Yapay zekaya dayalı kestirimci bakım: arıza öngörüsü, kalan faydalı ömür analizi ve dinamik bakım zamanlaması
Predictive maintenance based on artificial intelligence: fault prediction, remaining useful life analysis, and dynamic maintenance scheduling
- Tez No: 1009715
- Danışmanlar: PROF. DR. HÜSEYİN POLAT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüz üretim tesislerinde Endüstri 4.0 ile beraber sensör teknolojilerindeki gelişmeler ve sürekli veri akışının sağlanmasıyla birlikte elde edilen veriler, bakım süreçlerinin daha doğru ve proaktif yönetilmesine imkân vermektedir. Bu kapsamda, üretim süreçlerinden elde edilen büyük hacimli verilerin anlamlandırılması ve karar destek mekanizmalarına entegre edilmesi kritik bir gereklilik hâline gelmiştir. Bu çalışmada, yapay zekâ tabanlı kestirimci bakım yaklaşımı kapsamında arızaların önceden tahmin edilmesi, ekipmanın kalan faydalı ömrünün kestirilmesi ve bu iki çıktıya dayalı dinamik bakım zamanlamasının oluşturulması hedeflenmiştir. Çalışmanın arıza öngörüsü bölümünde UCI AI4I 2020 veri seti kullanılmış; veriler üzerinde etiketleme, gereksiz değişkenlerin çıkarımı, ölçekleme ve özellik mühendisliği gibi ön işlemler uygulanmıştır. Ayrıca arıza sınıflarındaki dengesiz dağılımın modele etkisini azaltmak için SMOTE yöntemiyle veri dengelenmiş ve farklı makine öğrenmesi algoritmalarının performansları karşılaştırmalı olarak değerlendirilmiştir. KFÖ tahmini bölümünde ise NASA CMAPSS FD001 turbofan motor verisi kullanılarak sensör verileri seçilmiş, KFÖ etiketleri oluşturulmuş, normalizasyon ve pencereleme adımlarının ardından CNN ve CNN + LSTM gibi derin öğrenme modelleriyle arızaya kalan süre tahmin edilmiştir. Elde edilen arıza olasılığı ve kalan faydalı ömür çıktıları, bakım kararlarının doğru zamanda verilmesini destekleyecek şekilde ele alınmış; böylece plansız duruşların azaltılması, bakım maliyetlerinin düşürülmesi ve üretim sürekliliğinin artırılmasına yönelik bütüncül bir çerçeve sunulmuştur.
Özet (Çeviri)
In today's production facilities, with Industry 4.0, advancements in sensor technologies and the continuous flow of data enable more accurate and proactive management of maintenance processes. In this context, interpreting the large volumes of data obtained from production processes and integrating them into decision support mechanisms has become a critical requirement. This study aims to predict failures in advance, estimate the remaining useful life of equipment, and create dynamic maintenance scheduling based on these two outputs within the scope of an artificial intelligence-based predictive maintenance approach. The UCI AI4I 2020 dataset was used in the fault prediction section of the study; preprocessing steps such as labeling, removal of redundant variables, scaling, and feature engineering were applied to the data. Furthermore, to reduce the effect of the imbalanced distribution in the fault classes on the model, the data was balanced using the SMOTE method, and the performances of different machine learning algorithms were evaluated comparatively. In the RUL prediction section, sensor data was selected using NASA CMAPSS FD001 turbofan engine data, RUL labels were created, and the remaining time to failure was predicted using deep learning models such as CNN and CNN+LSTM after normalization and windowing steps. The obtained failure probability and mean time to failure outputs were handled in a way that supports maintenance decisions being made at the right time; thus, a comprehensive framework was presented to reduce unplanned downtime, lower maintenance costs, and increase production continuity.
Benzer Tezler
- Stok Yönetimi Operasyonlarında Görsel Analitik Odaklı Bir Karar Destek Sistemi
A visual analytics oriented decision support system for inventory management operations
FADEN TURGUT ARABACI
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiEskişehir Osmangazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. MUZAFFER KAPANOĞLU
- Application of hybrid simulation and improvement of decision tree algorithms for real-time transient stability prediction based on PMU measurements
PMU ölçümlerine dayalı gerçek zamanda geçici hal kararlılığı kestirimi için hibrit simülasyon uygulaması ve karar ağacı algoritmalarının geliştirilmesi
TOHID BEHDADNIA
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- İnsansız hava araçları ile RSSI temelli derin pekiştirmeli öğrenme yöntemi ile kablosuz sinyal kaynağı lokasyonunun belirlenmesi
Localization of wireless signal sources using RSSI-based deep reinforcement learning on unmanned aerial vehicles
EŞREF ŞAMİL ZAMANOĞLU
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma TeknolojileriSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FURKAN KAMANLI
- A statistical framework for false-fix elimination in tercom using real flight test data
Gerçek uçuş test verilerini kullanarak tercom'da yanlış konum kestirimlerinin istatistiksel bir çerçeve ile elenmesi
İBRAHİM ENES USLU
Yüksek Lisans
İngilizce
2026
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET NURİ AKINCI
- Car price prediction model for the Uzbek market
Özbekistan pazarı için otomobil fiyatı tahmin modeli
NURBEK JURAEV
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. NURİ BİNGÖL