Machine learning for zero defect manufacturing
Sıfır hatalı üretim için makine öğrenmesi
- Tez No: 959321
- Danışmanlar: PROF. DR. İSMAİL BÖĞREKCİ, PROF. DR. PINAR DEMİRCİOĞLU
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Aydın Adnan Menderes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Makine Mühendisliği Bilim Dalı
- Sayfa Sayısı: 164
Özet
Sıfır Hata Üretim (Zero Defect Manufacturing, ZDM) yaklaşımına ulaşmak, hata-ları tespit ve önleme yeteneğine sahip, akıllı ve veri odaklı sistemlerin entegrasyonunu gerektirir. Özellikle evrişimsel sinir ağları (CNN) gibi derin öğrenme modelleri ve en-semble (topluluk) öğrenme teknikleri, karmaşık veri analizini otomatikleştirerek endüstri-yel süreçlerin güvenilirliğini artırmaktadır. Bu çalışma, veri dengesizliği, model yorumlanabilirliği ve gerçek zamanlı uygula-ma gibi kritik zorlukları ele almaktadır. Endüstriyel görüntü veri kümeleri üzerinde, Effi-cientNet-B3 %99,97 doğruluk, ResNet-50 %99,89 doğruluk elde etmiş, MobileNetV3 ise %99,65 doğruluk ile en hızlı çıkarımı (119,88 FPS) sağlamıştır. Kestirimci bakım se-naryolarında, GAN ile zenginleştirilmiş XGBoost ve SimCLR ile güçlendirilmiş XGBo-ost, Rastgele Arızalar için sırasıyla 0,993 ve 0,992 F1-skoru elde etmiştir. Few-Shot Pro-totypical Network, Rastgele Arızalar için 0,988 F1-skoru sağlamış, ayrıca Güç Arızaları (0,999) ve Takım Aşınma Arızaları (0,991) için yüksek skorlar vermiştir. Model açıklanabilirliği, kararların izlenebilir olmasını sağlayan Grad-CAM görsel-leştirmeleri ile incelenmiştir. Ağırlıklı örnekleme ve özel kayıp fonksiyonları ile veri den-gesizliğinin etkileri azaltılmıştır. CNN'ler ve zenginleştirilmiş tahmin modelleri, doğru-dan Raspberry Pi 5 üzerinde gerçek zamanlı ve düşük güç tüketimli uygulamalar için optimize edilmiştir. Bu çalışma, makine öğrenimindeki teorik gelişmeler ile pratik endüstriyel uygula-malar arasındaki boşluğu kapatarak, Endüstri 4.0 paradigması kapsamında esnek, ölçek-lenebilir ve sürdürülebilir üretim sistemlerinin gelişimine katkı sağlamaktadır.
Özet (Çeviri)
Achieving Zero Defect Manufacturing (ZDM) requires the integration of intelli-gent, data-driven systems capable of fault detecting and prevention. Deep learning models particularly convolutional neural networks (CNNs), and ensemble learning tech-niques enhance the reliability of industrial processes by automating complex data analy-sis. This study addresses critical challenges, including data imbalance, model inter-pretability, and real-time deployment. On industrial image datasets, EfficientNet-B3 achieved 99.97% accuracy, ResNet-50 reached 99.89%, and MobileNetV3 delivered 99.65% accuracy with the fastest inference (119.88 FPS). For predictive maintenance, GAN-augmented XGBoost and SimCLR-enhanced XGBoost achieved F1-scores of 0.993 and 0.992 for Random Failures. A Few Shot Prototypical Network delivered 0.988 for Random Failures and near-perfect detection of Power (0.999) and Tool Wear Failures (0.991). Explainability was ensured through Grad-CAM visualizations, enabling transpar-ent and traceable model decisions. Weighted sampling and custom loss functions effec-tively addressed data imbalance while lightweight CNNs and augmented predictive models were optimized for real-time, low-power deployment on Raspberry Pi 5, directly supporting industrial ZDM. By bridging the gap between theoretical advances in machine learning and practi-cal industrial implementations, this study contributes to the evolution of flexible, scala-ble, and sustainable manufacturing systems within the industry 4.0 paradigm.
Benzer Tezler
- Yapay zeka metotlarını kullanarak otomotiv sektöründeki örnek problemlerinin çözümlerinin araştırılması
Investigation of solutions of sample problems in the automotive industry using artificial intelligence methods
İLHAN ÇEKİÇ
Doktora
Türkçe
2022
Makine MühendisliğiBursa Uludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. KADİR ÇAVDAR
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Bir tekstil firmasında kanban sisteminin uygulanması
An Application of kanban system in a textile company
UĞUR ÖZÇER
- Toplam kalite yönetimi, kalite güvencesi sistemleri ve Türkiye'deki uygulamaları
Total quality management, quality assurance systems and their applications in Turkey
AHMET BEŞKESE
Yüksek Lisans
Türkçe
1995
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. ATAÇ SOYSAL
- Çok modelli/ürünlü montaj hatların dengelenmesi için yeni bir model ve çözüm yöntemi
Başlık çevirisi yok
MURAT BASKAK
Doktora
Türkçe
1998
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET TANYAŞ