Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Recep Tayyip Erdoğan Üniversitesi, Lisansüstü Eğitim Enstitüsü, Makine Mühendisliği (Yl), Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: ÖZKAN AK
Danışman: Erkan Caner Özkat
Özet:
Hidrolik sistemler, endüstriyel tesislerde yaygın olarak kullanılan ve arızaları ciddi üretim kayıplarına yol açabilen kritik makine sistemleridir. Bu nedenle, hidrolik sistemlerde arızaların erken aşamada tespit edilmesi, kestirimci bakım uygulamaları açısından büyük önem taşımaktadır. Bu tez çalışmasında, hidrolik bir test sistemine ait zaman serisi verileri kullanılarak, derin öğrenme tabanlı bir arıza tespit yöntemi geliştirilmiştir.
Bu tez çalışmasında, herhangi bir yeni deneysel ölçüm yapılmamış, literatürde paylaşılan mevcut bir veri seti kullanılmıştır. Geliştirilen model kapsamında öncelikle normalize edilen çoklu sensör zaman serileri sabit uzunluklu pencereler kullanılarak segmentlere ayrılmıştır. Elde edilen segmentler, Sürekli Dalgacık Dönüşümü ile zaman–frekans alanına dönüştürülerek skalogram temsilleri hâline getirilmiştir. Bu temsiller üzerinden Konvolüsyonel Sinir Ağları kullanılarak ayırt edici zaman–frekans özellikleri otomatik olarak öğrenilmiş; ardışık segmentlerden elde edilen bu derin özellikler ise Uzun Kısa Süreli Bellek ağı ile otomatik olarak öğrenilen zaman–frekans özelliklerinin zamana göre değişimi modellenmiştir.
Model performansı, karışıklık matrisi, doğruluk, kesinlik, duyarlılık ve F1-skoru metrikleri kullanılarak değerlendirilmiştir. Test veri kümesi üzerinde yapılan değerlendirmelerde model, yaklaşık %89 doğruluk skoru elde etmiştir. Sınıf bazlı performans incelendiğinde, eğitim veri kümesi üzerinde model, normal çalışma sınıfı için kesinlik 0,936, duyarlılık 0,922 ve F1-skoru 0,929; hafif arıza sınıfı için kesinlik 0,605, duyarlılık 0,654 ve F1-skoru 0,628; şiddetli arıza sınıfı için ise kesinlik 0,841, duyarlılık 0,810 ve F1-skoru 0,825 değerlerini sağlamıştır. Test veri kümesi üzerinde elde edilen sonuçlara göre normal çalışma sınıfı için kesinlik 0,959, duyarlılık 0,941 ve F1-skoru 0,950; hafif arıza sınıfı için kesinlik 0,721, duyarlılık 0,779 ve F1-skoru 0,749; şiddetli arıza sınıfı için ise kesinlik 0,898, duyarlılık 0,874 ve F1-skoru 0,886 olarak hesaplanmıştır.
Sonuç olarak, bu tez çalışmasında geliştirilen derin öğrenme tabanlı yaklaşımın, hidrolik sistemlerde arıza tespitine yönelik kestirimci bakım uygulamalarında etkin biçimde kullanılabileceği değerlendirilmiştir. Özellikle önerilen modelin kritik arızaları; hafif iç kaçak durumlarını ayırt etmede yüksek doğruluk ve kararlılık sunduğunu göstermiştir.