Browsing by Author "Korcuklu, Burak"
Now showing 1 - 2 of 2
- Results Per Page
- Sort Options
Item Derin öğrenme tabanlı konuşma tanıma sistem tasarımı(Bursa Uludağ Üniversitesi, 2021) Korcuklu, Burak; Dirik, Ahmet Emir; Bursa Uludağ Üniversitesi/Fen Bilimleri Enstitüsü/Bilgisayar Mühendisliği Anabilim Dalı.; 0000-0002-9820-4444Doğal dil işleme, bilgisayarların, doğal yazı veya konuşma dilini nasıl anlayabileceğini ve manipüle edebileceğini çözümleyen araştırmalardan ve uygulamalardan oluşmaktadır. Konuşma işleme ise konuşma sinyalleri ve sinyal işleme yöntemlerini barındıran doğal dil işlemenin bir alt alanıdır. Konuşma sinyalleri çoğunlukla dijital gösterimleri üzerinden işlenerek farklı yöntemler ile yazı diline çevrilmektedir. Genellikle eğitim ve test aşamalarından oluşan bu süreç, eldeki etiketli veriler kullanılarak modeli eğitmek ve farklı etiketli veriler ile eğitilen modelin tutarlılığının ölçülmesini kapsamaktadır. Tarih boyunca birçok araştırmacı konuşulan dili yazıya dönüştürmek için farklı yaklaşımlar ve yöntemler geliştirmişlerdir. Günümüzde özel firmaların geliştirdikleri çevrimiçi konuşma tanıma modelleri birçok çalışma alanında kullanılmaktadır. Geliştirilen bu modeller Saklı Markov Modeli (HMM), yapay sinir ağları, gürültü temizlemek için kullanılan algoritmalar, derin öğrenme algoritmaları ve fonem sözlüklerinin bir arada kullanılmasıyla gerçekleştirilmektedir. Bu modellerin kullanımı akıllı ev sistemleri, otomotiv, askeriye, sağlık gibi çeşitli alanlarda gün geçtikçe artmaktadır. Kullanılan modellerin çoğunlukla çevrimiçi çalışması, kullanıcı tarafından yeni geliştirmelere izin vermemesi ve yetersiz dil desteği sebebiyle hala geliştirilmesi gereken birçok yanı bulunmaktadır. Bu tezde iki farklı doğal dilden yazıya dönüşüm modeli oluşturulmuştur. İlk model geleneksel yöntemlere alternatif olarak geliştiricinin işlem yükü ve karmaşıklığı daha az olan uçtan uca derin öğrenme yöntemi ile; ikincisi ise geleneksel yöntemlerle ön işlemeli bir süreç izlenerek gerçekleştirilmiştir. Bu modellerin konuşmacı bağımlılığı, veri seti boyutu, eğitim süresi gibi farklı koşullardaki başarıları saptanmaya çalışılmıştır. Ayrıca her iki modelin eğitim ve test aşamaları için gerekli veri setini oluşturmak amacıyla kullanıcılardan etiketli veri toplanabilecek ağ tabanlı bir yazılım geliştirilmiştir.Publication Fault diagnosis with deep learning for standard and asymmetric involute spur gears(Amer Soc Mechanical Engineers, 2021-01-01) Yuce, Celalettin; Dogan, Oguz; Karpat, Fatih; Dirik, Ahmet Emir; KARPAT, FATİH; DİRİK, AHMET EMİR; Kalay, Onur Can; Korcuklu, Burak; KORCUKLU, BURAK; Bursa Uludağ Üniversitesi/Mühendislik Fakültesi; 0000-0001-8474-7328; 0000-0002-6200-1717; 0000-0001-8643-6910; 0000-0003-1387-907X; A-5259-2018; R-3733-2017Gears are critical power transmission elements used in various industries. However, varying working speeds and sudden load changes may cause root cracks, pitting, or missing tooth failures. The asymmetric tooth profile offers higher load-carrying capacity, long life, and the ability to lessen vibration than the standard (symmefric) profile spur gears. Gearbox faults that cannot be detected early may lead the entire system to stop or serious damage to the machine. In this regard, Deep Learning (DL) algorithms have started to be utilized for gear early fault diagnosis. This study aims to determine the root crack for both symmefric and asymmefric involute spur gears with a DL-based approach. To this end, single tooth stiffness of the gears was obtained with ANSYS software for healthy and cracked gears (50-100%), and then the time-varying mesh stiffness (TVMS) was calculated. A six-degrees-of-freedom dynamic model was developed by deriving the equations of motion of a single-stage spur gear mechanism. The vibration responses were collected for the healthy state, 50% and 100% crack degrees for both symmefric and asymmefric tooth profiles. Furthermore, the white Gaussian noise was added to the vibration data to complicate the early crack diagnosis task. The main contribution of this paper is that it adapts the DL-based approaches used for early fault diagnosis in standard profile involute spur gears to the asymmefric tooth concept for the first time. The proposed method can eliminate the need for large amounts of training data from costly physical experiments. Therefore, maintenance strategies can be improved by early crack detection.