Geri Dön

Kestirimci bakım planlaması için zaman serisi modellerine dayalı arıza zamanı tahmini

Failure time prediction based on time series models for predictive maintenance planning

PDF İndir

  1. Tez No: 755201
  2. Yazar: GAMZE KAYNAK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ BİLAL ERVURAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: ARIMA, Hibrit sistemler, Yapay sinir ağları, Zaman serileri, ARIMA, Hybrid systems, Artificial neural networks, Time series
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Necmettin Erbakan Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Arıza tahmini, arızaların tespit edilmesi ve bakım programı oluşturulması için işletmelerde önemli rol oynayan konulardan bir tanesidir. İşletmeler müşteri memnuniyetini sağlamak ve rakipleri ile rekabet edebilmek için sistemdeki plansız duruşları ve buna neden olan öngörülemeyen sebepleri ortadan kaldırması gerekmektedir. Bakım planlama sistemin sürekli olarak çalışır durumda olmasını sağlamak amacı ile yapılan faaliyetlerin planlanmasıdır. Bu çalışmada bir gıda firmasının kurutma hattındaki plansız duruşları ortadan kaldırmak ve kestirimci bakım planı oluşturmak için makine arıza tahmini çalışması yapılmıştır. ARIMA modeli doğrusal modeller için Yapay Sinir Ağları doğrusal olmayan modeller için iyi sonuçlar vermektedirler. Fakat gerçek hayat verilerinde hem doğrusal hem de doğrusal olmayan veriler bulunabilmektedirler. Bu nedenle hibrit modeller daha iyi sonuçlar verebilmektedirler. Çalışmada ARIMA, Yapay Sinir Ağları (YSA) ve Hibrit ARIMA-YSA modelleri kullanılmıştır. Veri seti ARIMA, Yapay Sinir Ağları (YSA) ve Hibrit ARIMA-YSA modelleri ile ayrı ayrı modellenmiştir. 3 aylık makine arızası veri seti ile çalışılmıştır. Her bir model için 3 aylık makine arıza zamanı tahmin değerleri oluşturulmuştur. Oluşturulan tahmin değerleri Ortalama Mutlak Hata (MAE), Ortalama Karesel Hata (MSE), Ortalama Mutlak Hata Yüzdesi (MAPE) ve Karekök Ortalama Mutlak Hata (RMSE) performans metrikleri ile istatistiksel olarak incelenmiştir. Hibrit modelin ARIMA ve YSA modellerine göre daha iyi sonuçlar verdiği gözlemlenmiştir.

Özet (Çeviri)

Failure estimation is one of the issues that play an important role in companies detecting failures and constructing a maintenance program. To ensure customer satisfaction and compete with their competitors, companies need to eliminate unplanned stops in the system and the unforeseen reasons that cause them. Maintenance planning is the planning of activities carried out to ensure that the system is in continuous operation. In this study, a machine failure estimation study was carried out to eliminate unplanned stops in the drying line of a food company and to construct a predictive maintenance plan. ARIMA for linear models and Neural Networks for nonlinear models provide acceptable results. However, real-life problems can include both linear and non-linear data. Therefore, hybrid models can provide better results. The study used ARIMA, Artificial Neural Networks (ANN), and Hybrid ARIMA-ANN models. The data set was modeled separately with ARIMA, Artificial Neural Networks (ANN), and Hybrid ARIMA-ANN models. It has been studied with a 3-month machine failure data set. For each model, 3-month prediction values of machine failure time were computed. Estimated values were statistically analyzed using Mean Absolute Error (MAE), Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), and Root Mean Square Error (RMSE) performance metrics. The hybrid model has been demonstrated to give better results than the ARIMA and ANN models.

Benzer Tezler

  1. Tez No

    392949

    Wind speed prediction using linear prediction methods

    Lineer öngörü metodları ile rüzgar hızı öngörüsü

    ZAFER CANAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    YRD. DOÇ. DR. BURAK BARUTÇU

  2. Tez No

    850673

    Toplu taşıma araçlarında yapay zekâ tabanlı kestirimci bakım yaklaşımı

    Artificial intelligence based predictive maintenance approach in public transport vehicles

    ÖZLEM GÜVEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiBursa Teknik Üniversitesi

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HASAN ŞAHİN

  3. Tez No

    152696

    Endüstriyel sistemlerde erken uyarıcı dinamik bakım

    Pre-warning dynamic maintenance in industrial systems

    ANDAÇ BATUR ÇOLAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2004

    Makine MühendisliğiMustafa Kemal Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF.DR. ERTUĞRUL BALTACIOĞLU

  4. Tez No

    876874

    Digital twin prototyping and simulation pipeline proposal through the integration of BIM and IOT

    BIM ve IOT entegrasyonu yoluyla dijital ikiz prototip ve simülasyon hattı önerisi

    MARWA ABDELFATTAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    MimarlıkAltınbaş Üniversitesi

    Mimarlık Ana Bilim Dalı

    Assist. Prof. Dr. CAN UZUN

  5. Tez No

    565580

    Development of a dynamic maintenance algorithm with multiple scenarios: A case study for surface mining

    Çoklu senaryoya sahip bir dinamik bakım-onarım algoritması geliştirilmesi: Bir açık işletme uygulaması

    MERVE ÖLMEZ TURAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Maden Mühendisliği ve MadencilikOrta Doğu Teknik Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONUR GÖLBAŞI

Geri Dön