A MACHINE LEARNING APPROACH TO STEEL SHEET PRODUCTION SURFACE QUALITY
Rulo sac üretimi yüzey kalitesi makine öğrenmesi yaklaşımı
- Tez No: 931427
- Danışmanlar: DOÇ. DR. MEHMET NAFİZ AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: 52
Özet
Çelik sac üretim endüstrisi, inşaat ve otomotiv imalatı gibi çeşitli sektörlerin bel kemiği olarak büyük önem taşımaktadır. Bu endüstride yaygın bir sorun, çelik saclarda yüzey kalitesinin sağlanmasıdır. Yüzey kusurları, malzeme reddi, artan işleme maliyetleri ve nihai kullanım uygulamalarında potansiyel arızalar nedeniyle önemli mali kayıplara yol açabilir. Çelik sac üretiminde geleneksel kusur değerlendirme yöntemleri, büyük veri hacimlerini ve karmaşık kusur desenlerini ele almakta sınırlı kalmakla birlikte zaman alıcıdır. Makine öğrenimi tekniklerinin entegrasyonu, bu sınırlamaları aşmak için dönüşümsel bir potansiyel sunmaktadır. Bu tez, çelik sac üretiminde kusur değerlendirmesi için bir makine öğrenimi yaklaşımı geliştirmeyi amaçlamaktadır. Bu araştırmanın genel hedefi, insan bilgisini teknik (ürünle ilgili) verilerle bütünleştirerek kusur karar sürecini iyileştirmektir. Araştırma, 4 yıl boyunca birikmiş verileri kullanarak bir vaka çalışması yaklaşımını benimsemektedir. Çelik yüzey kusurları, karar destek sistemleri, sınıflandırma algoritmaları ve metin madenciliği üzerine bir literatür taraması yaptık. Çalışma, üretimde kusurları tespit etmeyi ve onarımını hedefleyerek, kusursuzluğu sağlamayı ve kusur tespiti ve onarımı ile ilgili kararları optimize etmeyi amaçlamaktadır. Çalışmanın metodolojisi, farklı sınıflandırma tekniklerini karşılaştırmayı ve bu sonuçları metin işleme uygulamaları ile geliştirmeyi içermektedir. Metin verisi dahil edilmeden yapılan kusur kararına yönelik sınıflandırma algoritması oluşturma sonuçları, çok sınıflı doğası nedeniyle yaklaşık %30 hata oranı vererek umut verici değildir. Çalışma ayrıca metin verisinin varlığının sınıflandırma algoritmalarının performansını artırarak hata oranını yaklaşık %24'e düşürdüğü sonucuna varmaktadır. Bu sonuçlar, çelik sac kusur karar sürecinde metin verilerinin önemini göstermektedir.
Özet (Çeviri)
The steel sheet production industry is of paramount importance, serving as the backbone for various sectors including construction and automotive manufacturing. A prevalent issue within this industry is the assurance of surface quality in steel sheets. Surface defects can lead to significant financial losses due to material rejections, increased processing costs, and potential failures in their end-use applications. Traditional methods for defect evaluation in steel sheet production, which rely heavily on manual inspection, are not only time-consuming but also limited in their ability to handle large data volumes and complex defect patterns. The integration of machine learning techniques presents a transformative potential to overcome these limitations. This thesis aims to develop a machine learning approach for defect evaluation in steel sheet production. The overall goal of this research is to improve the defect decision process by integrating human knowledge with technical (product related) data. The research adopts a case study approach by employing the data accumulated over 4 years. We conducted a literature review on steel surface defects, decision support systems, classification algorithms, and text mining. The study focuses on the detection and repair of defects, aiming to eliminate defects in production and optimize decisions related to defect detection and repair. The methodology of the study involves comparing different classification techniques and enhancing these results with text processing applications. The results for building a classification algorithm for the defect decision without including the textual data are not promising by giving around 30% error rate due to the multiclass nature of the problem. The study also concludes that the existence of text data improves the performance of the classification algorithms by decreasing the error rate to around 24%. These results show the significance of the textual data of the steel sheet defect decision process.
Benzer Tezler
- Optimization of plastic injection process parameters using the Taguchi method, machine learning and genetic algorithm
Plastik enjeksiyon prosesinde Taguchi, makine öğrenmesi ve genetik algoritma yöntemlerini kullanarak parametre optimizasyonu
BURAK SEL
Yüksek Lisans
İngilizce
2021
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ERSAN ÜSTÜNDAĞ
- İmalat sırasında malzeme yüzeyinde oluşan hataların makine öğrenmesi teknikleri ile belirlenmesi
The detection of defects on material surface occuring after production with machine learning techniques
KÜRŞAT DEMİR
Doktora
Türkçe
2024
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA AY
- XRF tabanlı nikel laterit sınıflandırması için makine öğrenmesi modellerinin geliştirilmesi ve analitik uygulamanın tasarlanması
Development of machine learning models and design of an analytical application for XRF-based nickel laterite classification
KARLINA MAULIDA
- On symbolic prediction of time series for predictive maintenance based on SAX-LSTM
SAX-LSTM'ye dayalı tahmini bakım için zaman serisinin sembolik tahmini
AYKUT GÜLER
Yüksek Lisans
İngilizce
2024
Yönetim Bilişim SistemleriKadir Has ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. EMRULLAH FATİH YETKİN
DR. ÖĞR. ÜYESİ TUĞÇE BALLI
- Modelling of boron nitride coatings using artificial ıntelligence techniques
Yapay zeka teknikleri kullanılarak bor nitrür kaplamalarının modellenmesi
KORCAN KÜÇÜKÖZTAŞ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM TURHAN
PROF. DR. BİLGİN KAFTANOĞLU