KaydedilenlerDerginizi ekleyin

Dergiler / Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi / 2021 / Cilt: 29 Sayı: 2

KESTİRİMCİ BAKIMDA MAKİNE ÖĞRENMESİ: LİTERATÜR ARAŞTIRMASI

Damla Rana DÜNDAR
İnci SARIÇİÇEK
Eyüp ÇİNAR
Ahmet YAZİCİ
Sayfa
256–276
Yayın Tarihi
2021-08-31
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)

Literatürde kestirimci bakımda makine öğrenmesi algoritmalarını kullanan çalışmaları derleyen ve analiz eden bir çalışma bulunmadığından yapılan bu literatür çalışması ilgili konuda çalışacak araştırmacılara yol gösterecektir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Endüstriyel sistemlerdeki makine arızalarını önleyerek üretimde oluşabilecek kesintilerden kaçınmak ve ilgili maliyetleri azaltmak etkin bir bakım yönetimi ile mümkündür.
📊
Temel Bulgular & Veri:Etkin bakım yönetimi önleyici, düzeltici ve kestirimci bakım stratejilerinin yönetilmesi faaliyetlerini içermektedir.
💡
Sonuç & Katkı:Literatürde kestirimci bakımda makine öğrenmesi algoritmalarını kullanan çalışmaları derleyen ve analiz eden bir çalışma bulunmadığından yapılan bu literatür çalışması ilgili konuda çalışacak araştırmacılara yol gösterecektir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Kestirimci Bakım · Makine Öğrenmesi · Derin Öğrenme

Özet

Endüstriyel sistemlerdeki makine arızalarını önleyerek üretimde oluşabilecek kesintilerden kaçınmak ve ilgili maliyetleri azaltmak etkin bir bakım yönetimi ile mümkündür. Etkin bakım yönetimi önleyici, düzeltici ve kestirimci bakım stratejilerinin yönetilmesi faaliyetlerini içermektedir. Son yıllarda, bilgisayar ve iletişim teknolojisindeki gelişmelerle kestirimci bakım stratejisi işletmeler için önem kazanmıştır. Kestirimci bakım kapsamında yapay zekâ teknikleri kullanılmaya ve geliştirilmeye başlamıştır. Bu çalışma, makine öğrenmesi (ML - machine learning) algoritmalarına dayalı kestirimci bakım (PdM - predictive maintenance) ile ilgili literatürdeki çalışmaların bir incelemesidir. İncelenen çalışmalar kullanılan makine öğrenmesi algoritmaları ve çalışmaların gerçekleştirildiği endüstri / ekipman kapsamında analiz edilmiştir. Literatürde kestirimci bakımda makine öğrenmesi algoritmalarını kullanan çalışmaları derleyen ve analiz eden bir çalışma bulunmadığından yapılan bu literatür çalışması ilgili konuda çalışacak araştırmacılara yol gösterecektir.

🔖

Bu Makaleye Atıf Yap

DÜNDAR, D. R., SARIÇİÇEK, İ., ÇİNAR, E., YAZİCİ, A. (2021). KESTİRİMCİ BAKIMDA MAKİNE ÖĞRENMESİ: LİTERATÜR ARAŞTIRMASI. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, Cilt: 29 Sayı: 2, 256–276. https://ajindex.com/articles/905075

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Ahmad, W., Khan, S. A., Islam, M. M. M. ve Kim, J.-M. (2018). A reliable technique for remaining useful life estimation of rolling element bearings using dynamic regression models. Reliability Engineering & System Safety. Doi: https://doi.org/10.1016/j.ress.2018.02.003
  2. Ahmed, R., El Sayed, M., Gadsden, S. A., Tjong, J. ve Habibi, S. (2015). Automotive internal-combustion-engine fault detection and classification using artificial neural network techniques. IEEE Trans. Veh. Technol., 64(1), 21–33.
  3. Al-Dulaimi, A., Asif, A. ve Mohammadi, A. (2020). Noisy parallel hybrid model of NBGRU and NCNN architectures for remaining useful life estimation. Quality Engineering, 32(3), 371–387. Doi: https://doi.org/10.1080/08982112.2020.1754427
  4. Allah Bukhsh, Z., Saeed, A., Stipanovic, I. ve Doree, A. G. (2019). Predictive maintenance using tree-based classification techniques: A case of railway switches. Transportation Research Part C: Emerging Technologies, 101, 35–54. Doi: https://doi.org/10.1016/j.trc.2019.02.001
  5. Aydemir, G. ve Paynabar, K. (2019). Image-based Prognostics Using Deep Learning Approach. IEEE Transactions on Industrial Informatics, 1–1. Doi: https://doi.org/10.1109/tii.2019.2956220
  6. Baptista, M., Sankararaman, S., de Medeiros, I. P., Nascimento, C., Prendinger, H. ve Henriques, E. M. P. (2018). Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling. Computers & Industrial Engineering, 115, 41–53. Doi: https://doi.org/10.1016/j.cie.2017.10.033
  7. Barkana, B. D., Sarıçiçek, İ. ve Yıldırım, B. (2017). Performance analysis of descriptive statistical features in retinal vessel segmentation via fuzzy logic, ANN, SVM, and classifier fusion. Knowledge-Based Systems, 118, 165–176. Doi: https://doi.org/10.1016/j.knosys.2016.11.022
  8. Ben Ali, J., Chebel-Morello, B., Saidi, L., Malinowski, S. ve Fnaiech, F. (2015). Accurate bearing remaining useful life prediction based on Weibull distribution and artificial neural network. Mechanical Systems and Signal Processing, 56-57, 150–172. Doi: https://doi.org/10.1016/j.ymssp.2014.10.014
  9. Ben Ali, J., Fnaiech, N., Saidi, L., Chebel-Morello, B. ve Fnaiech, F. (2015). Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals. Applied Acoustics, 89, 16–27. Doi: https://doi.org/10.1016/j.apacoust.2014.08.016 Benítez, P., Rodrigues, F., Talukdar, S., Gavilán, S., Varum, H. ve Spacone, E. (2018). Analysis of correlati