Kestirimci bakım süreçlerinde makine öğrenmesi algoritmaları kullanarak anomali tespiti

Bu tez çalışması, endüstriyel motorların kestirimci bakım süreçlerinde, makine öğrenmesi ve derin öğrenme algoritmalarının kullanımı aracılığıyla anomali tespitinin etkinliğini araştırmaktadır. Çalışma, özellikle X ve Z eksenlerindeki RMS ivmesi, kayma açısı, sıcaklık, Z eksenindeki tepe ivmesi, yüksek frekanslı RMS ivmesi, spektral kurtosis ve tepe faktörü gibi çeşitli sensörlerden elde edilen çok değişkenli zaman serisi verilerine odaklanmaktadır. Bu veriler, motorun mekanik ve termal performansı ile titreşim ve aşınma gibi kritik durumları hakkında değerli bilgiler sağlamaktadır. Araştırma, "Major" ve "Minor" olarak sınıflandırılan arızaların detaylı bir analizini içeren, belirli tarihlerde gözlemlenen arıza süreleriyle zenginleştirilmiş bir veri seti üzerine kurulmuştur. Majör arızalar; ciddi ve büyük çapta etkisi olan arızaları ifade ederken, minör arızalar; daha az ciddi veya daha küçük çapta etkisi olan arızaları ifade eder. Bu sınıflandırma, arızaların önceliklendirilmesi ve bakım stratejilerinin belirlenmesi açısından önemlidir. Uygulamamız iki aşamadan oluşmaktadır. İlk aşamada, sınıflandırma algoritmaları kullanarak veri setindeki arızaların önem derecesine göre sınıflandırılması gerçekleştirilmiş; ikinci aşamada ise çok değişkenli LSTM modelleri aracılığıyla arıza zamanlarının tahmin edilmesi hedeflenmiştir. Bu tezin temel amacı, makine öğrenmesi ve derin öğrenme yöntemlerinin, motor arızalarının önceden tespit edilmesindeki etkinliğini değerlendirmek ve bu tekniklerin endüstriyel kestirimci bakım stratejilerine olan potansiyel katkısını ortaya koymaktır. Araştırma, motor arızalarının erken tespiti konusundaki literatüre önemli bir katkı sağlamayı ve endüstriyel bakım pratiklerinin geliştirilmesine yardımcı olmayı amaçlamaktadır.