Optimizing predictive maintenance strategies using data mining techniques
Veri madenciliği teknikleri kullanarak öngörücü bakım stratejilerini optimize etme
- Tez No: 1013631
- Danışmanlar: PROF. DR. MEHMET SAVSAR
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mühendislik Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, veri madenciliği teknikleriyle güçlendirilen öngörücü bakımın, makine arıza süresini önemli ölçüde nasıl azaltabileceğini araştırmaktadır. Araştırma, makine arızalarını tahmin etmek için denetlenen öğrenme algoritmalarından yararlanmaktadır. Derin Öğrenme, Gradient Boosted Trees ve SVM modelleri RapidMiner kullanılarak eğitilmiştir. Sonuçlar, Derin Öğrenmenin en yüksek tahmin doğruluğunu elde ettiğini göstermektedir.
Özet (Çeviri)
This study investigates how predictive maintenance, empowered by data mining techniques, can significantly reduce machine downtime and optimize maintenance schedules. The research leverages supervised learning algorithms to build models for forecasting machine failures. Models including Deep Learning, Gradient Boosted Trees, and SVM were trained using RapidMiner. Results indicate that Deep Learning achieved the highest predictive accuracy.
Benzer Tezler
- Ankara-Polatlı-Kabak köyü sulama pompaj tesisinin optimizasyonu
Optimizing of Ankara-Polatlı-Kabak villages watering pumping plant
İLKNUR GÖKNUR
- Proses modellendirme, optimizasyon ve kontrolün bir petrol rafineri ünitesine (FCC) uygulanması
Başlık çevirisi yok
HARUN TAŞKIN
- Determination of anion content of fogwater by ron chromatography and spectrophotometric methods
Başlık çevirisi yok
TARIK ERDAL
- Vücut sıvılarında atomik absorpsiyon spektrometresi ile iz element analizleri ve bazı uygulamaları
Başlık çevirisi yok
MÜŞERREF ATLI
