Endüstriyel uygulamaya yönelik makine öğrenimi destekli kestirimci bakım modeli önerisi
Machine learning supported predictive maintenance model for industrial application
- Tez No: 938557
- Danışmanlar: PROF. DR. MURAT KOCAMAZ
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Kestirimci bakım sistemleri, Yapay zeka ve makine öğrenmesi dersi, Predictive maintenance systems, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sanayide rekabet gücünün artırılması ve operasyonel verimliliğin sağlanması, makinelerde beklenmedik arızaların önlenmesi için proaktif bakım stratejilerinin uygulanmasını zorunlu kılmaktadır. Bu tez çalışmasında, Diesse marka alçak basınçlı döküm tezgâhına entegre edilmiş SMC marka transmitter sensörlerden ve Elimko K tipi termokupldan toplanan çok boyutlu veriler kullanılarak, makine öğrenmesi destekli bir kestirimci bakım modeli geliştirilmiştir. Kullanılan veri seti, sıcaklık, basınç ve akışkan hızı gibi parametrelerin yanı sıra, sensör verileri ile ilişkilendirilmiş arıza kayıtlarını içermektedir. Çalışmanın veri işleme aşamasında, saniyelik sensör ölçümleri dakikalık ortalamalara dönüştürülmüş, aykırı değerler Quantiller Arası Açıklık (IQR) metodu ile düzeltilmiştir. Ayrıca,“Hidrolik Silindir Arızası”hedef değişkeni için sensör verileri ile arıza zaman damgaları eşleştirilmiş, bu hedef değişken sınıflandırma probleminin temelini oluşturmuştur. Model geliştirme sürecinde, KNN, SVM, MLP, Linear Discriminant Analysis (LDA) ve Logistic Regression gibi makine öğrenmesi algoritmaları kullanılmıştır. Modeller, eğitim ve test setlerine ayrılan veri üzerinde değerlendirilmiş ve hiperparametre optimizasyonu ile performans iyileştirilmiştir. Analiz sonuçlarına göre, MLP modeli, %74 doğruluk oranıyla en yüksek başarıyı sağlamıştır. Diğer algoritmalar arasında KNN modeli %68 doğruluk oranıyla öne çıkmış, SVM ve Logistic Regression modelleri ise nispeten daha düşük performans sergilemiştir. Tüm bu çalışmalar kapsamında elde edilen verilerin analizi ve uygulanan makine öğrenmesi algoritmaları göz önünde bulundurularak, işletmelerin arıza tahmin doğruluğunu artıracak, bakım maliyetlerini optimize edecek ve operasyonel sürekliliği destekleyecek bir kestirimci bakım modeli önerilmiştir. Geliştirilen bu modelin, işletme maliyetlerini sürdürülebilirlik ilkeleriyle uyumlu, etkin ve verimli bir şekilde yönetmeye katkı sağlama potansiyeline sahip olduğu değerlendirilmektedir.
Özet (Çeviri)
Enhancing industrial competitiveness and ensuring operational efficiency necessitate the implementation of proactive maintenance strategies to prevent unexpected machine failures. In this dissertation, a machine learning-supported predictive maintenance model has been developed using multidimensional data collected from SMC-branded transmitter sensors and an Elimko K-type thermocouple integrated into a Diesse low-pressure casting machine. The dataset utilized in this study includes parameters such as temperature, pressure, and fluid velocity, as well as failure records correlated with sensor data. During the data preprocessing phase, second-based sensor measurements were converted into minute-based averages, and outliers were corrected using the Interquartile Range (IQR) method. Additionally, for the target variable“Hydraulic Cylinder Failure,”sensor data were matched with failure timestamps, forming the foundation for a classification problem. The model development process involved the use of machine learning algorithms such as KNN, SVM, MLP, Linear Discriminant Analysis (LDA), and Logistic Regression. These models were evaluated on a dataset split into training and test sets, with performance improvements achieved through hyperparameter optimization. According to the analysis results, the MLP model achieved the highest accuracy rate at 74%. Among other algorithms, the KNN model stood out with a 68% accuracy rate, while SVM and Logistic Regression models exhibited relatively lower performance. Based on the analysis of the data and the applied machine learning algorithms, a predictive maintenance model has been proposed to enhance failure prediction accuracy, optimize maintenance costs, and support operational continuity for businesses. This model is also assessed to have the potential to contribute to the sustainable, efficient, and effective management of operational costs in alignment with sustainability principles.
Benzer Tezler
- Üniversite ile ilgili kanun ve yönetmeliğin bilgisayara aktarılması
Başlık çevirisi yok
NAFİYE MESTANOĞLU
Yüksek Lisans
Türkçe
1985
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. OĞUZ MANAS
- Akaryakıtla çalışan endüstriyel tav fırınlarında yanma, sıcaklık ve basıncın optimum kontrolu
Optimum control of combustion temperature and pressure in industrial tempering furnaces working with fuel-oil
MEHMET EROĞLU
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. YÜCEL ERCAN
- Zymomonas mobilis NRRL B-14023 bakterisi ile şeker pancarı melası ve kuru üzümden etanol üretimi
Başlık çevirisi yok
ÜLKÜ BAŞER
- Endüstrileşmiş yapım sistemlerinin Türkiye'ye uyumu ve gelişme koşulları
The Appropriation and development conditions of industrialized building systems in Turkey
FİKRİ KOLENOĞLU
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiGazi ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. REŞAT ÖNGEN
- Havuçların haşlanmasında difüzyonun modellenmesi
Başlık çevirisi yok
FİGEN KAYMAK
Yüksek Lisans
Türkçe
1986
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUZAN KINCAL