A hybrid machine learning based model for predictive maintenance
Kestirimci bakım için hibrit makine öğrenimi tabanlı bir model
- Tez No: 921394
- Danışmanlar: DR. ÖĞR. ÜYESİ SAİT DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Optimizasyon algoritmaları, Optimization algorithms
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzün dijital çağında, makine bakımı günlük hayatımızda önemli hale geldi. Akıllı telefonlar ve bilgisayarlardan oyun konsolları ve akıllı ev cihazlarına kadar iletişim, iş ve endüstriyel üretim için bu teknolojilere güveniyoruz. Ekipmanlarımızın ömrünü uzatmak için düzenli bakım şarttır. Özellikle fabrikalarda, üretim için kullanılan makinelerde donanım arızalarını önlemek için cihaz bakımı önemlidir. Ekipman bakım takibi, potansiyel sorunları daha da kötüleşmeden önce tespit etmek için makine performansını sürekli olarak izlemek ve analiz etmektir. Bu çalışma, makine öğrenimi tabanlı kestirimci bakımın endüstriyel makineler için neden önemli olduğunu ve daha uzun süre dayanmalarına, daha iyi performans göstermelerine ve maliyetli onarımlardan kaçınmalarına nasıl yardımcı olabileceğini inceleyecektir. Bu araştırma, modern endüstriyel kuruluşlardaki kestirimci bakım faaliyetlerine bakış açısını değiştirmek için makine öğrenimi algoritmalarını kullanmaktadır. Bu çalışma, optimizasyon algoritmalarını ve açıklanabilir yapay zekayı kullanan yapay zekalı öğrenme modellerini optimize etmeye ve değerlendirmeye odaklanmaktadır. CatBoost, AdaBoost, Gradient Boosting, XGBoost ve Random Forest gibi temel modelleri CSO ve HHO için optimize edilmiş modellerinde kullandık. Model sonuçlarının ve özellik öneminin yorumlanması SHAP (SHapley Additive exPlanations) yöntemi kullanılarak sağlanmaktadır. Deneyler ayrıca bize HHO tarafından optimize edilen CatBoost modelinin %99,90 ile en yüksek doğruluk oranına sahip olduğunu göstermektedir. İncelenen yöntemler arasında, optimizasyon algoritmaları ve XAI yöntemleri, farklı alanlarda karar verme amaçlı model doğruluklarının iyileştirilmesi ve açıklanmasında büyük potansiyel göstermiştir. Daha geniş makine öğrenimi dağıtımı ve uygulaması için bu alanlarda daha fazla gelişme gereklidir.
Özet (Çeviri)
In today's digital age, machine care have become important in our daily lives. From smartphones and computers to game consoles and smart home devices, we rely on these technologies for communication, business, and industrial production. Regular maintenance is essential for increasing the life of our equipment. Especially in factories, device maintenance is important to prevent hardware failures in machines used for production. Equipment maintenance monitoring is continually tracking and analyzing machinery performance to spot potential problems before they worsen. This study will examine why machine learning-based predictive maintenance is important for industrial machines and how it can help them last longer, perform better, and avoid costly repairs. This research uses machine learning algorithms to change the perspective of predictive maintenance activities in modern industrial organizations. This work focuses on optimizing and assessing artificially intelligent learning models utilizing optimization algorithms and explainable artificial intelligence. We used the base models, including CatBoost, AdaBoost, Gradient Boosting, XGBoost, and Random Forest, to their CSO and HHO-optimized models. Interpretation of model results and feature importance is provided using the SHAP (SHapley Additive exPlanations) method. The experiments also show us that the CatBoost model optimized by HHO has the highest accuracy rate of 99.90%. Among the investigated methods, optimization algorithms and XAI methods showed great potential in improving and explaining model accuracies for decision-making purposes across different fields. Further development in these areas is necessary for wider machine learning deployment and application.
Benzer Tezler
- Tekstil sektöründe örme makinelerinde kestirimci bakım için hibrit makine öğrenme ve stokastik modelleme yaklaşımları
Predictive maintenance for knitting machines in the textile industry: Hybrid machine learning and stochastic modeling approaches
SÜMEYRA GÜLBAHAR
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA KAPAN ULUSOY
PROF. DR. MİTHAT ZEYDAN
- Elektrikli otobüslerde çizge tabanlı öznitelik seçimi ve makine öğrenmesi ile kestirimci bakım
Predictive maintanance with graph based feature selection & machine learning in electrical busses
AYŞE IRMAK ERÇEVİK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTobb Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET MURAT ÖZBAYOĞLU
- Rulmanların kalan faydalı ömür tahmini için titreşim analizi tabanlı kestirimci bakım yaklaşımı
Vibration analysis based predictive maintenance approach for prediction of remaining useful life of bearings
ENİS KALCIOĞLU
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiRecep Tayyip Erdoğan ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN CANER ÖZKAT
- Model tabanlı kestirimci bakım ile kalan faydalı ömür tahmini
Estimation of remaining useful life with model based predictive maintenance
ENGİN MÖNGÜ
Doktora
Türkçe
2022
Mühendislik Bilimleriİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. HULUSİ GÜLSEÇEN
- Turbofan motorlarda faydalı ömür tahmini için yapay sinir ağlarına dayalı model geliştirilmesi
Development of a neural network-based model for remaining useful life prediction in turbofan engines
FURKAN İŞBİLEN
Doktora
Türkçe
2025
Havacılık ve Uzay MühendisliğiErciyes ÜniversitesiHavacılık Elektrik ve Elektroniği Ana Bilim Dalı
DOÇ. DR. MEHMET KONAR
DOÇ. DR. OĞUZ BEKTAŞ