arıza teşhisinde makine öğrenmesi algoritmaları ile kestirimci bakım: Model karşılaştırması
Predictive maintenance with machine learning algorithms for bearing fault diagnosis: Model comparison
- Tez No: 999985
- Danışmanlar: DOÇ. DR. VOLKAN ALTUNTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde akıllı bakım uygulamalarında en son gelişmelerden biri kestirimci bakım (PM) olarak öne çıkmaktadır. Nesnelerin İnterneti (IoT), üretim sistemlerindeki ekipmanlardan anlık olarak veri toplamaya, bu verileri depolamaya ve analiz etmeye olanak tanımaktadır. Kestirimci bakım, IoT ile elde edilen verilerin analitik yöntemlerle işlenmesi ve gerçek zamanlı tahmin modellerinin uygulanmasıyla ekipman bakım süreçlerini optimize etmektedir. Bu bağlamda, makine öğrenmesi algoritmalarının kullanımı, kestirimci bakım stratejilerinin etkinliğini artırarak endüstriyel sistemlerde önemli bir avantaj sağlamaktadır. Bu çalışma, endüstriyel sistemlerde kullanılan rulmanların arıza teşhisinde makine öğrenmesi algoritmalarının uygulanmasını incelemeyi ve kestirimci bakım stratejilerinin etkinliğini değerlendirmeyi amaçlamaktadır. Rulman arızalarının erken teşhisi, makinelerin sürekli çalışabilirliği ve güvenilirliği açısından kritik bir öneme sahiptir. Bu doğrultuda, NSF I/UCR (NSF Industry/University Cooperative Research) Akıllı Bakım Sistemleri Merkezi (IMS) tarafından oluşturulan NASA Bearing veri seti üzerinde kapsamlı bir analiz gerçekleştirilmiştir. Çalışmada öncelikle, istatistiksel yöntemler kullanılarak dokuz öznitelikli zaman alanı özellik çıkarımı yapılmış, ardından , zaman tabanlı oransal tahmin ile özelliklere dayalı tespit yöntemlerinin kombinasyonu ile hata başlangıç zamanları tespit edilip; veri hata etiketleme süreci uygulanmıştır. Son aşamada elde edilen veri seti üzerinde SMOTE+PCA yöntemi kullanılarak Karar Ağacı, Destek Vektör Makineleri, Rastgele Orman, K-En Yakın Komşu, Gradient Boosting ve Naive Bayes gibi farklı makine öğrenmesi algoritmalarının performans analizleri gerçekleştirilmiştir. Elde edilen sonuçlar karşılaştırıldığında Rastgele Orman ve Gradient Boosting algoritmaları, neredeyse mükemmele yakın doğruluk (>0.995) sergilemiştir Bu bulgular, kestirimci bakım süreçlerinde güçlü sınıflandırma modellerinin kullanımının, rulman arızalarının erken teşhisi ve üretim süreçlerinin sürekliliğinin sağlanması açısından büyük önem taşıdığını ortaya koymaktadır.
Özet (Çeviri)
In today's intelligent maintenance applications, one of the most recent advancements is predictive maintenance (PM). The Internet of Things (IoT) enables real-time data collection from equipment in manufacturing systems, as well as the storage and analysis of this data. Predictive maintenance optimizes equipment maintenance processes by processing IoT-acquired data through analytical methods and implementing real-time prediction models. In this context, the use of machine learning algorithms significantly enhances the effectiveness of predictive maintenance strategies, providing a substantial advantage in industrial systems.This study aims to examine the application of machine learning algorithms in fault diagnosis of bearings used in industrial systems and to evaluate the effectiveness of predictive maintenance strategies. The early detection of bearing faults is of critical importance for the continuous operability and reliability of machines. Accordingly, a comprehensive analysis was carried out using the NASA Bearing dataset developed by the NSF I/UCR (NSF Industry/University Cooperative Research) Center for Intelligent Maintenance Systems (IMS). In the study, nine statistical time-domain features were initially extracted, followed by fault start-time detection through a combination of time-based proportional estimation and feature-based detection methods. Subsequently, a data fault labeling process was applied. In the final stage, performance analyses of various machine learning algorithms—Decision Tree, Support Vector Machines, Random Forest, K-Nearest Neighbors, Gradient Boosting, and Naive Bayes—were conducted using the SMOTE+PCA method on the resulting dataset. When the obtained results were compared, the Random Forest and Gradient Boosting algorithms demonstrated nearly perfect accuracy (>0.995). These findings highlight the great importance of employing robust classification models in predictive maintenance processes for the early detection of bearing faults and the assurance of continuity in production operations.
Benzer Tezler
- 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
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Çok bileşenli distilasyon sistemlerinin optimal dizilişinin sentezi
Synthesis of optimum sequencing of multicomponent distillatron systems
İRFAN AR
Yüksek Lisans
Türkçe
1987
KimyaGazi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET BİÇER
- Akut lenfoblastik lösemide monoklonal antikorlarla fenotipik özelliklerin ve T-lenfotropik virus antikorlarının incelenmesi
Başlık çevirisi yok
HAYAT ERDEM
Yüksek Lisans
Türkçe
1987
OnkolojiHacettepe ÜniversitesiTemel Onkoloji Ana Bilim Dalı
DOÇ.DR. EMİN KANSU
- Sifonlu şaft savaklarda akım durumunun etüdü ve başlık şeklinin geliştirilmesi
Başlık çevirisi yok
NECATİ AĞIRALİOĞLU
- Okulöncesi öğretmenlerin uzaktan öğretim yöntemi ile yetiştirilmesine yönelik program modeli
Başlık çevirisi yok
ÜLKÜ ÜSTÜNOĞLU