Makine öğrenme tabanlı hata tespit sistemi ile kablosuz sensör ağlarda sürdürülebilirliğin sağlanması

Nesnelerin İnterneti (IoT), Endüstri 4.0 kapsamında kritik bir bileşen olarak öne çıkmaktadır. IoT sistemlerinde sensörler aracılığıyla toplanan verilerin doğruluğu, sistemin güvenilirliği ve sürekliliği açısından büyük önem taşımaktadır. Sensörlerden kaynaklı hatalı veriler, sistemin performansını olumsuz etkileyerek kayıplara yol açabilir. Bu bağlamda, hataların hızlı şekilde tespit edilip düzeltilmesi, IoT sistemlerinin kararlılığı açısından hayati öneme sahiptir. Bu tez çalışması, Hatalı verilerin sınıflandırılarak arıza türlerinin tespit edilmesi ve anomali tespitinden sonra, sistemin devamlılığını sağlamak amacıyla bulut ortamında veri tahmini yapılması olmak üzere iki ana bölümden oluşmaktadır. Çalışmanın odak noktası olan birinci bölümde, hatalı verilerin sınıflandırılması amacıyla kapsamlı bir veri seti oluşturulmuştur. Bu veri seti, kapalı bir ortamda kurulan IoT sisteminden elde edilen sensör verilerine ek olarak, matematiksel fonksiyonlarla üretilmiş çeşitli hata türlerini içermektedir. Elde edilen veri seti, farklı makine öğrenmesi algoritmaları ve derin öğrenme modeli kullanılarak, hiperparametre optimizasyonu ile gömülü sistem üzerinde sınıflandırılmıştır. Bu süreçte arıza sınıflarının doğru şekilde tespit edilmesi ve anomali durumlarının ayırt edilmesinde yüksek doğruluk elde edilmiştir. İkinci aşamada, tespit edilen hatalı veriler üzerine bulut ortamında veri tahmini modeli uygulanmış ve sistemin kesintisiz çalışmasına katkı sağlanmıştır. Bu tez çalışması IoT sistemlerinde sensör kaynaklı hataların tespiti ve giderilmesi konusunda yüksek başarım göstermiş, sistemin dinamik olarak devamlılığını sağlamak adına etkili bir çözüm sunmuştur.