Geri Dön

Bakım planlamasında kullanılan makine öğrenme yöntemlerinin çok kriterli karar verme ile analizi

Analysis of machine learning methods used in maintenance planning with multi-criteria decision making

PDF İndir

  1. Tez No: 728663
  2. Yazar: GÖZDE NUR CALAYIR
  3. Danışmanlar: PROF. DR. MEHMET KABAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Analitik hiyerarşi süreci, Bakım planlaması, Kestirimci bakım sistemleri, Makine öğrenmesi, Analytical hierarchy process, Maintenance planning, Predictive maintenance systems, Machine learning
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bakım, bir işletmede kurulan düzenli çalışmanın aralıksız olarak sürdürülebilmesi için gerekli olan faaliyettir. Bakım önceden sadece üretim alanlarında makinelerde olması gerekli fiziksel faaliyet olarak düşünülürken, günümüzde ise buna ilave olarak çalışılan alanın gelir ve giderlerine önemli ölçüde etkisi olan kritik bir işletme fonksiyonu olarak nitelendirilmektedir. Gelişen ve değişen teknolojide savunma sanayisinde faaliyet gösteren kuruluşlarda meydana gelen arızaların önüne geçebilmek için bakım planlama çalışması yapılması gerekmektedir. 1950 yılından itibaren bakım planlaması tahmin çalışmalarında yapay zekâ yöntemlerinden makine öğrenmesi teknikleri kullanılmaktadır. Makine öğrenmesi, makinelerin durumlar karşısında kendini eğiterek ve öğreterek daha iyi kararlar ya da tahminler verebilmesini sağlayan algoritmaların geliştirilmesidir. Bakım planlaması öncesinde oluşan arıza kuruluşlarda itibar kaybı gibi manevi, sevkiyat gecikmesi gibi maddi kayıplara neden olabilir. Savunma sanayi firmasında yapılan bu çalışmada, bakım takvim planlamalarını belirlemek, arızaları önceden tahmin etmek, üretimde duruşu ve maliyet kaybını en aza indirgemek ya da tamamen ortadan kaldırmak hedeflenmiştir. Bu süreçte savunma sanayi firmasında sürdürülebilir bir sistem kurulması için toplanan veriler Python programlama dili kullanılarak denetimli makine öğrenmesi tekniklerine uyarlanmıştır. Bu makine öğrenmesi yöntemlerinin tahmini için sensörden alınan fiziksel etken verileri kullanılmıştır. Sıcaklık, basınç ve nem olan bu verilerin arızaya geçme süresi ile arasındaki ilişki korelasyon analizi ile belirlenmiştir. Lineer regresyon, polinomal lojistik regresyon ve destek vektör sistemleri denetimli makine öğrenmesi teknikleri olarak kullanılmıştır. Bu yöntemlerin sıralaması çok kriterli karar verme tekniklerinden AHP ile belirlenmiştir.

Özet (Çeviri)

Maintenance is the activity that is necessary to maintain the regular work established in an enterprise without interruption. While maintenance was previously thought of as a physical activity that must be performed only on machines in production areas, today it is additionally defined as a critical business function that has a significant impact on the income and expenses of the working area. In order to prevent malfunctions that occur in organizations operating in the defense industry in developing and changing technology, maintenance planning work is required. Machine learning techniques, one of the artificial intelligence methods, have been used in maintenance planning estimation studies since 1950. Machine learning is the development of algorithms that enable machines to make better decisions or predictions by training and teaching themselves about situations. Failures that occur before maintenance planning may cause moral losses such as loss of reputation in organizations and financial losses such as shipment delays. In this study, which was carried out in a defense industry company, it was aimed to determine the maintenance schedules, to predict the failures, to minimize or completely eliminate the production stoppage and cost loss. In this process, the data collected for the establishment of a sustainable system in the defense industry company were adapted to supervised machine learning techniques using the Python programming language. For the prediction of these machine learning methods, physical factor data from the sensor is used. The relationship between these data, which are temperature, pressure and humidity, and the time to failure was determined by correlation analysis. Linear regression, polynomial logistic regression and support vector systems were used as supervised machine learning techniques. The order of these methods was determined by AHP, one of the multi-criteria decision making techniques.

Benzer Tezler

  1. Tez No

    683055

    Data-driven condition monitoring and fault diagnosis of VFD-FED induction motors

    Değişken frekanslı sürücü ile beslenen asenkron motorlarda veri odaklı durum izleme ve arıza tanılama

    ALPER SENEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞENİZ ERTUĞRUL

  2. Tez No

    971584

    Data-driven prediction of lighting energy consumption in tertiary buildings using machine learning

    Hizmet sektörü binalarında aydınlatma enerji tüketiminin makine öğrenmesi ile veri odaklı tahmini

    AGSHIN RZAZADE

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ LALE ERDEM ATILGAN

  3. Tez No

    940857

    Design of a test setup for steel wire rope fatigue testing and development of an AI-based damage detection method

    Çelik halat yorulma testi için bir test düzeneğinin tasarımı ve yapay zeka tabanlı hasar tespit yönteminin geliştirilmesi

    MOHSEN SEYYEDİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. CEVAT ERDEM İMRAK

  4. Tez No

    954777

    Predictive modeling of non-routine maintenance workload in aircraft operations: a task card-level approach using real mro data and machine learning

    Uçak bakım operasyonlarında non-routıne iş yükünün öngörüsel modellemesi: gerçek mro verileri ve makine öğrenmesi ile görev kartı düzeyinde bir yaklaşım

    TALHA GÜÇLÜ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  5. Tez No

    1006875

    Ilgın Çavuşçugöl linyit işletmesinde çalışan ekskavatörler için uygun bakım stratejisinin geliştirilmesi

    Development of an appropriate maintenance strategy for excavators operating at Ilgin Çavuşçugöl lignite mine

    MUSTAFA GÜNDOĞAR

    Doktora

    Türkçe

    Türkçe

    2025

    Maden Mühendisliği ve MadencilikEskişehir Osmangazi Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    PROF. DR. MELİH İPHAR

    DR. ÖĞR. ÜYESİ HASAN CANDAN ÖTEYAKA

Geri Dön