Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightVerilerin analizi için Python programı kullanılmış ve çalışmanın sonucunda XGBoost ve DT algoritmalarının daha yüksek doğruluk oranı verdiği tespit edilmiştir.
📌 3 Maddede Bu Makale
Özet
Günümüzde endüstriyel tesislerde seri üretimin durmadan verimli bir şekilde devam etmesi oldukça önemlidir. Üretim hatlarında yaşanabilecek herhangi bir arıza, uzun duruşlara neden olup üretim verimliliğini olumsuz yönde etkilemektedir. Bu arızaların yaşanmasını önlemek için planlı bakım ve kestirimci bakım uygulamaları büyük bir öneme sahiptir. Geleneksel bakım yöntemlerinin yanında günümüz endüstriyel teknolojilerinin etkisi ile özellikle endüstri 4.0’ın getirdiği yeni yöntemler ile kestirimci bakım uygulamaları, bakım çalışmaları içerisinde ön plana çıkmıştır. Uyarıcı bakım olarak da bilinen bu yöntem sayesinde üretim sistemlerinde bakım gerektiren bir arıza önceden tahmin edilerek bu durum yaşanmadan ve sistemi uzun bir süre durdurmadan önüne geçilebilmektedir. Bu çalışmada, bir gıda üretim tesisinin nişasta transfer sisteminde yer alan helezon motoru ve şanzıman grubundan alınan titreşim ve sıcaklık değerleri ile ortam sıcaklık ve nem parametreleri kullanılarak makine öğrenmesi ile arıza analizleri yapılmış ve arıza kaynaklı uzun duruşların önüne geçilmeye çalışılmıştır. Denetimli öğrenme yöntemlerinden olan k-en yakın komşu (KNN), karar ağacı (DT), Naive Bayes (NB), destek vektör makineleri (SVM), rassal orman (RF) ve Extreme Gradient Boosting (XGBoost) gibi makine öğrenme algoritmaları kullanılarak sistemlerin performans verileri karşılaştırılmıştır. Çalışma kapsamında ele alınan modellerde girdi verisi olarak ortam sıcaklık ve nem, motor sıcaklık ve titreşim ile redüktör sıcaklık ve titreşim parametreleri kullanılmıştır. Modelin arıza yok, arıza kısa duruş, arıza uzun duruş yakın ve uzun duruş büyük arıza olmak üzere dört çıktısı bulunmaktadır. Verilerin analizi için Python programı kullanılmış ve çalışmanın sonucunda XGBoost ve DT algoritmalarının daha yüksek doğruluk oranı verdiği tespit edilmiştir.
Abstract
Nowadays, it is very important for mass production in industrial facilities to continue efficiently without stopping. Any failure that may occur in production lines causes long stoppages and negatively affects production efficiency. To prevent these failures, planned maintenance and predictive maintenance applications are of great importance. With the new methods brought by Industry 4.0, predictive maintenance, also known as warning maintenance, have come to the forefront in maintenance works. Thanks to this method, a failure requiring maintenance in production systems can be predicted and prevented without stopping the system for a long time. In this study, failure analyzes were performed with machine learning using vibration and temperature values taken from the helical motor and transmission group in the starch transfer system of a food production facility and ambient temperature and humidity parameters, and an attempt was made to prevent long stoppages due to failures. The performance data of the systems were compared using machine learning algorithms such as k-nearest neighbor (KNN), decision tree (DT), Naive Bayes (NB), support vector machines (SVM), random forest (RF) and Extreme Gradient Boosting (XGBoost). In the models considered within the scope of the study, ambient temperature and humidity, motor temperature and vibration and reducer temperature and vibration parameters were used as input data. The model has four outputs: no fault, fault short stop, fault long stop near and long stop major fault. Python program was used for data analysis and as a result of the study, it was determined that XGBoost and DT algorithms gave higher accuracy rate.