3 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 3 / 3
Öğe Enerji iletim Hatlarında oluşan arızaların aşırı öğrenme makinesi ile tespiti(IEEE, 2013-06-13) Ertuğrul, Ömer Faruk; Tağluk, Mehmet EminWith the increase of energy demand continuous energy transmission gained considerable attention. For a continuous energy transmission, the faulty power transmission line needs to be quickly isolated from the system. In this study, Extreme Learning Machine (ELM) possessing fast learning and high generalization capacity was used for this purpose and it was found as showing a good performance in detecting the faulty transmission line. In the study real fault signals recorded from transmission lines were used. A feature vector was formed from a cycle of the energy signal using relative entropy and classified via ELM. The obtained results were compared with the ones obtained through SVM, YSA, NB, J48 and PART learning techniques and the ones obtained in the previous studies. According the obtained results ELM both in terms of speed and performance was found superior.Öğe An efficient noisy pixels detection model for CT images using extreme learning machines(Sveuciliste Josipa Jurja Strossmayera u Osijeku, 2018-06) Çalışkan, Abidin; Çevik, UlusIn this study, a new and rapid hidden resource decomposition method has been proposed to determine noisy pixels by adopting the extreme learning machines (ELM) method. The goal of this method is not only to determine noisy pixels, but also to protect critical structural information that can be used for disease diagnosis. In order to facilitate the diagnosis and also the treatment of patients in medicine, two-dimensional (2-D) images were calculated tomography (CT) which is obtained using medical imaging techniques. Utilizing a large number of CT images, promising results have been obtained from these experiments. The proposed method has shown a significant improvement on mean squared error and peak signal-to-noise ratio. The experimental results indicate that the proposed method is statistically efficient, and it has a good performance with a high learning speed. In the experiments, the results demonstrated that remarkable successive rates were obtained through the ELM method.Öğe Yapay zekâ tekniklerini kullanarak rulmanlarda arıza ve kalan faydalı ömür tahmini(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2025-03-05) Akcan, Eyyüp; Kaya, YılmazBu tez, endüstriyel makinelerin kritik bileşenlerinden biri olan rulmanların arıza teşhisi ve ömrü tahmini konularında yenilikçi yaklaşımlar sunmaktadır. Rulmanların arızalanması, makine performansında ciddi kayıplara ve yüksek ekonomik maliyetlere yol açabileceği için, bu alandaki erken teşhis ve ömür tahmin çalışmaları büyük bir önem taşımaktadır. Çalışmada, rulman arızalarının teşhisi için lazer ışını kullanarak yapay hatalar oluşturulmuş ve bu hatalar farklı hız ve yük koşullarında detaylı titreşim analiziyle incelenmiştir. Entropi tabanlı 18 farklı yöntemle öznitelikler çıkarılmış ve söz konusu öznitelikler Ekstrem Öğrenme Makinesi (ELM) modeli ile sınıflandırılmıştır. Özellikle Fuzzy Entropi ve Slope Entropi yöntemleri, sırasıyla %98.48 ve %100 doğruluk oranlarıyla yüksek performans sergilemiştir. Önerilen yöntem, literatürdeki diğer modern yaklaşımlarla karşılaştırıldığında üstünlük göstermiştir. Çalışmanın bir diğer önemli kısmı, MM-1D-LBP yöntemi ile öznitelik çıkarımı ve 1D-CNN-LSTM tabanlı hibrit bir model kullanılarak rulman arızalarının tahmin edilmesidir. Bu yöntemle %99.31 ile %99.65 doğruluk oranları elde edilmiştir. Literatürde sıklıkla kullanılan GRU ve LSTM tabanlı modellerle kıyaslandığında, önerilen yaklaşım daha yüksek doğruluk sunmuş ve özellikle karmaşık arıza tiplerinin sınıflandırılmasında başarılı olmuştur. Rulman ömrü tahmini kapsamında, 1D-TP ve LSTM modellerinin birleştirildiği bir yöntem geliştirilmiş ve bu yöntem, Pronostia platformundaki veri setleri üzerinde test edilmiştir. Titreşim sinyallerine dayalı olarak yapılan analizlerde, Bearing3_3 senaryosunda RMSE=0.0470 ve Score=0.6360 gibi düşük hata ve yüksek performans değerleri elde edilmiştir. Önerilen model, literatürdeki diğer yöntemlere kıyasla daha düşük hata oranları ile öne çıkmaktadır. Örneğin, Bi-LSTM (RMSE=0.2300) ve Relief-SVM (RMSE=0.2500) gibi yöntemlere kıyasla, önerilen 1D-TP+LSTM modelinin RMSE değeri 0.2074 olarak kaydedilmiş ve daha iyi bir tahmin doğruluğu sağlanmıştır. Sonuç olarak, bu çalışma, entropi tabanlı ELM ve 1D-TP+LSTM gibi yenilikçi yöntemlerle hem arıza teşhisi hem de ömür tahmini alanlarında önemli katkılar sunmaktadır. Geliştirilen modeller, endüstriyel bakım süreçlerinde daha hızlı, güvenilir ve düşük maliyetli çözümler sağlamaktadır. Çalışma bulguları hem akademik literatüre hem de endüstriyel uygulamalara değerli bir referans oluşturmaktadır. Gelecekte, farklı veri setleri ve çalışma koşullarında modelin genelleme kapasitesinin artırılması ve entropi yöntemlerinin çeşitlendirilmesi, önerilen yaklaşımların etkinliğini daha da artırabilir.
