Makine öğrenme algoritmaları kullanılarak toplam ekipman etkinliği ölçütünün tahmin edilmesi
Predicting overall equipment effectiveness measure using machine learning algorithms
- Tez No: 750430
- Danışmanlar: DOÇ. DR. ÖZLEM KUVAT
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Toplam Ekipman Etkinliği, Derin Öğrenme, Öznitelik Seçimi, Oluklu Mukavva, Overall Equipment Effectiveness, Deep Learning, Feature Selection, Corrugated Cardboard
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Balıkesir Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 163
Özet
Pazarlar daha rekabetçi hale geldikçe ve üretim küreselleştikçe, her üretim tesisinin rekabetçi kalabilmek için süreçlerini sıkı bir şekilde takip etmesi ve iyileştirmesi gerekmektedir. Bu hedef doğrultusunda üretim tesisleri, performanslarını ve verimliliklerini artırmak amacıyla odaklanılacak noktaları belirlemek için performans değerlendirme sistemlerini kullanmaktadır. Toplam ekipman etkinliği (TEE), üretim ekipmanının performansını değerlendirmek için yaygın olarak kullanılan bir metriktir. TEE, kullanılabilirliği, performansı ve kaliteyi birleştirerek üretim etkinliğini tanımlamaktadır. Bu doktora tez çalışmasında, Türkiye'de faaliyet gösteren bir kutu fabrikasının oluklu mukavva departmanından elde edilen bir veri seti kullanılarak TEE'yi tahmin etmek için derin öğrenme mimarilerine dayalı yaklaşımlar önerilmiştir. Bu yaklaşımların kullanımıyla işletme yöneticilerinin üretim hatlarındaki aksaklıkları belirlemesine ve TEE'yi iyileştirmek için veriye dayalı kararlar almasına yardımcı olmak amaçlanmıştır. Verilerin analizi ve TEE'nin tahmini için Uzun Kısa Süreli Bellek (Long Short Term Memory, LSTM), Çift Yönlü Uzun Kısa Süreli Bellek (Bi-directional Long Short Term Memory, Bi-LSTM) ve Geçitlendirilmiş Özyinelemeli Birimler (Gated Recurrent Units, GRU) mimarilerine dayalı model mimarileri geliştirilmiştir. Geliştirilen model mimarileri ile elde edilen bulgular bu algoritmaların üretim ortamında TEE'yi tahmin etme potansiyeline sahip olduğunu ve ekipman performansının iyileştirilmesi için kullanılabileceğini göstermektedir.
Özet (Çeviri)
As markets become more competitive and production becomes globalized, every production facility needs to closely monitor and improve its processes to remain competitive. In line with this goal, production facilities use performance evaluation systems to identify areas of focus to improve their performance and efficiency. Overall equipment effectiveness (OEE) is a widely used metric for evaluating the performance of production equipment. OEE defines production efficiency by combining availability, performance and quality. In this PhD thesis, approaches based on deep learning architectures are proposed to predict OEE using a dataset obtained from the corrugated cardboard department of a box factory operating in Turkey. The use of these approaches is intended to help business managers identify disruptions in production lines and make data-based decisions to improve OEE. Model architectures based on Long Short Term Memory (LSTM), Bi-directional Long Short Term Memory (Bi-LSTM) and Gated Recurrent Units (GRU) architectures were developed for data analysis and OEE prediction. The findings obtained with the developed model architectures show that these algorithms have the potential to predict OEE in a production environment and can be used to improve equipment performance.
Benzer Tezler
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- A digital twin framework for predictive maintenance
Öngörücü bakım için dijital ikiz çerçevesi
MUSTAFA FURKAN SÜVE
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- 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
- Derin öğrenme ile tekstil tipi tanım
Fabric classification by using deep learning
GÖKHAN GÜRGEN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti
AI-based blood pressure detection with electrocardiography signal
DERYA KANDAZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR