Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: VOLKAN AK
Danışman: Alpaslan Burak İnner
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
| Bu tezde, üretim sektöründe Kestirimci Bakım (KB) stratejilerinin maliyet azaltma potansiyeli incelenmiştir. Üretim süreçlerinden kaynaklanan büyük veri hacminin, derin öğrenme algoritmaları ile etkin bir biçimde işlenmesi durumunda, hata tahmini ve tanısı açısından önemli avantajlar sağlayarak, işletme sürelerinin azalmasına, arızaların önlenmesine ve maliyetlerin düşürülmesine olanak tanıdığı belirlenmiştir. Araştırmada, Hilbert ve Wavelet Dönüşümleri ile zenginleştirilmiş Uzun Kısa Süreli Bellek (LSTM) modeli kullanılarak Kalan Kullanılabilir Ömür (RUL) tahminleri başarıyla gerçekleştirilmiştir. NASA tarafından sağlanan 100 Turbofan motoruna ait 21 sensör verisi analiz edilmiştir. Önceki çalışmalarda bu sensör verilerinin tamamının kullanılmadığı, seçici sensör verilerinin tercih edildiği gözlemlenmiştir. Bu çalışmada, veri setinin ön işleme aşamalarında min-max ölçeklendirme ve aykırı değer analizi uygulanmış ve model performansını artırmak, yüksek boyutlu verileri yönetmek ve hesaplama maliyetini azaltmak amacıyla Temel Bileşen Analizi (PCA) kullanılmıştır. Korelasyon değerleri 0.8'in üzerinde olan sensörler, tahmin doğruluğunu artırmak için özellik seçim sürecinde önceliklendirilmiştir. Veri setinin %80'i eğitim, %20'si ise test için ayrılmıştır. LSTM modeli, bu verilerle her motorun RUL değerini başarıyla tahmin etmiştir. Modelin performansı R-Kare (R²) ve Kök Ortalama Kare Hata (RMSE) metrikleri ile değerlendirilmiş ve elde edilen sonuçlar, Doğrusal Regresyon, Rastgele Orman Regresyonu, Destek Vektör Makinesi, XgBoost ve Sinir Ağı modelleriyle karşılaştırılmıştır. Modelimizden Eğitimde 10.141 RMSE değeri, -0.104 R2 değeri ile Test için 12.43 RMSE, -0.066 R2 değeri elde edildi Bulgular, LSTM modelinin RUL tahminlerinde diğer yöntemlere göre daha etkili ve doğru olduğunu ortaya koymuştur. Tezin bulguları, LSTM modelinin Hilbert Dönüşümü ile RUL tahminlerinde güçlü ve doğru bir yöntem olduğunu, diğer yöntemlere kıyasla tahmin doğruluğu bakımından üstünlüğünü kanıtlamış ve RUL tahmin modellerinin performansını artırma yönünde gelecek çalışmalar için sağlam bir temel oluşturmuştur. | |||