Predictive maintenance with machine learning
Makine öğrenmesi ile kestirimci bakim
- Tez No: 947136
- Danışmanlar: DR. ÖĞR. ÜYESİ RAYAN ABRİ
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: OSTİM TEKNİK ÜNİVERSİTESİ
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Bilim Dalı
- Sayfa Sayısı: 94
Özet
Teknolojinin hızla ilerlemesi işletmelerin üretim, bakım ve kalite yönetimi gibi alanlarda verimliliklerini artırmalarına olanak tanımaktadır. Üretim süreçlerinde meydana gelen arızalar hem aktif olmayan sürelerin artmasına hem de kusurlu ürünlerin üretilmesine sebep olarak işletmelerin verimliliğini olumsuz etkilemektedir. Bu olumsuz etkiler zamanında tanımlanmış ve etkin bir şekilde uygulanmış bir bakım stratejisi ile minimuma indirgenebilmektedir. Akademik literatürde bakım stratejileri genellikle önleyici, kestirimci ve düzeltici olmak üzere üç ana başlık altında incelenmektedir. Önleyici bakım, makinelerin periyodik kontrollerini ve arızaların başlamasından önce gerekli müdahaleleri içermekte, böylece arızaların ve sistem dışı kalma sürelerinin önüne geçmeyi hedeflemektedir. Düzeltici bakım ise arızalar meydana geldikten sonra yapılan müdahaleleri kapsamaktadır. Müdahaleler genellikle daha yüksek maliyet ve uzun süreli devre dışı anlamına gelmektedir. Son dönemlerde özellikle Endüstri 4.0 teknolojilerinin entegrasyonu ile birlikte kestirimci bakım stratejileri üzerine yapılan akademik çalışmalar artmıştır. Kestirimci bakım, makinelerdeki potansiyel arızaları önceden belirleyebilmek, bakım ihtiyaçlarını zamanında saptayabilmek ve böylece kusurlu ürünlerin üretimini ve makinenin devre dışı olma sürelerini minimize etmek amacıyla geliştirilmektedir. Bu yaklaşım makinelerin durumunu sürekli olarak izleyerek sensör verileri ve işletim parametrelerini analiz etmektedir. Kestirimci bakımın etkinliği, büyük veri analitiği ve makine öğrenmesi algoritmalarının kullanımı ile daha da artırılabilmektedir. Yapılan bu literatür taraması, özellikle kestirimci bakım kapsamında kullanılan makine öğrenmesi tekniklerini ve algoritmalarını ele almaktadır ve bu alandaki çalışmaların daha da genişletilmesi için bir temel oluşturmaktadır. Bu çalışmalar, gelecekteki bakım yöntemlerinin daha etkin ve maliyet açısından verimli hale getirilmesinde öneme sahiptir. Çalışmada, makine öğrenmesi tekniklerinin kestirimci bakım süreçlerinde arıza tahmini ve bakım zamanlaması gibi kritik kararların optimize edilmesinde nasıl kullanılabileceğini incelemektedir. Çalışma, toplamda 5 bölümden oluşmaktadır. Çalışmanın İlk Bölümü giriş bölümünden oluşmaktadır. İkinci Bölümde çalışmayla ilgili benzer araştırmalar ve değerlendirmeler yer almaktadır. Üçüncü Bölümde kavramsal literatüre; yapay zeka, makine öğrenmesi, bakım yaklaşımları ve kestirimci bakıma değinilmektedir. Dördüncü Bölümde çalışmanın yöntemi ve bulguları yer almakta ve elde edilen bulgulara göre sekiz farklı sınıflandırma modeli karşılaştırılmış ve XGBoost ile Rastgele Orman en iyi sonuçları verdiği görülmektedir. Beşinci Bölümde ise çalışmanın genel değerlendirmesi ve sonuçları yer almaktadır.
Özet (Çeviri)
In this study, eight different classification models were compared to evaluate the effectiveness of machine learning techniques in predictive maintenance applications. The primary motivation for this research is to reduce maintenance costs, extend equipment lifespan, and enhance operational efficiency by preventing unplanned downtimes in the industrial sector. Although various methods have been proposed for predictive maintenance in the existing literature, there is no clear consensus on which model performs best, particularly when dealing with imbalanced and high-dimensional datasets. Therefore, this study compares the performance of several classification algorithms on imbalanced time series data and employs sampling and feature engineering techniques to improve their effectiveness. During the modeling process, time series features were enriched using window statistics such as moving averages and standard deviations derived from sensor data, while class imbalance was addressed through sampling techniques such as SMOTE. For performance evaluation, the study prioritized metrics more suitable for imbalanced datasets namely F1 score, precision, and recall rather than accuracy. The findings reveal that ensemble learning methods, particularly XGBoost and Random Forest, achieved superior classification performance. In contrast, simpler models such as logistic regression and naive Bayes yielded lower F1 and recall scores. The results are consistent with similar studies in the literature and reinforce the notion that ensemble methods offer high accuracy and reliability in predictive maintenance applications. In this regard, our study highlights the critical importance of model selection in machine learning-based predictive maintenance systems and provides practical insights that may guide industrial implementations
Benzer Tezler
- Üretim sistemlerinde makine öğrenmesi ile kestirimci bakım uygulaması ve modellemesi
Predictive maintenance application and modeling with machine learning in production systems
HAKAN CEYHAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA CEM KASAPBAŞI
- IoT based pump performance monitoring for agricultural irrigation and predictive maintenance with machine learning models
Tarımsal sulama için IoT tabanlı pompa performansının izlenmesi ve makine öğrenimi modelleri ile kestirimci bakımın tahminlenmesi
İRFAN ÖKTEM
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUĞÇE DEMİRDELEN
- Toplu taşıma araçlarında yapay zekâ tabanlı kestirimci bakım yaklaşımı
Artificial intelligence based predictive maintenance approach in public transport vehicles
ÖZLEM GÜVEN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Teknik ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ŞAHİN
- Endüstriyel kutulama robotlarında makine öğrenmesi temelli arıza tahmini ile kestirimci bakım uygulaması
Predictive maintenance application with machine learning based failure estimation in industrial packaging robots
ONUR KOCA
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR TURAY KAYMAKÇI
- 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
2022
Mekatronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ERDİL