Application of machine learning methods in manufacturing sector
Üretim sektöründe makine öğrenmesi yöntemlerinin uygulanması
- Tez No: 716305
- Danışmanlar: DOÇ. DR. DERYA BİRANT
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Hiyerarşik kümeleme, Kümeleme, Makine öğrenmesi, Regresyon, Sapan değerler, Sınıflandırma, Veri madenciliği, Üretim, Hierarchical clustering, Clustering, Machine learning, Regression, Outliers, Classification, Data mining, Production
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda makine öğrenimi ve veri madenciliği yöntemleri birçok alanda yaygın olarak kullanılmaktadır. Üretim sektörü de bu alanlardan biridir. Üretim verilerinin yüksek karmaşıklığı ve çok boyutlu olma durumu, üreticilerin temel hedeflerini yerine getirmek amacıyla değerli bilgileri çıkarmak için veri analizi tekniklerinin entegrasyonu ihtiyacını doğurur. Üretim verileri özellikleri, ürünle ilgili öznitelikler, üretimde kullanılan makinelerin işlevsel parametreleri, süreç özellikleri ve farklı sensör türlerinden elde edilen ölçüm değerleri olabilir. Bu tür verileri faydalı bilgilere dönüştürmek bu tezin odak noktasıdır. Bu amaçla birkaç yeni makine öğrenimi yaklaşımı önerilmiş (kümeleme, sapan değer tespiti, sınıflandırma ve regresyon) ve deneyler yoluyla doğrulanmıştır. Bu tezde, üretim dahil çeşitli kaynaklardan elde edilmiş üretim verileri kullanılarak iki denetimli ve iki denetimsiz strateji sunulmakta ve test edilmektedir. Önerilen yöntemler şu sırayla ele alınır: (i) yeni bir birleştirici hiyerarşik kümeleme bağlayıcı yöntem olan k-merkez bağlantısı (ii) karmaşık verisetlerindeki sapan değerleri bulmak amacıyla geliştirilmiş güçlü bir denetimsiz öğrenme yöntemi olan Torbalanan ve Oylanan Yerel Sapan Değer Faktörü (BV-LOF), (iii) topluluktaki daha az hataları olan sınıflandırıcıları ödüllendirerek nesneleri sınıflandırmak için önerilmiş olan Ağırlıklı Çoğunluk Oylaması Topluluğu (WMVE), (iv) Bir Madencilik Sürecinde Kalite Tahmini için Çoklu Hedef Regresyonu (MTR-QP) eş zamanlı olarak bir madencilik sürecinde silika ve demir yoğunluğunu tahmin eder. Deneysel sonuçlar, önerilen tüm modellerin yaygın olarak kullanılan yöntemlerden daha iyi değerlendirme ölçüm değerleri aldığını göstermektedir.
Özet (Çeviri)
In recent years, machine learning models have been widely used in many fields. The manufacturing sector is one of those fields. High complexity and dimensionality of production data lead to the requirement for the integration of data analysis techniques to extract valuable knowledge to fulfill the foundation goals of manufacturers. Manufacturing data features can be product-related attributes, operational parameters of machines used in production, process characteristics, and measurement values obtained from different kinds of sensors. Converting this type of data into useful information is the focus of this thesis. With this aim, several novel machine learning approaches (clustering, outlier detection, classification, and regression) were proposed and validated through experiments. In this thesis, two supervised learning and two unsupervised learning methods are presented and tested on manufacturing data from various sources. The proposed methods are as follows: (i) K-Centroid Link which is a new agglomerative hierarchical linkage method (ii) Bagged and Voted Local Outlier Factor (BV-LOF) which is a powerful unsupersived learning method to detect anomalies in complex datasets (iii) Weighted Majority Voting Ensemble (WMVE) which is proposed to classify instances by boosting classifiers with fewer failures in the ensemble, (iv) Multi-Target Regression for Quality Prediction in a Mining Process (MTR-QP) which predicts silica and iron concentrates concurrently. The experimental results show that all the proposed models usually obtain better evaluation scores than widely-used methods.
Benzer Tezler
- Üretim sistemlerinde darboğaz tahminlemesi için otomatikleştirilmiş makine öğrenmesi yaklaşımı
Automated Machine Learning Approach for Bottleneck Prediction in Manufacturing Systems
NAGİHAN AKKURT
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiEskişehir Osmangazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERVET HASGÜL
- Makine ve ekipman imalatı sektöründe izolasyon ormanı ve yeniden örnekleme yöntemleri kullanılarak finansal başarısızlığın tespit edilmesi
Detecting financial failure in the machinery and equipment manufacturing sectorusing isolation forest and resampling methods
KARDELEN ŞEYMA ERDEM
Yüksek Lisans
Türkçe
2024
İstatistikGazi Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MEHMET AKİF BAKIR
- Veri arttırma tekniğinin endüstriyel bir problemde incelenmesi
Investigation of the data augmentation technique in an industrial problem
ALPTEKİN KAVAKOĞLU
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriSakarya Üniversitesiİmalat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GARİP ERDOĞAN
DR. ÖĞR. ÜYESİ -
- Kauçuk hamuru üretiminde makine öğrenmesi ve hibrit yapay zeka algoritmalarının uygulanması ile süreç optimizasyonu
Process optimization in rubber compound production through machine learning and hybrid artificial intelligence algorithms
ZEYNEP URUK
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER KİRAZ
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR