Tekstil sektöründe boya tamir işlemleri için makine öğrenmesi tabanlı erken tahmin metodolojisi
Machine learning-based early prediction methodology for dye repair processes in the textile industry
- Tez No: 996547
- Danışmanlar: DR. ÖĞR. ÜYESİ SENA KIR
- Tez Türü: Yüksek Lisans
- Konular: Tekstil ve Tekstil Mühendisliği, Endüstri ve Endüstri Mühendisliği, Textile and Textile Engineering, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mühendislik Bilimleri Ana Bilim Dalı
- Bilim Dalı: Mühendislik Yönetimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Üretim süreçlerinde kaliteyi en fazla düşüren ve maliyetleri artıran en kritik aşamalardan biri yeniden işleme süreçleridir. Hatalı ürünlerin düzeltilmesi amacıyla yürütülen bu süreçler, yalnızca ek maliyet ve zaman kaybına yol açmakla kalmayıp aynı zamanda verimliliği düşürmekte ve müşteri memnuniyetini olumsuz etkilemektedir. Bu çalışmada, yeniden işleme ve hata tespiti konularında makine öğrenmesi (ML) yöntemlerinin kullanımı incelenmiştir. Bu doğrultuda, Sakarya'da faaliyet gösteren bir tekstil firmasının boyahane bölümünden elde edilen üretim verileri kullanılarak kapsamlı bir analiz gerçekleştirilmiştir. Çalışmada literatürde sıklıkla tercih edilen yöntemlerden farklı olarak Rastgele Orman, K-En Yakın Komşu ve Extreme Gradient Boosting algoritmaları uygulanmış ve elde edilen bulgular karşılaştırılmıştır. Sınıf dengesizliğinin makine öğrenmesi modelleri üzerindeki etkisini azaltmak amacıyla da SMOTE uygulanmıştır. Ardından beş katlı doğrulama ile modellerin genellenebilirliği test edilmiştir. Sonuç olarak bu çalışma, ML algoritmalarının tekstil sektöründe kalite kontrol süreçlerine entegre edilerek karar destek mekanizması olarak kullanılabileceğini göstermektedir. Özellikle RF ve XGBoost modelleri, üretim süreçlerinde erken uyarı sistemleri geliştirmek için güçlü adaylar olarak önerilmektedir.
Özet (Çeviri)
One of the most critical stages that most significantly reduce quality and increase costs in production processes is rework operations. These processes, which are carried out to correct defective products, not only lead to additional costs and time loss but also decrease efficiency and negatively affect customer satisfaction. In this study, the use of machine learning (ML) methods in rework and defect detection is examined. Accordingly, a comprehensive analysis was conducted using production data obtained from the dyehouse department of a textile company operating in Sakarya. Unlike many commonly preferred methods in the literature, Random Forest, K-Nearest Neighbors, and Extreme Gradient Boosting algorithms were applied, and the findings were compared. To mitigate the impact of class imbalance on machine learning models, SMOTE was also employed. Subsequently, five-fold cross-validation was used to test the generalizability of the models. As a result, this study demonstrates that ML algorithms can be integrated into quality control processes in the textile industry and used as a decision-support mechanism. In particular, the RF and XGBoost models are proposed as strong candidates for developing early warning systems in production processes.
Benzer Tezler
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
- İki katlı pamuk ipliklerinden dokunan kumaşlarda örgüye bağlı olarak maksimum atkı sıklığının değişimi üzerinde bir araştırma
Başlık çevirisi yok
MELTEM ASLI NARTER
- Ege bölgesi keçi liflerinin bazı önemli fiziksel, kimyasal özellikleri ve değerlendirme imkanları
Başlık çevirisi yok
NİLÜFER ERDEM
- Konfeksiyon işletmelerinde performans ölçümleri ve işgücü planlanmasına katkıları
Başlık çevirisi yok
SEVİN BRAV
