Tez No	İndirme	Tez Künye	Durumu
769509		A deep learning model for prognostics and system health management / Prognostik ve sistem sağlığı yönetimi için derin bir öğrenme modeli Yazar:RASHID RAMADHAN BWAMBALE Danışman: DR. ÖĞR. ÜYESİ CAHİT PERKGÖZ Yer Bilgisi: Eskişehir Teknik Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Bilimleri Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2022 119 s.
Sağlık durumu izleme yoluyla, Prognostik ve Sistem Sağlık Yönetimi (PSSY) teknikleri, mevcut ve gelecekteki hataların oluşumunun ve mühendislik sistemlerinin gelecekteki durumunun tahminini kolaylaştırır. Bu tahminler, makine operatörlerinin bakım kararlarını objektif olarak yönetmesine ve zamanında almasına olanak tanır. PSSY teknikleri, mühendislik sistemlerinde prognostik ve teşhis sürecini kolaylaştıran içgörüler çıkararak makinelerden üretilen verileri analiz eder. Ancak, bu mühendislik sistemlerinin doğası gereği, veri toplama sürecinde ortaya çıkabilecek kritik riskler nedeniyle gerçek mühendislik sistemlerinden arızaya kadar veri üretmek ve elde etmek son derece zordur. Tekrarlayan Sinir Ağları ve varyantları, PSSY'de yaygın olarak kullanılmıştır. Bununla birlikte, modellerde bilinen engeller nedeniyle, eğitim sırasında yakınsama olmaması muhtemeldir. Sonuç olarak, bir modelin derinliğinin, model optimizasyonuna ve sonuçların doğruluğuna önemli ölçüde katkıda bulunduğu bilgisine rağmen, modeller sığ olarak inşa edilmiştir. Bu çalışma, derin modellerin karşılaştığı dezavantajların üstesinden gelmek amacıyla uzun-kısa dönem hafıza nöronları ile modele derin bir artık dizi önermektedir. Model, PSSY'nin araştırmacılara açık titreşim sinyali verileri tarafından eğitilmiş ve doğrulanmıştır. Veriler, önerilen modelle uyumlu olacak şekilde işlenmiştir. Pearson Korelasyon Katsayıları üzerinde bir eşik ayarlanarak, Başlangıç Zamanı Tahmini objektif olarak tespit edilmiş ve kalan faydalı ömür tahmin edilmiştir. Önerilen model, kümülatif bağıl doğruluk değerlendirme metriği ile değerlendirilmiş ve önceki çalışmalara göre %17,87 daha doğru ve güvenilir sonuçlar üretmiştir
Through health condition monitoring, Prognostics and system Health Management (PHM) techniques facilitate the prediction of the occurrence of current and future failures and the estimation of the future state of engineering systems. These predictions enable machine operators to objectively manage and take timely maintenance decisions. PHM techniques analyze data generated from machines by extracting insights that facilitate the prognostics and diagnostics process in engineering systems. However, due to the nature of these engineering systems, it is extremely difficult to generate and acquire run-to-failure data from real engineering systems because of critical risks that might emerge during the data collection process. Recurrent Neural Networks and the variants have been used extensively in PHM. Nevertheless, because of the impediments known in such models, non-convergence during training occurs frequently. As a result, models were built shallow notwithstanding the knowledge that the depth of a model significantly contributes to the models' optimization and accuracy of results. It is upon this that this study proposes a deep residual sequence-to-sequence model with LSTM neurons intending to overcome the drawbacks faced by deep models. The model was trained and validated by PHMs' publicly available vibration signal data. The data was preprocessed such that it is compatible with the proposed model. Time to Start Prediction was detected objectively by setting a threshold on Pearson's Correlation Coefficients then the remaining useful life was estimated. Lastly, the model was evaluated with Cumulative Relative Accuracy and found to be 17.87% more accurate than the other models in comparison