PREDICTIVE MAINTENANCE ON MANUFACTURING LINES USING EDGE-BASED MACHINE LEARNING OPERATIONS

A tétel rövid nézete
dc.contributor.advisorDeák, Krisztián
dc.contributor.authorSiddiqui, Adeel Kamal
dc.contributor.departmentDE--Műszaki Kar
dc.date.accessioned2026-06-02T12:11:02Z
dc.date.available2026-06-02T12:11:02Z
dc.date.created2026-05-05
dc.description.abstractThis thesis presents an edge-based predictive maintenance system for bearing fault diagnosis using vibration analysis and deep learning. The work focuses on the CWRU bearing dataset, where time-domain vibration signals are converted into cepstrum features and classified with a 1D-CNN into four conditions: Normal, Ball, Inner Race, and Outer Race. The model is then deployed in a Dockerized edge–cloud architecture using FastAPI, a sensor simulator, and an interactive Dash dashboard for real-time monitoring
dc.description.courseMechanical Engineeringen
dc.description.degreeMSc/MA
dc.format.extent71
dc.identifier.urihttps://hdl.handle.net/2437/407693
dc.language.isoen
dc.rights.infoHozzáférhető a 2022 decemberi felsőoktatási törvénymódosítás értelmében.
dc.subjectpredictive maintanance
dc.subjectMachine Faults detection
dc.subjectDeep learning
dc.subjectAI
dc.subject.dspaceEngineering Sciences
dc.titlePREDICTIVE MAINTENANCE ON MANUFACTURING LINES USING EDGE-BASED MACHINE LEARNING OPERATIONS
Fájlok
Eredeti köteg (ORIGINAL bundle)
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
Thesis 2- DEA.pdf
Méret:
2.61 MB
Formátum:
Adobe Portable Document Format
Leírás:
Megjelenítés
Engedélyek köteg
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
license.txt
Méret:
1.69 KB
Formátum:
Item-specific license agreed upon to submission
Leírás:
Letöltés
Gyűjtemények
Theses (Department of Mechanical Engineering)