Design of predictıve maintenance model using artificial intelligence methods

Basit Öğe Kaydı
dc.contributor.advisorZaim, Abdul Halim
dc.contributor.advisorAkbulut, Akhan
dc.contributor.authorAy Türe, Begüm
dc.date.accessioned2022-11-01T16:40:23Z
dc.date.available2022-11-01T16:40:23Z
dc.date.issued2021
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.descriptionTez (Yüksek Lisans) -- İstanbul Ticaret Üniversitesi -- Kaynakça var.en_US
dc.description.abstractÖZET Bakım disiplini ile ilgili kararlar endüstriyel alandaki gelişmeler nedeniyle değişmeye başlamıştır. Ekipman durumunun izlenmesi, kalan yararlı ömür tahmini ve bakım planlamaları gibi konular iş operasyonlarının önemli bir parçası haline gelmiştir. Bu çalışmada, aşırı ve gereksiz bakım faaliyetlerinden ortaya çıkan iş gücü ve ekonomik kayıpları önlemek için kestirimci bakım modelleri geliştirilerek kalan yararlı ömür tahmini yapılmıştır. NASA'nın Turbofan Motor Bozulma Simülasyonu veri seti kestirimci bakım modellerinin üretilmesine ve modellerin doğrulanmasına yardımcı olmuştur. Tahmine dayalı bakım modelinde, regresyon tipinde 5 farklı makine öğrenmesi yöntemi ve sınıflandırma tipinde 2 farklı derin öğrenme yöntemi kullanılmıştır. İki farklı çapraz doğrulama yöntemi ve çeşitli akıllı algoritmalar kullanılarak oluşturulan modelleri ele alınan veri seti için en optimal sonucun belirlenmesinde yardımcı olmuştur. Yapılan analizler ve karşılaştırmalar gösterdi ki Yığın Topluluk Öğrenmesi ve Evrişimsel Sinir Ağı yöntemleri tercih edilen veri seti için yüksek performans sağlamıştır. Modeller, doğruluk ve performans ölçütlerine göre karşılaştırıldı ve Yığın Topluluk Öğrenmesi yaklaşımı, kullanılan veri seti için en uygun sonucu verdi. Anahtar Kelimeler: Denetimli öğrenme, derin öğrenme, kalan yararlı ömür, kestirimci bakım, makine öğrenmesi, ortalama karekök hatası, topluluk öğrenmesi. ABSTRACT Decisions regarding maintenance discipline have begun to change due to developments in the industrial field. Issues such as equipment condition monitoring, remaining useful life estimation, and maintenance planning have become essential business operations. In this study, predictive maintenance models were developed to prevent labor and economic losses caused by excessive and unnecessary maintenance and the remaining useful life estimated. NASA's Turbofan Engine Degradation Simulation Dataset helped to produce the predictive maintenance model and to validate models. The predictive maintenance model utilized five different machine learning methods in regression type and two different deep learning methods in classification type. Models designed using two other cross-validation methods and a variety of intelligent algorithms have assisted in determining the best outcome for the dataset under consideration. The analyzes and comparisons showed that Stacking Ensemble Learning and Convolutional Neural Network methods provided high performance for the preferred dataset. Models were compared based on accuracy and performance metrics, and the Stacking Ensemble Learning approach produced the most optimal result for the dataset applied. Keywords: Deep learning, ensemble learning, machine learning, predictive maintenance, remaining useful life, root mean square error, supervised learning. CONTENTS CONTENTS. i ABSTRACT . ii ÖZET . iiii ACKNOWLEDGEMENTS . iiv LIST OF FIGURES . v LIST OF TABLES . vi SYMBOLS AND ABBREVIATIONS LIST . vii 1. INTRODUCTION . 1 2. LITERATURE REVIEW. 7 2. 1. Systematic Mapping Study . 7 2. 1. 1. Goals and research questions . 7 2. 1. 2. Article selection . 9 2. 1. 3. Result of systematic mapping study . 10 2. 2. Related Work . 20 3. METHODOLOGY . 23 3. 1. Maintenance Philosophy Employed . 23 3. 1. 1. Predictive maintenance . 24 3. 2. Prognostics Approach . 24 3. 3. Estimating Remaining Useful Life . 25 3. 3. 1. Data-driven method . 25 3. 3. 2. Model-based method . 26 3. 3. 3. Hybrid method . 26 3. 4. Description of Dataset . 26 3. 5. Ensemble Learning . 28 3. 6. Machine Learning Algorithms Employed . 29 3. 7. Deep Learning Algorithms Employed . 30 3. 7. 1. long short-term memory . 31 3. 7. 2. Convolutional neural network . 31 3. 8. Preprocessing of Dataset . 32 3. 9. Experimental Setup . 40 4. RESULTS . 41 4. 1. Ensemble Learning Model Results . 41 4. 2. Deep Learning Model Results . 47 4. 3. Comparison of the Best Scores of Ensemble Learning and Deep Learning Model . 51 5. CONCLUSION AND DISCUSSION . 53 REFERENCES . 57 BIBLIOGRAPHY……………………………………………………………………………………………69en_US
dc.identifier.endpage69en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://katalog.ticaret.edu.tr/e-kaynak/tez/88906.pdf
dc.identifier.urihttps://hdl.handle.net/11467/5497
dc.identifier.yoktezid690999en_US
dc.institutionauthorAy Türe, Begüm
dc.language.isoenen_US
dc.publisherİstanbul Ticaret Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectApplication softwareen_US
dc.subjectUygulamalı yazılımen_US
dc.subjectArtificial intelligenceen_US
dc.subjectYapay zekaen_US
dc.subjectComputer communication systemsen_US
dc.subjectBilgisayar iletişim sistemlerien_US
dc.subjectData miningen_US
dc.subjectVeri madenciliğien_US
dc.subjectInformation storage and retrievalen_US
dc.subjectBilgi saklama ve geri alma sistemlerien_US
dc.subjectNatural language processing (Computer science)en_US
dc.subjectDoğal dil işleme (Bilgisayar bilimi)en_US
dc.subject.otherQ 335/A9en_US
dc.titleDesign of predictıve maintenance model using artificial intelligence methodsen_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
88906.pdf
Boyut:
1.54 MB
Biçim:
Adobe Portable Document Format
Açıklama:
İndir

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu