About
Dr. Oguz BEKTAS builds data-driven methods for understanding the health of machines from sensor data. His work is centred on predictive maintenance: turning vibration, operational, and time-series signals into practical evidence for fault detection, degradation tracking, and maintenance planning.
He is especially interested in models that engineers can inspect and trust. Rather than treating machine learning as a black box, his work combines signal processing, feature engineering, and explainable AI to show which patterns, sensors, and operating conditions contribute to a diagnostic or prognostic result.
Core theme: making industrial AI useful, interpretable, and connected to real maintenance decisions.
Hakkında
Doç. Dr. Oğuz Bektaş, sensör verilerinden makinelerin sağlık durumunu anlamaya yönelik veri odaklı yöntemler geliştirmektedir. Çalışmaları özellikle kestirimci bakım alanına odaklanır: titreşim, operasyonel ve zaman serisi verilerini arıza tespiti, bozulma takibi ve bakım planlama için kullanılabilir kanıtlara dönüştürür.
Özellikle mühendislerin inceleyebileceği ve güvenebileceği modellerle ilgilenmektedir. Makine öğrenmesini kara kutu olarak ele almak yerine; sinyal işleme, özellik çıkarımı ve açıklanabilir yapay zekâyı bir araya getirerek hangi örüntülerin, sensörlerin ve çalışma koşullarının tanı veya prognostik sonuçlara katkı verdiğini gösterir.
Temel amaç: endüstriyel yapay zekâyı kullanışlı, yorumlanabilir ve gerçek bakım kararlarıyla ilişkili hâle getirmek.
Warwick Connection
Dr. BEKTAS completed his PhD at the University of Warwick, where his academic training strengthened the engineering, modelling, and research foundations behind his later work in prognostics and health management.
This Warwick background remains an important part of his professional identity: it connects rigorous doctoral research with applied machine learning, industrial analytics, and long-term work on intelligent maintenance systems.
Warwick
Doç. Dr. Oğuz Bektaş doktora eğitimini University of Warwick’te tamamlamıştır. Bu akademik süreç, prognostik ve sağlık yönetimi alanındaki sonraki çalışmalarının mühendislik, modelleme ve araştırma temellerini güçlendirmiştir.
Warwick geçmişi, profesyonel kimliğinin önemli bir parçası olmaya devam etmektedir: titiz doktora araştırmasını uygulamalı makine öğrenmesi, endüstriyel analitik ve akıllı bakım sistemleri üzerine uzun vadeli çalışmalarla birleştirir.
Research Focus
- Predictive maintenance and prognostics and health management
- Vibration-based condition monitoring and fault diagnosis
- Machine learning for industrial time-series and sensor data
- Remaining useful life estimation and degradation modelling
- Explainable AI for engineering interpretation and decision support
- Digital twin concepts for industrial and aerospace maintenance applications
Araştırma Odağı
- Kestirimci bakım, prognostik ve sağlık yönetimi
- Titreşim tabanlı durum izleme ve arıza teşhisi
- Endüstriyel zaman serisi ve sensör verileri için makine öğrenmesi
- Kalan faydalı ömür tahmini ve bozulma modelleme
- Mühendislik yorumu ve karar destek için açıklanabilir yapay zekâ
- Endüstriyel ve havacılık bakım uygulamaları için dijital ikiz yaklaşımları
Technical Expertise
His technical work combines signal processing, feature engineering, machine learning, and explainable AI. Typical workflows include frequency-domain analysis, Welch power spectral density, envelope analysis, statistical feature extraction, Catch22 features, supervised classification, anomaly detection, SHAP-based model interpretation, PySpark, SQL, and scalable data-processing pipelines.
Teknik Uzmanlık
Teknik çalışmaları sinyal işleme, özellik mühendisliği, makine öğrenmesi ve açıklanabilir yapay zekâyı bir araya getirir. Tipik iş akışları arasında frekans alanı analizi, Welch güç spektral yoğunluğu, zarf analizi, istatistiksel özellik çıkarımı, Catch22 özellikleri, denetimli sınıflandırma, anomali tespiti, SHAP tabanlı model yorumu, PySpark, SQL ve ölçeklenebilir veri işleme hatları yer alır.