KaydedilenlerDerginizi ekleyin

Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2022 / Sayı: 33

Üretim Sistemlerinde Makine Öğrenmesi ile Kestirimci Bakım Uygulaması ve Modellemesi

Predictive Maintenance Application and Modeling With Machine Learning In Production Systems

Hakan CEYHAN
Mustafa Cem KASAPBAŞI
Sayfa
167–175
Yayın Tarihi
2022-01-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen veriler ile temel bileşen analizi (Principal Component Analysis - PCA) ve rastgele orman (Random Forest - RF) makine öğrenmesi yöntemleri kullanılarak, sırasıyla denetimsiz ve denetimli olarak bakım zaman tahminleri %85,17 başarı oranı ile gerçekleştirilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Üretim sistemlerinin verimlilikleri söz konusu olduğunda bakım yaklaşımları son derece önemli bir role sahiptir.
📊
Temel Bulgular & Veri:Geleneksel bakım yaklaşımları kısıtlı bir başarı sağlamış olsa da günümüz endüstriyel teknolojilerinin özellikle de Endüstri 4.0‘ın itici gücü ile birlikte makinelerden belirli standartlar ile veriler gerçek zamanlı okunabilmekte ve bu verilerle makine öğrenmesi (Machine Learning - ML) aracılığı ile bakım zamanları optimize edilebilmektedir.
💡
Sonuç & Katkı:Elde edilen veriler ile temel bileşen analizi (Principal Component Analysis - PCA) ve rastgele orman (Random Forest - RF) makine öğrenmesi yöntemleri kullanılarak, sırasıyla denetimsiz ve denetimli olarak bakım zaman tahminleri %85,17 başarı oranı ile gerçekleştirilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Endüstri 4.0 · Makine Öğrenmesi · Kestirimci Bakım

Özet

Üretim sistemlerinin verimlilikleri söz konusu olduğunda bakım yaklaşımları son derece önemli bir role sahiptir. Geleneksel bakım yaklaşımları kısıtlı bir başarı sağlamış olsa da günümüz endüstriyel teknolojilerinin özellikle de Endüstri 4.0‘ın itici gücü ile birlikte makinelerden belirli standartlar ile veriler gerçek zamanlı okunabilmekte ve bu verilerle makine öğrenmesi (Machine Learning - ML) aracılığı ile bakım zamanları optimize edilebilmektedir. Böylece kestirimci bakım anlayışı ile üretim sürecindeki herhangi bir bakım gerektiren arıza önceden öngörülerek bu durum yaşanmadan önüne geçilebilmektedir. Bu çalışmada döküm fabrikasındaki makinede, makine öğrenmesi ile kestirimci bakım uygulamasını gerçekleştirebilmek amacıyla veriler 6 ay boyunca toplanmıştır. Elde edilen veriler ile temel bileşen analizi (Principal Component Analysis - PCA) ve rastgele orman (Random Forest - RF) makine öğrenmesi yöntemleri kullanılarak, sırasıyla denetimsiz ve denetimli olarak bakım zaman tahminleri %85,17 başarı oranı ile gerçekleştirilmiştir.

Abstract

Maintenance approaches have an extremely important role when it comes to efficiency in production systems. Although traditional maintenance approaches have had limited success, with the driving force of today's industrial technologies, especially Industry 4.0, all maintenance data generated on production machines can be collected in real time, and maintenance times can be optimized through machine learning. Thus, with the predictive maintenance approach, any maintenance-required breakdown in the production process can be foreseen and prevented before this situation occurs. In this study, data were collected for 6 months in order to implement predictive maintenance with machine learning on the production machine in the casting factory. With the obtained data, using PCA (Principal Component Analysis) and Random Forest machine learning methods, unsupervised and supervised maintenance time estimations were performed with an accuracy of 85.17%.

🔖

Bu Makaleye Atıf Yap

CEYHAN, H., KASAPBAŞI, M. C. (2022). Üretim Sistemlerinde Makine Öğrenmesi ile Kestirimci Bakım Uygulaması ve Modellemesi. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 33, 167–175. https://ajindex.com/articles/470048

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Agrawal, G. (2017). Should India Stay Away from the Fourth Revolution?. Available at SSRN 3084256. https://doi.org/10.2139/ssrn.3084256
  2. Angelopoulos, A., Michailidis, E. T., Nomikos, N., Trakadas, P., Hatziefremidis, A., Voliotis, S., & Zahariadis, T. (2020). Tackling faults in the industry 4.0 era—a survey of machine-learning solutions and key aspects. Sensors, 20(1), 109. https://doi.org/10.3390/s20010109
  3. Ayvaz, S., & Alpay, K. (2021). Predictive maintenance system for production lines in manufacturing: A machine learning approach using IoT data in real-time. Expert Systems with Applications, 173, 114598. https://doi.org/10.1016/j.eswa.2021.114598
  4. Bektaş, O. Ğ. U. Z. (2020). Kestirimci Bakım İçin Döner Mekanizma Bozulma Eğrisinin Tanımlanması. Avrupa Bilim ve Teknoloji Dergisi, (19), 420-428. https://doi.org/10.31590/ejosat.708257
  5. Calayır, G. N., & Kabak, M. (2021). Bakım için makine öğrenme tekniklerinin analizi ve bir uygulama. Journal of Turkish Operations Management, 5(1), 662-675.
  6. Carvalho, T. P., Soares, F. A., Vita, R., Francisco, R. D. P., Basto, J. P., & Alcalá, S. G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024
  7. Cavalieri, S., & Cutuli, G. (2010, September). Performance evaluation of OPC UA. In 2010 IEEE 15th conference on emerging technologies & factory automation (ETFA 2010) (pp. 1-8). IEEE. https://doi.org/10.1109/ETFA.2010.5641184
  8. Chazhoor, A., Mounika, Y., Sarobin, M. V. R., Sanjana, M. V., & Yasashvini, R. (2020, October). Predictive Maintenance using Machine Learning Based Classification Models. In IOP Conference Series: Materials Science and Engineering (Vol. 954, No. 1, p. 012001). IOP Publishing. https://doi.org/10.1088/1757-899X/954/1/012001
  9. Çınar, Z. M., Abdussalam Nuhu, A., Zeeshan, Q., Korhan, O., Asmael, M., & Safaei, B. (2020). Machine learning in predictive maintenance towards sustainable smart manufacturing in industry 4.0. Sustainability, 12(19), 8211. https://doi.org/10.3390/su12198211
  10. Gedikli, T., ERVURAL, B. Ç., & ŞEN, D. T. (2021). Bulanık TOPSIS ve Bulanık AHP Yaklaşımlarıyla En Uygun Bakım Stratejisinin Belirlenmesi: Bir Gıda İşletmesinde Uygulama. Avrupa Bilim ve Teknoloji Dergisi, (22), 212-225. https://doi.org/10.31590/ejosat.838168
  11. Kimera, D., & Nangolo, F. N. (2020). Predictive maintenance for ballast pumps on ship repair yards via machine learning. Transportation Engine