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: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 141
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
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Yapım sektöründe yalın proje teslim sistemine entegre edilebilecek endüstri 4.0 teknolojileri ve yapı uzmanlarının bakış açısı
Industry 4.0 technologies that can be integrated into the lean project delivery system in the construction sector and the perspective of the construction sector experts
KÜBRA TOPRAK
- Ergitme fırınlarında optimum sistem parametrelerinin pekiştirmeli öğrenme metodları ile saptanması
Determination of optimum system parameters with reinforcement learning methods in melting furnaces
MEHMET ULAŞ ÇAKIR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT EFE
- Makine öğrenimi ve veri bilimi ile gürültü,titreşim ve sertlik analizinin geliştirilmesi
Improving noise, vibration and harshness analysis with machine learning and data science
KEMAL DEMİR
Yüksek Lisans
Türkçe
2025
Makine MühendisliğiYıldız Teknik ÜniversitesiMakine Ana Bilim Dalı
PROF. DR. CİHAN DEMİR