Makine öğrenmesi ve derin öğrenme yöntemleri ile titreşim analizi tabanlı arıza teşhis ve kestirimci bakım sistem tasarımı
| dc.authorid | 0000-0003-2232-0542 | en_US |
| dc.contributor.advisor | Çiçekli, Ural Gökay | |
| dc.contributor.author | Yurtsever, Mustafa | |
| dc.date.accessioned | 2021-03-23T06:35:10Z | |
| dc.date.available | 2021-03-23T06:35:10Z | |
| dc.date.issued | 2020 | en_US |
| dc.date.submitted | 2020 | |
| dc.department | Ege Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Ana Bilim Dalı | en_US |
| dc.description.abstract | Günümüzde işletmeler; üretimin her aşamasından veri toplamak amacıyla daha fazla sensör ve bilgi iletişim teknolojisi kullanmaktadır. Nesnelerin interneti, makine öğrenmesi ve derin öğrenme gibi teknoloijiler verilerin toplanmasını ve işlenmesini kolaylaştırmaktadır. Gerçek zamanlı veriler kullanarak olası arızaların teşhis edilmesini sağlayan kestirimci bakım, arıza sürelerini ve bakım maliyetlerini en aza indirgemeyi hedeflemektedir. Kestirimci bakımı etkin uygulamak için ekipman sağlığını değerlendirme ve toplanan verilerle mevcut veya gelecekteki arızalar hakkında ayrıntılı bilgi bulma yeteneğine sahip olunması gerekmektedir. Makine öğrenmesi ve derin öğrenme yöntemleri kestirimci bakım uygulamalarına yeni bakış açıları kazandırmıştır. Bu tez kapsamında makine öğrenmesi ve derin öğrenme yöntemleri ile titreşim analizi tabanlı arıza teşhisi ve kestirimci bakım sistemi tasarımı amaçlanmıştır. Geliştirilen sistem ile uzmanlık bilgisi gerektirmeden derin öğrenme yöntemlerinin özellik çıkarma yöntemleri kullanılarak, veri odaklı hata teşhisi modellerinin oluşturulması amaçlanmıştır. Derin öğrenmenin denetimsiz öğrenme için kullanılan oto kodlayıcı yapısının boyut azaltma özelliği kullanılarak yüksek boyutlu ham titreşim verilerinin boyutu azaltılarak önerdiğimiz modelde doğrudan kullanılmıştır. Sistemde gerçek zamanlı durum izleme için, Mikro Elektro Mekanik Sistem (MEMS) sensörü ve Raspberry Pi donanımı kullanılarak sürekli veri kaydı yapısı tasarlanmıştır. Sistemde toplanan veriler ile veri odaklı hata teşhis modeli bu veriler üzerinde test edilmiştir. Ayrıca bu tez kapsamında, düşük bütçeli mini bilgisayar ve sensör teknolojileri ile işletme içinde kestirimci bakım uygulamalarının yapılabilirliği araştırılmıştır. Bindirme hatası CNC makinelerinde yüksek onarım maliyetleri ve uzun arıza sürelerine yol açmaktadır. Bu çalışmada toplanan veriler ile bindirme hatasının teşhisi ve sınıflandırılması da yapılmıştır. | en_US |
| dc.description.abstract | Today, businesses use more sensors and information communication technology to collect data from every stage of production. Technologies such as the internet of things, machine learning, and deep learning make it easy to collect and process data. The purpose of predictive maintenance, based on the philosophy of maintenance when necessary, is to carry out the maintenance action after diagnosing possible faults. Minimizing downtime and maintenance costs by using real-time data is the main goal. The key to implementing predictive maintenance is evaluating equipment health and finding detailed information about current or future faults with the data collected. Machine and deep learning methods have brought new perspectives to predictive maintenance practices. In this thesis, machine and deep learning methods, vibration analysis based fault diagnosis, and predictive maintenance system design are aimed. The developed system aims to create data-oriented error diagnosis models by using feature extraction methods of deep learning methods without requiring expert knowledge. It was used directly in the model we proposed by reducing the size of the high dimensional raw vibration data using the size reduction feature of the autoencoder structure used for unsupervised learning of deep learning. For real-time condition monitoring in the system, a continuous data recording structure is designed using Micro Electro Mechanical System (MEMS) sensor and Raspberry Pi hardware. The data collected in the system and the data-oriented error diagnosis model were tested on these data. Also, within this thesis’s scope, the feasibility of low-cost microcomputer and sensor technologies and predictive maintenance applications in the enterprise were investigated. Collision leads to high repair costs and long downtime in CNC machines. With the data collected in this study, the collision error diagnosis and classification were also made. | en_US |
| dc.identifier.uri | https://hdl.handle.net/11454/69156 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Ege Üniversitesi, Sosyal Bilimler Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Anahtar kelime mevcut olmadığı için bu alan boş bırakılmıştır. | en_US |
| dc.title | Makine öğrenmesi ve derin öğrenme yöntemleri ile titreşim analizi tabanlı arıza teşhis ve kestirimci bakım sistem tasarımı | en_US |
| dc.title.alternative | Machine learning and deep learning based vibration analysis for fault diagnosis and predictive maintenance system design | en_US |
| dc.type | Doctoral Thesis | en_US |
