Geri Dön

Kestirimci bakım için makine öğrenmesi uygulamaları

Machine learning applications for predictive maintenance

PDF İndir

  1. Tez No: 885669
  2. Yazar: OLCAY DUVAR
  3. Danışmanlar: DOÇ. DR. ZEYNEL ABİDİN ÇİL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Kestirimci Bakım, Makine Öğrenmesi, Dengesiz Veri, Smote, Sınıflandırma, Predictive Maintenance, Machine Learning, Unbalanced Data, Smote, Classification
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İzmir Demokrasi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Bilim Dalı
  13. Sayfa Sayısı: 87

Özet

Son yıllarda, endüstrideki rekabet artışı ve teknolojideki gelişmelerden dolayı üreticiler toplam maliyetlerini minimize etmeye çalışmaktadırlar. Bu noktada en önemli maliyetlerden birisi de makine arızaları ve bakım giderleridir. Makinenin plan dışı duruşu, üretim akışında dengesizliğe ve buna bağlı olarak; operatörde verimsizlik, hammadde ve yarı mamulde yığılma, lojistik süreçlerde aksaklık gibi birçok probleme yol açmaktadır. Bundan dolayı, makinenin arıza vermeden önce bakım ihtiyaçlarını tamamlamak maliyeti önemli ölçüde azaltacaktır. Son yıllarda, sensörlerin ve makine öğrenme tekniklerinin gelişmesinden dolayı literatürede kestirimci bakım ön plana çıkmaktadır. Kestirimci bakım çalışmalarında çeşitli sensörler kullanılarak, makine bozulmalarına sebep olan parametre değerleri takip edilebilir. Fakat çoğu zaman veriyi kayıt altına almada ya da veri toplama süreci sonunda, veri yetersiz ve/veya dengesiz olabilir. Kestirimin doğru yapılabilmesi için ise dengeli bir veriye ihtiyaç vardır. Bu gibi durumlarda verinin anlamlı biçimde çoğaltılması ile veri dengelenmesi gerekebilir. Bu yüzden, dengeli olmayan bir makine verisine mevcut durum analizi ve veri dengesizliğini giderecek 3 farklı yöntem uygulanmıştır. Makine öğrenme algoritmaları dengesiz veri seti ve sanal ortamda üretilmiş veri setleri ile kıyaslanmıştır. Sonuçlara göre makine öğrenmesi algoritmalarının performansının dengeli veri seti ile önemli ölçüde arttığı tespit edilmiştir. Bu durumda, Bagged Tress ve Boosted Trees yöntemlerinin en iyi performansı gösterdiği görülmüştür.

Özet (Çeviri)

Manufacturers have been trying to minimize their total costs due to increased competition and technological developments in recent years. At this point, machine breakdowns and maintenance expenses are one of the most essential costs. Unplanned stop of the machine can cause several problems, including an imbalance in the production flow, inefficiency in the operator, accumulation in raw materials and semifinished products and disruption in logistics processes. Therefore, completing the machine's maintenance needs before a failure will significantly reduce costs. In recent years, the popularity of predictive maintenance has significantly increased in the literature due to the development of sensors and machine learning techniques. In predictive maintenance, parameter values that cause machine breakdowns can be followed by using various sensors. However, the data may be insufficient and/or imbalanced at the end of the data recording or collection process. Balanced data is needed for the estimation to be made correctly. Therefore, three different methods are applied to generate data to eliminate the data imbalance. The performances of the different machine learning algorithms are compared by using the imbalanced and generated datasets by the proposed method. The results show that the performance of the machine learning algorithms is significantly increased with balanced data set. Also, the Bagged Trees and Boosted Trees methods outperform other techniques.

Benzer Tezler

  1. Tez No

    702145

    Makine öğrenmesi kullanılarak endüstriyel pres makinesi için kestirimci bakım uygulaması

    Predictive maintenance application for industrial press machine using machine learning

    ERKUT YİĞİT

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiKocaeli Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ZEKİ BİLGİN

  2. Tez No

    760248

    Endüstriyel ısıl işlem fırınları için kestirimci bakım uygulaması

    Predictive maintenance study with machine learning methods for industrial heat treatment ovens

    OĞUZHAN KIZILTAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Mekatronik MühendisliğiKocaeli Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ERDİL

  3. Tez No

    692595

    Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques

    Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması

    RAGHAD MOHAMMED KHORSHEED

    Doktora

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  4. Tez No

    823109

    Fren sanayinde talaşlı üretim sürecinde makine öğrenmesi modellerinin karşılaştırılması ile kestirimci bakım verimliliğinin değerlendirilmesi

    Evaluation of predictive maintenance efficiency with the comparison of machine learning models in machining production process in brake industry

    BURAK EVRENTUĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Yönetim Bilişim SistemleriDokuz Eylül Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. CAN AYDIN

  5. Tez No

    832378

    Edge computing-based predictive maintenance middleware for industrial IoT

    Endüstriyel nesnelerin interneti için kenar bilişim tabanlı kestirimci bakım modeli

    BLESSING NGONIDZASHE MUSUNGATE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET TUNCAY ERCAN

Geri Dön