Endüstriyel süreçlerde müfredat tabanlı derin öğrenme kullanarak anomali tespiti

Anomali tespiti, endüstride karşılaşılan anormalliklerin yaygınlaşması ve karma-şıklığının artmasıyla araştırmalarda giderek daha fazla dikkat çekmektedir. Endüstriyel süreçlerde, sensörler ve aktüatörlerden yüksek boyutlu çok değişkenli zaman serileri (ÇDZS) verileri üretilmektedir. Ekipmanın güvenliğini ve yüksek kaliteli ürünleri garantilemek için, bu bileşenler tarafından kaydedilen anormalliklerin tespit edilmesi gerekmektedir. Bu tezde, endüstriyel anormallik tespiti için derin öğrenme kullanımı çalışılmıştır. Özellikle, makine öğrenme modelleri için bir eğitim paradigması olan müfredat öğrenimi (MÖ) kapsamlı bir şekilde incelenmektedir. MÖ, insanların ve hayvanların öğrenme ilerlemesini izler, bu süreçte model önce "kolay" verilerle eğitilir ve eğitim ilerledikçe daha "zor" veriler aşamalı olarak tanıtılır. Bu tez, ÇDZS anormallik tespiti için veri tabanlı MÖ'yi önermekte ve MÖ kavramını model üzerinde incelemektedir. Bu yöntem, öncelikle literatürde mevcut bir güvenli su arıtma veri kümesi ve ardından gerçek dünya tekstil veri kümesi kullanılarak iki farklı vaka çalışmasına uygulanmıştır. Veri tabanlı yöntemde, model performansını artırmak için en önemli ÇDZS özelliklerini belirlemek için kapsamlı deneyler yapılmıştır. Model tabanlı çerçevede, önce basit bir Uzun Kısa Süreli Bellek Kodlayıcı-Çözücü modeli eğitilmiş ve ardından son eğitim turunda karmaşık bir Çok Ölçekli Evrişimsel Tekrarlayan Kodlayıcı-Çözücü modeli kullanılmıştır. Bu teknikler, önerilen tasarımlar arasında en iyi sonuçları üreten veri tabanlı bir yaklaşıma dayalı olarak F1 skoru ile değerlendirilmiştir.