MAKİNE ÖĞRENİMİ VE DERİN ÖĞRENME TEMELLİ HATA TAHMİN MODELLERİNİN GELİŞTİRİLMESİ
Proje no. 22750 · Durum: Kapanmış · 2021
Özet
Teknolojide yaşanan köklü ve yenilikçi gelişmelerin imalat sistemlerine yansıması ile işletmeler büyük bir dönüşüm sürecine girmektedir. Gelinen noktada imalat sistemlerinin temelini oluşturan en önemli yapılardan biri, imalat süreçlerinden, makine ve ekipmanlardan gerçek zamanlı olarak toplanan verinin ileri analitik teknikler ile kestirimci analizlerinin yapılması, süreçte görünür hale gelmemiş sapmaların fark edilerek, hata ve arızalara dönüşmeden önlenebilmesidir.<br /> İmalat süreçlerinde birçok faktörün etkisiyle hatalar ve makine, ekipman arızaları ortaya çıkabilmektedir. Bu hata ve arızalar, verimlilikte düşüşlere, maliyet artışlarına, üretim süreçlerinde istenen kalite seviyesinin yakalanamamasına yol açabilmektedir. Bu nedenle hata ve arızaların tahminlenmesi ve gerçekleşmeden önlenebilmesi büyük önem taşımaktadır. <br /> Makine öğrenmesi ve derin öğrenme yöntemleri, hata ve arıza tahminleme problemlerinde, büyük hacimli ve karmaşık yapıdaki veri setlerindeki başarılı performanslarının da etkisiyle özellikle son dönemlerde büyük ilgi görmektedir. Bu projede, hata tahminleme problemi için, gerçek süreç verilerine dayalı makine öğrenmesi ve derin öğrenme tabanlı modeller geliştirilmesi amaçlanmaktadır. Modeller geliştirilirken makine öğrenmesi yöntemlerinden Lojistik Regresyon (Logistic Regression- LR), Rassal Orman (Random Forest -RF), Yapay Sinir Ağları (Artificial Neural Networks - ANN), derin öğrenme yöntemlerinden Uzun-Kısa Süreli Bellek (Long Short-term Memory- LSTM) gibi yöntemlerin denenmesi planlanmaktadır. Geliştirilecek modellerin performansı tahmin doğruluğu, kesinlik, duyarlılık ve F1 skoru metriklerine göre değerlendirilecek ve karşılaştırılacaktır. Modellerin aynı zamanda literatürde sıklıkla kullanılan Case Western Reserve Üniversitesi’nin yayınlamış olduğu rulman titreşim verilerine (https://csegroups.case.edu/bearingdatacenter/home) de uygulanarak test edilmesi ve performanslarının geçmiş sonuçlar ile karşılaştırılması planlanmaktadır