Kestirimci bakım zamanlarının makina öğrenmesi yöntemleriyle tahminlenmesi: Demir çelik sektöründe bir uygulama
Forecasting predictive maintenance times with machine learning methods: An application in the iron and steel industry
- Tez No: 752060
- Danışmanlar: DOÇ. DR. FUAT ŞİMŞİR
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 95
Özet
Bu çalışmada bir demir çelik tesisinin sıcak hadde tezgahlarından alınmış olan titreşim, akım ve motor devir hızı verileri kullanılarak arıza tahminlemesi yapılmıştır. Her makine, arıza öncesi belirli sinyaller vermektedir. Bu sinyaller gözlemlenerek arıza meydana gelmeden arızanın tahminlenmesi ve önlenmesi, arıza kaynaklı meydana gelebilecek olan zaman, üretim, malzeme, para gibi kayıpların önüne geçecektir. Belirlenmiş olan problemin çözümünde yapay zekanın alt dallarından biri olan makine öğrenmesi algoritmaları kullanılmıştır. Makine öğrenmesi algoritmalarının denetimli öğrenme yöntemlerinden olan destek vektör makinaları ve karar ağaçları algoritmaları kullanılarak tahminleme sağlanmıştır. Yapılan tahmin çalışmaları sonucunda hangi yöntemin daha doğru sonuçlar verdiği tespit edilmiştir. Çalışma kapsamından modellerin girdi parametresi olarak dört ayrı titreşim verisi, akım verisi ve RPM verisi kullanılmıştır. Modelin iki adet çıktısı bulunmaktadır. Bunlar arıza var, arıza yok değerleridir. Model, arıza eşiğine ulaşıldığı noktalarda işletmeyi bakım yapılması konusunda uyarmaktadır. R Studio programında, R yazılım dili kullanılarak geliştirilen modelde iki ayrı makine öğrenmesi algoritması ile sonuç alınmıştır. Çalışmanın sonucunda karar ağaçları algoritmasının destek vektör makinaları algoritmasına oranla doğruluğu daha yüksek sonuçlar verdiği tespit edilmiştir.
Özet (Çeviri)
In this study, failure estimation was made by using vibration, current and engine speed data obtained from the hot rolling stands of an iron and steel plant. Each machine gives certain signals before failure. By observing these signals, estimating and preventing the malfunction before it occurs, will prevent the losses such as time, production, material, money that may occur due to the malfunction. Machine learning algorithms, one of the sub-branches of artificial intelligence, were used to solve the identified problem. Prediction is provided by using support vector machines and decision tree algorithms, which are among the supervised learning methods of machine learning algorithms. As a result of the estimation studies, it was determined which method gave more accurate results. Four different vibration data, current data and RPM data were used as input parameters of the models within the scope of the study. The model has two outputs. These are fault, no fault values. The model warns the business to perform maintenance at the points where the failure threshold is reached. In the R Studio program, the results were obtained with two different machine learning algorithms in the model developed using the R software language. As a result of the study, it has been determined that the decision trees algorithm gives higher accuracy than the support vector machine algorithm.
Benzer Tezler
- Kestirimci bakım süreçlerinde makine öğrenmesi algoritmaları kullanarak anomali tespiti
Anomaly detection using machine learning algorithms in predictive maintenance processes
FATMA YASEMİN ARSLAN
Yüksek Lisans
Türkçe
2023
Bilim ve TeknolojiManisa Celal Bayar ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ UYSAL
- Turbofan uçak motoru ve rulman verilerinde kaskat derin öğrenme modelleriyle kestirimci
Predictive maintenance on turbofan aircraft engine and bearing data with cascade deep learning models
ADEM AVCI
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NURETTİN ACIR
PROF. DR. HAKAN GÜRKAN
- Diagnosing the cause of the bearing defects by means of signal analysis of online vibro-acoustic records
Rulman arızalarının sebeplerinin çalışma esnalarındaki vibro-akustik kayıtlarla teşhis edilmesi
SÜLEYMAN TOLGA İNAL
Yüksek Lisans
İngilizce
2008
Makine MühendisliğiMarmara ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALUK KÜÇÜK
- Experimental and numerical investigation of momentum and heat transfer in open-cell metal foam subjected to oscillating flow
Salınımlı akış koşullarında açık hücreli metal köpükte akış ve ısı geçişinin deneysel ve sayısal olarak incelenmesi
ÖZER BAĞCI
Doktora
İngilizce
2015
Enerjiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. LEVENT ALİ KAVURMACIOĞLU
PROF. DR. NİHAD DUKHAN
- An application of digital transformation: Predictive maintenance scheduling
Başlık çevirisi yok
KENAN CEM DEMİREL
Yüksek Lisans
İngilizce
2021
Endüstri ve Endüstri MühendisliğiÖzyeğin ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERİNÇ ALBEY