Derin Öğrenme Tabanlı Otomatik Özellik Çıkarımı ile Geleneksel Anomali Tespit Yöntemlerinin Entegrasyonu

Servet Çitil

Derin Öğrenme Tabanlı Otomatik Özellik Çıkarımı ile Geleneksel Anomali Tespit Yöntemlerinin Entegrasyonu

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Sivas Cumhuriyet Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: Servet Çitil

Danışman: Emre Delibaş

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Çalışmanın amacı, yüksek boyutlu ve dengesiz endüstriyel sensör verilerinde sistemin normal çalışma davranışını temsil eden anlamlı özellik temsilleri öğrenmek ve bu sayede anomali tespit performansını artırmaktır. Bu kapsamda NASA C-MAPSS FD001 turbofan motor veri seti kullanılmıştır. Veri ön işleme aşamasında sensör verileri temizlenmiş ve standartlaştırılmış; etiketli anomali bilgisinin bulunmadığı veri yapısında autoencoder modeli kullanılarak normal sistem davranışı öğrenilmiştir. Model tarafından üretilen yeniden yapılandırma hatalarına dayalı olarak sözde etiketler oluşturulmuş ve değerlendirme sürecinde referans olarak kullanılmıştır. Autoencoder katmanından elde edilen gizil özellikler DBSCAN, LOF, IF, OC-SVM ve kNN algoritmalarına girdi olarak verilmiş; elde edilen sonuçlar ölçeklenmiş ham sensör verileri ile karşılaştırmalı olarak analiz edilmiştir. Deneysel sonuçların güvenilirliğini artırmak amacıyla modeller 10-katlı çapraz doğrulama yöntemi ile değerlendirilmiş ve farklı özellik uzaylarında elde edilen performans farklarının istatistiksel anlamlılığı Wilcoxon işaretli sıralar testi ile analiz edilmiştir. Deneysel bulgular, otomatik özellik çıkarımı ile öğrenilen gizil temsillerin geleneksel yöntemlerin anomali tespit performansını iyileştirdiğini göstermiştir. Ayrıca gizil özellik uzayı t-SNE yöntemi ile görselleştirilmiş, ayrıca SHAP tabanlı açıklanabilirlik analizleri ile model kararlarının yorumlanabilirliği incelenmiştir. Elde edilen sonuçlar, etiketli verinin sınırlı olduğu endüstriyel anomali tespit problemleri için otomatik özellik çıkarımına dayalı yaklaşımların etkili ve uygulanabilir bir çözüm sunduğunu göstermektedir.