KESTİRİMCİ BAKIM ZAMANLARININ MAKİNA ÖĞRENMESİ YÖNTEMLERİYLE TAHMİNLENMESİ: DEMİR ÇELİK SEKTÖRÜNDE BİR UYGULAMA

Abstract

ÖZET Bu çalışmada bir demir çelik tesisinin sıcak hadde tezgahlarından alınmış olan titreşim, akım ve motor devir hızı verileri kullanılarak arıza tahminlemesi yapılmıştır. Her makine, arıza öncesi belirli sinyaller vermektedir. Bu sinyaller gözlemlenerek arıza meydana gelmeden arızanın tahminlenmesi ve önlenmesi, arıza kaynaklı meydana gelebilecek olan zaman, üretim, malzeme, para gibi kayıpların önüne geçecektir. Belirlenmiş olan problemin çözümünde yapay zekanın alt dallarından biri olan makine öğrenmesi algoritmaları kullanılmıştır. Makine öğrenmesi algoritmalarının denetimli öğrenme yöntemlerinden olan destek vektör makinaları ve karar ağaçları algoritmaları kullanılarak tahminleme sağlanmıştır.

Yapılan tahmin çalışmaları sonucunda hangi yöntemin daha doğru sonuçlar verdiği tespit edilmiştir. Çalışma kapsamından modellerin girdi parametresi olarak dört ayrı titreşim verisi, akım verisi ve RPM verisi kullanılmıştır. Modelin iki adet çıktısı bulunmaktadır. Bunlar arıza var, arıza yok değerleridir. Model, arıza eşiğine ulaşıldığı noktalarda işletmeyi bakım yapılması konusunda uyarmaktadır. R Studio programında, R yazılım dili kullanılarak geliştirilen modelde iki ayrı makine öğrenmesi algoritması ile sonuç alınmıştır. Çalışmanın sonucunda karar ağaçları algoritmasının destek vektör makinaları algoritmasına oranla doğruluğu daha yüksek sonuçlar verdiği tespit edilmiştir.

ABSTRACT

In this study, failure estimation was made by using vibration, current and engine speed data obtained from the hot rolling stands of an iron and steel plant. Each machine gives certain signals before failure. By observing these signals, estimating and preventing the malfunction before it occurs, will prevent the losses such as time, production, material, money that may occur due to the malfunction. Machine learning algorithms, one of the sub-branches of artificial intelligence, were used to solve the identified problem. Prediction is provided by using support vector machines and decision tree algorithms, which are among the supervised learning methods of machine learning algorithms.

As a result of the estimation studies, it was determined which method gave more accurate results. Four different vibration data, current data and RPM data were used as input parameters of the models within the scope of the study. The model has two outputs. These are fault, no fault values. The model warns the business to perform maintenance at the points where the failure threshold is reached. In the R Studio program, the results were obtained with two different machine learning algorithms in the model developed using the R software language. As a result of the study, it has been determined that the decision trees algorithm gives higher accuracy than the support vector machine algorithm.