Endüstriyel otomasyon sistemlerinde veri gözlemlenebilirliği için açıklanabilir yapay zeka yaklaşımı
An explainable ai (XAİ) approach for data observability in industrial automation systems
- Tez No: 998224
- Danışmanlar: PROF. DR. ERDİNÇ UZUN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yapay zeka ve makine öğrenmesi dersi, İnsan-yapay zeka etkileşimi, Artificial intelligence and machine learning course, Human-artificial intelligence interaction
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Tekirdağ Namık Kemal Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Endüstriyel üretim sistemlerinin diğer yapılarla bütünleşmesi, Endüstri 4.0 bağlamında yüksek hacimli ve yüksek frekanslı veri akışlarının etkin biçimde işlenmesini zorunlu hâle getirmiştir. Bu dönüşüm, kestirimci bakım (Predictive Maintenance – PdM) uygulamalarının yaygınlaşmasını sağlamakla birlikte, özellikle karmaşık makine öğrenmesi ve derin öğrenme modellerinin kara kutu niteliği nedeniyle karar süreçlerinin yorumlanabilirliği ve güvenilirliği konusunda önemli soru işaretleri doğurmuştur. Bu tez çalışmasında, söz konusu kısıtların ele alınması amacıyla, veri gözlemlenebilirliği prensiplerini merkeze alan ve açıklanabilirliği ön planda tutan bütüncül bir arıza tespit ve karar destek yaklaşımı önerilmektedir. Bu çalışmada veri seti olarak Azure Kestirimci Bakım veri seti kullanılmıştır. Yüksek hesaplama maliyeti gerektiren derin öğrenme mimarileri yerine, gürültülü zaman serisi verileri üzerinde daha kararlı sonuçlar üretebilen, yorumlanabilirliği destekleyen ve hızlı olan LightGBM algoritması tercih edilmiş, farklı model yaklaşımları ile karşılaştırmalı olarak değerlendirilmiştir. Endüstriyel veri setlerinde yaygın olarak karşılaşılan sınıf dengesizliği problemi, doğruluk metriğine dayalı değerlendirmelerin yanıltıcı olabileceği dikkate alınarak, hassasiyet dengesini gözeten metrikler ve ağırlıklandırma stratejileri ile ele alınmıştır. Modelin karar mekanizmalarının anlaşılabilirliğini artırmak amacıyla SHAP yöntemi kullanılarak öznitelik katkıları analiz edilmiş ve arıza oluşumuna etki eden temel faktörler operatör bakış açısıyla yorumlanmıştır. Zaman serisi tabanlı veri bölme ve doğrulama stratejileri sayesinde veri sızıntısı riski minimize edilmiş, elde edilen deneysel bulguların gerçek endüstriyel senaryolara daha yakın ve tutarlı bir değerlendirme sunduğu gösterilmiştir.
Özet (Çeviri)
The industrial integration of production systems with cyber-physical structures has made the effective processing of high-volume and high-frequency data streams a necessity within the context of Industry 4.0. While this transformation has accelerated the adoption of Predictive Maintenance (PdM) applications, the black-box nature of complex machine learning and deep learning models has raised significant concerns regarding the interpretability and reliability of decision-making processes. In this thesis, a holistic fault detection and decision support approach is proposed, centering on data observability principles and prioritizing explainability to address aforementioned constraints. The Azure Predictive Maintenance dataset was utilized for the study. Instead of computationally intensive deep learning architectures, the LightGBM algorithm—noted for its speed, ability to produce stable results on noisy time-series data, and support for interpretability—was preferred and comparatively evaluated against alternative modeling approaches. The class imbalance problem, a common challenge in industrial datasets, was addressed using metrics focusing on precision-recall balance and weighting strategies, acknowledging that accuracy-based evaluations can be misleading. To enhance the interpretability of model decisions, SHAP (SHapley Additive exPlanations) was employed to analyze feature contributions, enabling the underlying factors influencing fault occurrences to be interpreted from an operator-oriented perspective. By adopting time-series-based data splitting and validation strategies, the risk of data leakage is minimized, allowing the experimental results to reflect real-world industrial scenarios more reliably and consistently.
Benzer Tezler
- Endüstriyel otomasyon sistemlerinde saha veri yolu teknolojisi
Fieldbus technology in industrial automation systems
SEDAT KAYA
Yüksek Lisans
Türkçe
2010
Teknik EğitimMarmara ÜniversitesiElektrik Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. SELÇUK ATIŞ
- Endüstriyel otomasyon sistemlerinde yapay zeka yöntemleri ile arıza tespiti
Fault detection in industrial automation systems with artificial intelligence methods
OĞUZHAN ÇÖMLEKCİ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEYİR ÖZCAN SEMERCİ
- Endüstriyel sensör verileriyle makine arızasıtahmini: topluluk öğrenmesi, açıklanabiliryapay zeka ve otomasyon tabanlı entegre biryaklaşım
Machine failure prediction with industrial sensor data: Anintegrated approach based on ensemble learning,explainable artificial intelligence and automation
RIZA KUTLU
Yüksek Lisans
Türkçe
2025
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERPİL AYDIN
- 3g ile endüstriyel otomasyon sistemlerinin izlenmesi
The monitoring of industrial automation systems via the 3G
UĞUR ÖZDEMİR
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İLHAMİ MUHARREM ORAK
- Endüstriyel üretim bantlarında anomali tespiti için yapay zekâ kullanımı
The use of artificial intelligence for anomaly detection in industrial production lines
MEHMET AYBERK ÇAKAR
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiManisa Celal Bayar ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF ÖZÇEVİK