Data reduction methods in just-in-time-learning
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: İngilizce
Öğrenci: ONUR CAN BOY
Danışman: BURAK ALAKENT
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Endüstriyel süreçler, çevresel mevzuatlar ve pazardaki rekabet koşullarının belirlediği standartları sağlamak amacıyla sürekli olarak izlenmektedirler. Sıcaklık, basınç, akış hızı gibi süreç değişkenleri mekanik sensörler yardımıyla kolaylıkla ölçülmektedir ve veri depolama teknolojilerinin hızla gelişmesi sayesinde büyük miktarda süreç verisi depolanabilmektedir. Bununla birlikte bir ürünün kalitesini, süreçlerin güvenliğini ya da kısıtlanmış bir kimyasal kompozisyonunu gösteren değişkenler de vardır ve bunlar kalite değişkeni olarak adlandırılırlar. Kalite değişkenleri detaylı laboratuvar analizleri gerektirdiği için süreç değişkenlerine nazaran çok daha az sıklıkta ölçülmektedirler. Bu nedenle kalite değişkenlerinin takibi süreç kontrolü ve izlenmesinde zayıf noktalardan biridir. Sanal sensör uygulamaları kalite değişkenlerini istatistiksel öğrenme metotları kullanarak tahmin etmenin en verimli yöntemidir. Geleneksel sanal sensörler çevrimdışı şekilde modellenip çevrimiçi tahminlemede kullanılırlar. Bu nedenle süreç farklı koşullara kaydıkça düzenli olarak bakım çalışmaları gerekmektedir. Anında öğrenim, yeni bir numune geldikçe lokal bir model oluşturan yeni koşullara adapte olabilme yeteneğine sahip bir yöntemdir. Bu yöntemde tahminleme yapıldıktan sonra model bir daha kullanılmamaktadır. Anında öğrenim, geleneksel yöntemlere göre daha verimli ve tahminleme beceresi daha yüksek sonuçlar ortaya koymaktadır. Bir sanal sensörün tahminleme kalitesi aynı zamanda veri tabanında depolanmış verilerin kalitesine de bağlıdır. Veri azaltma yöntemleri tahminleme kalitesini düşüren verileri elimine etmek ve daha anlamlı verileri depolamak için kullanılan yöntemlerdir. Bu tez çalışmasında, anında öğrenim modelleri Lasso regresyonu ve destek vektör regresyonu istatistiksel öğrenme metotları kullanılarak dört farklı veri setinde üç farklı veri azaltma metodu kullanılarak incelenmiştir. Sonuç olarak veri azaltma yöntemlerinin veriminin veri setinden veri setine değiştiği ve anında öğrenim kullanıldığında tahminleme kalitesinin daha az sayıda veri kullanılarak korunduğu gösterilmiştir. Bununla birlikte lineer olmayan modeller lineer modellere göre daha iyi sonuçlar göstermiştir.