Makine öğrenmesi yöntemleri ile ön görücü bakım modeli geliştirilmesi
Development of a predictive maintenance model using machine learning methods
- Tez No: 1016933
- Danışmanlar: DOÇ. DR. HAKAN GÜNDÜZ
- 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: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, ön görücü bakım uygulamalarında sıklıkla karşılaşılan sınıf dengesizliği, zaman serisi verilerinin etkin şekilde işlenmesi ve model kararlılığının sağlanması gibi temel problemlere odaklanmaktadır. Araştırmada, Microsoft Azure platformu tarafından sağlanan gerçek endüstriyel sensör verileri kullanılarak, farklı makine öğrenmesi yaklaşımlarının arıza tahmin performansları karşılaştırmalı olarak incelenmiştir. Çalışma kapsamında XGBoost, CatBoost, LightGBM, Gradient Boosting ve AdaBoost olmak üzere beş farklı boosting tabanlı algoritma değerlendirilmiştir. Zaman serisi verilerinin yapısal özelliklerinden yararlanmak amacıyla hareketli ortalama, üstel ağırlıklı ortalama ve fark tabanlı istatistiksel öznitelikler gibi gelişmiş özellik çıkarım teknikleri uygulanmıştır. Ayrıca, ön görücü bakım problemlerinde yaygın olarak görülen sınıf dengesizliği sorununu azaltmak amacıyla Random Under Sampling (RUS), SMOTE, SMOTEN ve ADASYN gibi örnekleme yöntemleri kullanılarak modellerin performansı analiz edilmiştir. Elde edilen sonuçlar, RUS yönteminin veri kaybına bağlı olarak bazı performans metriklerinde düşüşe neden olduğunu, buna karşılık sentetik örnekleme yöntemlerinin özellikle duyarlılık ve F1-skoru açısından belirgin iyileşmeler sağladığını göstermektedir. Modeller, 48 saatlik geçmiş veriler kullanılarak 3, 5, 12 ve 24 saatlik zaman pencerelerinde eğitilmiş; 1 ve 3 saat sonraki arıza durumlarını tahmin edecek şekilde değerlendirilmiştir. Sonuçlar, özellikle 12 saatlik tahmin penceresinde yaklaşık %95 doğruluk ve yüksek F1-skoru ile en dengeli kestirim başarısının elde edildiğini ortaya koymaktadır. Çalışma ayrıca eğitim süresi, bellek kullanımı ve açıklanabilirlik kriterleri açısından modelleri karşılaştırarak, boosting tabanlı yöntemlerin ön görücü bakım uygulamaları için güçlü ve uygulanabilir bir çözüm sunduğunu göstermektedir.
Özet (Çeviri)
This study focuses on fundamental challenges commonly encountered in predictive maintenance applications, including class imbalance, effective processing of time-series data, and ensuring model stability. In this research, the failure prediction performances of various machine learning approaches are comparatively analyzed using real industrial sensor data provided by the Microsoft Azure platform. Within the scope of the study, five boosting-based algorithms XGBoost, CatBoost, LightGBM, Gradient Boosting, and AdaBoost are evaluated. To exploit the structural characteristics of time-series data, advanced feature extraction techniques such as moving average, exponentially weighted average, and difference- based statistical features are applied. In addition, resampling methods including Random Under Sampling (RUS), SMOTE, SMOTEN, and ADASYN are employed to mitigate the class imbalance problem frequently observed in predictive maintenance datasets, and their effects on model performance are systematically analyzed. The results indicate that the RUS method leads to performance degradation in certain metrics due to information loss, whereas synthetic sampling methods provide significant improvements, particularly in terms of recall and F1-score. The models are trained using 48 hours of historical data and evaluated across prediction horizons of 3, 5, 12, and 24 hours to predict failure conditions occurring 1 and 3 hours ahead. The findings demonstrate that the 12-hour prediction window achieves the most balanced predictive performance, with approximately 95% accuracy and a high F1-score. Furthermore, by comparing the models in terms of training time, memory usage, and interpretability, the study shows that boosting-based approaches offer a robust and practical solution for real-world predictive maintenance applications
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Makine öğrenmesi teknikleri ile mekansal karar destek sistemlerinin geliştirilmesi: Aksaray ili örneği
Development of spatial decision support systems with machine learning techniques: Case of Aksaray province
SÜLEYMAN SEFA BİLGİLİOĞLU
Doktora
Türkçe
2018
Jeodezi ve FotogrametriAksaray ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. HACI MURAT YILMAZ
- Statistical report generation for predictive maintenance: A benchmark of large language models
Öngörülebilir bakım analitiklerinin raporlanması: Büyük dil modelleri için bir benchmark çalışması
HÜSEYİN HALİD ÖZKILIÇ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÜMİT DENİZ ULUŞAR
- A prescriptive analytics approach towards critical ship machinery operations
Kritik gemi makine işlemlerine yönelik bir preskiriptif analitik yaklaşım
BARIŞ YİĞİN
Doktora
İngilizce
2024
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. METİN ÇELİK
- Novelty detection on streaming sensor data for iiot applications
Endüstriyel nesnelerin interneti uygulamaları için akan sensör verisi üzerinde ayrıklık sezimi
ALPER BAYRAM
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK ACAR