Maintenance operation is important for the process of industrial product and efficiency. Predictive maintenance is more effective than reactive one for reducing of costs in unexpected fault condition. Condition monitoring based predictive maintenance, which is based on measuring of some system parameters and data acquisition, is used to fault detection, diagnosis, and prognosis by extracting certain features from acquired data.In this thesis, the aim is to develop intelligent computing techniques for real-time and online condition monitoring and fault diagnosis. In accordance with this aim, theoretical methods are developed and theirs practical applications are implemented. Electrical machines, which are rigorously used in industrial systems and important components, are selected as an application problem in thesis scope. Intelligent computing techniques based real time methods are developed for fault detection, diagnosis, and prognosis in these machines.In method development stage covered the theoretical side of the thesis; artificial immune systems, support vector machines, artificial neural networks, and fuzzy logic are proposed for fault detection, diagnosis and prognosis. The parameters of the algorithms are adjusted by using particle swarm optimization, clonal selection, and genetic algorithm to improve the convergence speed and diagnosis performance of them. Signal processing based methods are developed for extracting distinctive features. Developed methods detect faults with a little data necessity and under different operation speeds.In the application stage of the thesis, signals are acquired from system by founding experimental setup. The proposed methods are performed as online and they are implemented on Altera Cyclone III FPGA card as real time. The developed methods are verified by experimental studies.As a result, developed techniques are supported by FUBAP and TUBITAK 1001 projects conducted in the thesis process. Studies are concluded by national and international level of academic publications.

Bakım işlemi endüstriyel ürün süreci ve verimlilik için önemlidir. Kestirimci bakım reaktif bakıma göre beklenmeyen arıza durumunda maliyetlerin azaltılması için daha etkilidir. Bazı sistem parametrelerinin ölçülmesi ile veri toplamaya dayanan durum izleme tabanlı kestirimci bakım, alınan verilerden belirli özellikleri çıkarıp arıza tespiti, teşhisi veya tahmini için kullanılır.Bu tezde, gerçek zamanlı ve çevrimiçi durum izleme ve arıza teşhisi için akıllı hesaplama tekniklerinin geliştirilmesi hedeflenmiştir. Bu amaç doğrultusunda teorik yöntemler geliştirilerek pratik uygulamaları gerçekleştirilmiştir. Endüstriyel sistemlerde çok yoğun kullanılan ve önemli bir bileşen olan elektrik makinaları tez kapsamında uygulama problemi olarak seçilmiş ve bu makinalarda arıza tespiti, teşhisi ve tahmini için akıllı hesaplama tekniklerine dayalı gerçek zamanlı yöntemler geliştirilmiştir.Tezin teorik yönünü kapsayan yöntem geliştirme aşamasında arıza tespit, teşhis ve tahmini için yapay bağışık sistemler, destek vektör makinalar, yapay sinir ağları ve bulanık mantık tabanlı algoritmalar önerilmiştir. Önerilen algoritmaların yakınsama hızları ve teşhis performanslarını arttırmak için algoritmaların parametreleri parçacık sürü optimizasyonu, klonal seçim ve genetik algoritma ile ayarlanmıştır. Ayırt edici özelliklerin çıkarılması için sinyal işleme tabanlı yöntemler geliştirilmiştir. Geliştirilen yöntemler farklı çalışma hızlarında ve az veri gereksinimi ile arızaları belirlemektedir.Tez çalışmasının uygulama aşamasında ise oluşturulan deney düzeneği ile sistemden sinyallerin alınması sağlanmıştır. Önerilen yöntemler çevrimiçi olarak gerçekleştirilmiş ve gerçek zamanlı olarak Altera Cyclone III FPGA kartı üzerinde uygulanmıştır. Geliştirilen yöntemler yapılan deneysel çalışmalar ile doğrulanmıştır.Sonuç olarak, bu tezde geliştirilen teknikler tez sürecinde yürütülen FÜBAP ve TUBİTAK 1001 araştırma projeleri ile desteklenmiştir. Yapılan çalışmalar ulusal ve uluslararası düzeyde bilimsel yayınlar ile sonuçlandırılmıştır.