Please use this identifier to cite or link to this item: http://hdl.handle.net/11452/31265
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorKırcı, Pınar-
dc.contributor.authorÇeltikoğlu, Mert-
dc.date.accessioned2023-03-01T08:36:59Z-
dc.date.available2023-03-01T08:36:59Z-
dc.date.issued2023-02-22-
dc.identifier.citationÇeltikoğlu, M. (2023). NASA rulman verisetiyle gelişmiş derin transfer öğrenme yöntemleri kullanarak rulman hatalarının etkin tespiti. Yayınlanmamış yüksek lisans tezi. Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü.tr_TR
dc.identifier.urihttp://hdl.handle.net/11452/31265-
dc.description.abstractEndüstri alanında firmalar üretim faaliyetlerini gösterirken birçok makine kullanmaktadır. Bu makinelerin devamlılığının sağlanması ve oluşabilecek hata durumlarının doğru ve zamanında teşhis edilmesi firmalar açısından hayati önem taşımaktadır. Bu nedenle makine rulmanlarına belirli periyotlarda veya ihtiyaç dahilinde bakım yapılmalıdır. Bu çalışmada, rulmanlarda oluşabilecek bozulmaların son yıllarda dikkat çeken sinir ağları teknikleri ile önceden tespiti üzerine bir analiz ve yaklaşım sunulmuştur. Bu noktada NASA Rulman Veriseti içerisinde bulunan rulman titreşim sinyalleri analiz edilirken, transfer öğrenme, derin öğrenme ve zaman-frekans dönüşümleri gibi teknolojileri içinde kullanan Evrişimli Sinir Ağları (ESA) kurulan sistemi doğrulamak için kullanılmıştır. NASA rulman veri seti içerisinde normal durum, dış bilezik yuvarlanma yolu hasarı, iç bilezik yuvarlanma yolu hasarı ve bilye hasarı durumlarına ait titreşim sinyalleri mevcuttur. Bu titreşim sinyalleri 2-Boyutlu dönüşüm ile görüntü haline getirilmektedir. 2-Boyutlu görüntüler içerisinden rulman arızalarını sınıflandırmak için AlexNet, GoogLeNet ve ResNet-50 evrişimli sinir ağları yöntemleri kullanılmıştır. Evrişimli sinir ağlarının performansının iyileştirilmesi için ise 2-boyutlu görüntüler zaman-frekans dönüşümleri uygulanmıştır. Kurulan yapı ile elde edilen sonuçlarla eski çalışmalar karşılaştırıldığında sınıflandırma konusunda önerilen yöntemin ResNet-50 evrişimli sinir ağı modeliyle %99,46 seviyesinde doğruluk oranının olduğu gözlemlenmiştir.tr_TR
dc.description.abstractIndustrial companies use many machines during production activities. It is crucial to diagnose failures on occur time for sustainability of the machines. For this reason, periodical maintenance of machine bearings is needed. In this study, an analysis and approach is presented on the pre-detection of the defects that may occur in bearings by using neural network techniques that takes attention in recent years. All stages in Convolutional Neural Networks such as transfer learning, deep learning and time-frequency transformations were applied on the NASA bearing dataset in order to analyze vibration data. The NASA bearing dataset contains vibration signals for normal state, outer ring raceway damage, inner ring raceway damage and ball damage states. These vibration signals are converted to images by 2D transformation. AlexNet, GoogLeNet and RestNet-50 Convolutional Neural Network methods were used to distinguish and classify bearing failures from 2D images. In order to improve the performance of Convolutional Neural Networks, time-frequency transformations of 2D images are applied. When the results obtained with the established structure are compared with the previous studies, it was observed that there was a 99.46% validation accuracy by using ResNet-50.en_US
dc.format.extentVIII, 73 sayfatr_TR
dc.language.isotrtr_TR
dc.publisherBursa Uludağ Üniversitesitr_TR
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rightsAtıf 4.0 Uluslararasıtr_TR
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectTransfer öğrenmetr_TR
dc.subjectDerin öğrenmetr_TR
dc.subjectÖnleyici bakımtr_TR
dc.subjectGoogLeNettr_TR
dc.subjectAlexNettr_TR
dc.subjectResNet-50tr_TR
dc.subjectEvrişimli sinir ağlarıtr_TR
dc.subjectRulman arıza tespititr_TR
dc.subjectZaman-frekans dönüşümütr_TR
dc.subjectNASA rulman veri setitr_TR
dc.subjectTransfer learningen_US
dc.subjectDeep learningen_US
dc.subjectPredictive maintenanceen_US
dc.subjectConvolutional neural networksen_US
dc.subjectBearing fault diagnosticsen_US
dc.subjectTime-frequency transformationen_US
dc.subjectNASA bearien_US
dc.titleNASA rulman verisetiyle gelişmiş derin transfer öğrenme yöntemleri kullanarak rulman hatalarının etkin tespititr_TR
dc.title.alternativeEffective detection of bearing errors using advanced deep transfer learning methods with NASA bearing dataseten_US
dc.typemasterThesisen_US
dc.relation.publicationcategoryTeztr_TR
dc.contributor.departmentBursa Uludağ Üniversitesi/Fen Bilimleri Enstitüsü/Bilgisayar Mühendisliği Anabilim Dalı.tr_TR
dc.contributor.orcid0000-0003-0509-9815tr_TR
Appears in Collections:Fen Bilimleri Yüksek Lisans Tezleri / Master Degree

Files in This Item:
File Description SizeFormat 
Mert_Çeltikoğlu.pdf3.25 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons