Abstract:
ABSTRACT
This study represents a pioneering leap in predictive maintenance by harnessing the power of deep learning. Focused on the MetroPT dataset and its intricate APU (Air Production Unit) metrics from a train vehicle, the research meticulously processed and engineered features for binary and multi-class analysis. The centerpiece of this work is the groundbreaking CNN-LSTM algorithm, meticulously crafted to excel in both classification paradigms. The empirical findings are nothing short of exceptional: an impressive 92% accuracy for binary classification and an outstanding 99.5% accuracy for multi-class prediction. Beyond its immediate impact on predictive maintenance, this research serves as a beacon, showcasing the transformative potential of deep learning methodologies in fortifying the reliability and efficiency of critical infrastructure maintenance systems, marking a substantial stride in the fusion of artificial intelligence and industrial upkeep.
ÖZET
Bu çalışma, derin öğrenmenin gücünü kullanarak tahminsel bakım konusunda çığır açan bir adımı temsil ediyor. MetroPT veri kümesine odaklanan ve tren aracındaki karmaşık Hava Üretim Ünitesi (APU) ölçümlerini inceleyen araştırma, özellikleri ikili ve çoklu sınıflı analiz için özenle işlendi ve mühendislikle şekillendirmiştir. Bu çalışmanın odağında, her iki sınıflandırma paradigmasında da başarılı olacak şekilde özenle oluşturulmuş çığır açan CNN-LSTM algoritması bulunmaktadır. Deneysel bulgular sonucunda ikili sınıflandırma için %92 doğruluk ve çoklu sınıf tahminleri için %99.5 doğruluk elde edilmiştir. Bu araştırmanın tahminsel bakım üzerindeki doğrudan etkisinin ötesinde, bu çalışma, derin öğrenme metodolojilerinin kritik altyapı bakım sistemlerinin güvenilirliğini ve verimliliğini sağlamlaştırmada yapabileceği dönüştürücü potansiyeli sergileyen bir işaret olarak hizmet ediyor, yapay zeka ile endüstriyel bakımın birleşiminde önemli bir adımı temsil ediyor.
