Makine öğrenmesi yöntemleri ile ön görücü bakım modeli geliştirilmesi

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Yazılım Mühendisliği, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: EREN ERİŞ

Danışman: Hakan Gündüz

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışma, ön görücü bakım uygulamalarında sıklıkla karşılaşılan sınıf dengesizliği, zaman serisi verilerinin etkin şekilde işlenmesi ve model kararlılığının sağlanması gibi temel problemlere odaklanmaktadır. Araştırmada, Microsoft Azure platformu tarafından sağlanan gerçek endüstriyel sensör verileri kullanılarak, farklı makine öğrenmesi yaklaşımlarının arıza tahmin performansları karşılaştırmalı olarak incelenmiştir. Çalışma kapsamında XGBoost, CatBoost, LightGBM, Gradient Boosting ve AdaBoost olmak üzere beş farklı boosting tabanlı algoritma değerlendirilmiştir. Zaman serisi verilerinin yapısal özelliklerinden yararlanmak amacıyla hareketli ortalama, üstel ağırlıklı ortalama ve fark tabanlı istatistiksel öznitelikler gibi gelişmiş özellik çıkarım teknikleri uygulanmıştır. Ayrıca, ön görücü bakım problemlerinde yaygın olarak görülen sınıf dengesizliği sorununu azaltmak amacıyla Random Under Sampling (RUS), SMOTE, SMOTEN ve ADASYN gibi örnekleme yöntemleri kullanılarak modellerin performansı analiz edilmiştir. Elde edilen sonuçlar, RUS yönteminin veri kaybına bağlı olarak bazı performans metriklerinde düşüşe neden olduğunu, buna karşılık sentetik örnekleme yöntemlerinin özellikle duyarlılık ve F1-skoru açısından belirgin iyileşmeler sağladığını göstermektedir. Modeller, 48 saatlik geçmiş veriler kullanılarak 3, 5, 12 ve 24 saatlik zaman pencerelerinde eğitilmiş; 1 ve 3 saat sonraki arıza durumlarını tahmin edecek şekilde değerlendirilmiştir. Sonuçlar, özellikle 12 saatlik tahmin penceresinde yaklaşık %95 doğruluk ve yüksek F1-skoru ile en dengeli kestirim başarısının elde edildiğini ortaya koymaktadır. Çalışma ayrıca eğitim süresi, bellek kullanımı ve açıklanabilirlik kriterleri açısından modelleri karşılaştırarak, boosting tabanlı yöntemlerin ön görücü bakım uygulamaları için güçlü ve uygulanabilir bir çözüm sunduğunu göstermektedir.