Erdemgil, Doruk

Profile Picture
Profile URL
https://gcris.yasar.edu.tr/handle/123456789/12593
Name Variants
Job Title
Araş.Gör.
Email Address
Main Affiliation
01.01.09.02. Elektrik- Elektronik Mühendisliği
Status
Current Staff
Website
ORCID ID
0009-0000-7640-6689
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
Files
doruk.erdemgil.jpg (8.49 KB)

Sustainable Development Goals

SDG data is not available
This researcher does not have a Scopus ID.
This researcher does not have a WoS ID.
Scholarly Output

1

Articles

0

Views / Downloads

0/0

Supervised MSc Theses

1

Supervised PhD Theses

0

WoS Citation Count

0

Scopus Citation Count

0

Patents

0

Projects

0

WoS Citations per Publication

0.00

Scopus Citations per Publication

0.00

Open Access Source

0

Supervised Theses

1

Journals data is not available

Scopus Quartile Distribution

Quartile distribution chart data is not available

Competency Cloud

GCRIS Competency Cloud

Filters

20241
Reset filters

Settings

Scholarly Output Search Results

Now showing 1 - 1 of 1
  • Thumbnail Image
    Master Thesis
    Düşük güçlü mikro denetliyicide evrişimsel sinir ağları kullanarak makine durum tespiti
    (2024) Erdemgil, Doruk; Gündüzalp, Mustafa
    Günümüzde, Endüstriyel Nesnelerin İnterneti'nin (IIoT) yaygın olarak benimsenmesiyle birlikte kestirimci bakım (PdM) uygulamaları giderek daha fazla önem kazanmaktadır. PdM, endüstriyel ekipmanların durumlarını değerlendirmede ve arızaları önlemede kritik bir rol oynamaktadır. Ayrıca, Yapay Zeka (AI) algoritmalarının tanıtılmasıyla, PdM uygulamalarında erken tespit yeteneklerini artırmak için AI uygulanmıştır. Geleneksel olarak, endüstriyel çevre birimlerinde potansiyel hataları belirlemek için kullanılan uygulamalar, yüksek enerji tüketen bilgisayar sistemlerinde gerçekleştirilmekteydi. Ayrıca, bu sistemler genellikle sunucu tarafı işleme veya veri aktarımına dayanmakta olup, bu da önemli miktarda enerji gerektirmektedir. Ancak, Tiny Machine Learning (TinyML) algoritmalarının ve MAX78000 MCU gibi nöral ağ hızlandırıcılarıyla donatılmış mikroişlemci ünitelerinin (MCU) tanıtılmasıyla, bu uygulamalar artık düşük enerji tüketen MCU'larda uygulanabilmekte ve bu da önemli enerji ve maliyet tasarrufları sağlamaktadır. Bu tezde, ham makine sesini girdi olarak kullanan ve parmak freze kesici bıçaklarının seslerini aşınma oranlarına göre dört sınıfa ayıran (yeni, orta, kırık ve temel) bir Evrişimsel Sinir Ağları (CNN) modeli uygulanmıştır. Bu çalışma, farklı parametrelerle 1-boyutlu (1D) ve 2-boyutlu (2D) CNN modellerini karşılaştırmaktadır. 1D CNN yaklaşımının, top-1 doğruluğu açısından 2D CNN yaklaşımından %9 daha başarılı olduğunu gösterilmektedir. 1D yaklaşımının sınıfları tespit etmede %93 doğruluğa sahip olduğu ve düşük güç tüketen MCU'nun ortalama 12.88 mW güç çektiği bulunmuştur.