Joint autoencoder-based predictive maintenance methods for industrial machinery

Abstract

Bu tezde, endüstriyel sistemlerde hata sınıflandırmasını ve kalan faydalı ömür (KFÖ) kestirimini içeren kestirimci bakım yöntemleri, derin öğrenme modellerine odaklanarak araştırılmaktadır. Tezin amacı hata sınıflandırmasını, KFÖ tahminini içeren ve çalışma koşullarını entegre eden bir derin öğrenme çerçevesi oluşturmayı içerir. Sınırlı etiketli verileri ele alan tez, eğitim öncesinde kullanılmak üzere veri etiketleme için bir hata tespit algoritması sunar. Metodoloji, otokodlayıcı tabanlı bir mimari kullanır ve arıza tespiti ve KFÖ kestirimine dikkate değer bir etkinlik gösterir ve kestirimci bakımda önemli ilerlemelere yol açar. Dikkate değer bir katkı, endüstriyel makinelerde veri etiketleme zorluklarının üstesinden gelen ve kestirimci bakımı geliştiren yenilikçi hata algılama tabanlı KFÖ etiketlemesidir. Derin öğrenme genellikle, endüstriyel uygulamalarda kıt olabilen, önemli miktarda etiketlenmiş veri gerektirir. Önerilen hata tespit algoritması, hassas veri etiketlemede önemli bir rol oynayarak, gerçek dünyadaki endüstriyel ortamlarda derin öğrenme modellerinin etkili bir şekilde uygulanmasını sağlar. Sonuç olarak, bu araştırma, arıza tespiti ve KFÖ kestirimi için etkili bir derin öğrenme çerçevesi sunarak kestirimci bakıma büyük ölçüde katkıda bulunur. Elde edilen sonuçlar, çerçevenin çeşitli sistemlerde KFÖ'ü doğru bir şekilde tahmin etme potansiyeli gösterir. Hazırlanan yeni veri seti, endüstriyel sistemlerde sağlık indeksi oluşturma, arıza tanımlama, kalan faydalı ömür kestirimi ve arıza tespiti konularda gelecekteki araştırmaları desteklemektedir.This thesis explores predictive maintenance in industrial systems using deep learning, focusing on fault classification and remaining useful life (RUL) prediction. The objectives include creating a deep learning framework that includes fault classification, RUL prediction, and integrates operating conditions for accurate real-world representation. Addressing limited labeled data, the thesis designs a fault detection algorithm for precise labeling during training. The methodology employs an autoencoder-based architecture, showing remarkable efficacy in fault detection and RUL prediction, leading to significant advancements in predictive maintenance. Another notable contribution is the innovative fault detection-based RUL labeling, overcoming data labeling challenges and enhancing predictive maintenance in industrial machinery. Deep learning often requires substantial labeled data, which can be scarce in industrial applications. The proposed fault detection algorithm plays a pivotal role in precise data labeling, enabling effective deployment of deep learning models in real-world industrial settings. Overall, this research offers an effective deep learning framework for fault detection and RUL prediction, contributing substantially to predictive maintenance literature. Demonstrated results underscore the framework's potential to predict RUL accurately across diverse systems. A new dataset supports future research in health index generation, fault identification, remaining useful life prediction, and failure prognosis in industrial systems.