Makine öğrenmesi kullanılarak endüstriyel pres makinesi için kestirimci bakım uygulaması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik Mühendisliği , Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: ERKUT YİĞİT
Danışman: Mehmet Zeki Bilgin
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Endüstri 4.0 uygulamalarının temel amacı üretim zinciri boyunca maksimum çalışma süresini sağlamak, üretim maliyetlerini düşürmek ve verimliliği artırmaktır. Endüstri 4.0 teknolojilerinden olan Büyük Veri, Nesnelerin İnterneti (IoT) ve Makine Öğrenmesi (ML) sayesinde Kestirimci Bakım çalışmaları hız kazanmıştır. Endüstride Kestirimci Bakım uygulamak, bakım ve onarım süresi uzun süren arıza sayısını azaltmakta, üretim kayıplarını ve maliyetlerini minimum seviyeye indirmektedir. Makine öğrenmesinin kullanımıyla, ekipmanlarda bilinmeyen sebeplerle yaşanan arızalar ve ekipmanın bakım ihtiyacı tahmin edilebilmektedir. Makine öğrenmesi ile tahmin modelleri oluşturmak için doğru bilgi toplamak ve farklı sistemlerden gelen birçok veriyi kullanabilmek gerekmektedir. Kestirimci bakımla ilgili büyük miktardaki verinin varlığı ve gerçek zamanlı bu verileri izleme ihtiyacı, veri toplarken yaşanan gecikmeler, ağ ve sunucu problemleri bu süreçte yaşanan büyük zorluklardır. Bir diğer önemli hususta yapay zekanın kullanımı ile ilgilidir. Örneğin eğitim verilerini elde etme, değişken çevre şartları ile başa çıkma, belirli bir senaryoya daha iyi uyan ML algoritmasının seçilmesi, operasyonel koşullara ve üretim ortamına duyarlı bilginin gerekliliği yapılacak analizler için büyük önem taşımaktadır. Bu çalışmada otomotiv endüstrisinde kullanılan transfer pres makinesi için bakım ihtiyacı zamanı tahmininde bulunan ve anormal durumlar yaklaştığında ilgili kişilere uyarı mesajı verebilen kestirimci bakım çalışmaları incelenmiştir. Öncelikle makineye geçmişte meydana gelen arızaların tespitine yönelik çeşitli sensörler yerleştirilmiş ve bu sensörlerden hangi verilerin toplanacağı belirlenmiştir. Toplanan verilerle anomali tespiti yapabilmek ve geçmişteki arızaları modellemek için kullanılan makine öğrenmesi algoritmaları oluşturularak otomotiv parçaları üreten bir fabrikada uygulama yapılmıştır. Gerçek üretim koşullarında toplanan ham verilerin eksik ve yanlış kısımları temizlenerek model için hazır hale getirilmesi sağlanmıştır. Geçmişte yaşanan iki farklı motor arızası için veriler arızaya yakın ve arızaya uzak olarak etiketlenmiş, makine öğrenmesi algoritmaları ile arıza tahmini yapılmıştır. Kullanılan denetimli makine öğrenmesi algoritmalarından Rastgele Orman algoritması en yüksek performansı göstermiştir.