Korelasyona dayalı aykırılık saptama ve kestirimci bakım

Abstract

Üretim ekipmanları genellikle planlı bir bakım yaklaşımı olmadan kullanılmaktadır. Böyle bir strateji, beklenmeyen arızalar nedeniyle sıklıkla planlanmamış aksama sürelerine neden olur. Zamanlanmış bakım, beklenmeyen ekipman durmalarını önlemek için bileşenleri sık sık değiştirir, ancak makinenin çalışmaması ve bakım maliyeti ile ilişkili süreyi artırır. Endüstri 4.0 ve akıllı sistemlerin ortaya çıkması, aksama süresini azaltabilecek ve imalat ekipmanının kullanılabilirliğini (kullanım oranını) artırabilecek olan kestirimci bakım, ya da Kestirimci Bakım (Predictive Maintenance - PdM) stratejilerine artan ilgi gösterilmesine yol açmaktadır. Kestirimci Bakım (Predictive Maintenance - PdM) son yıllarda yaygın olarak kullanılmakta olan bir uygulamadır, veri analizi ile cihazlarda daha sorun oluşmadan önce, durumu izleyen ve arıza çıkarma ihtimallerini değerlendirip, önlem alan bir bakım metodudur. Arıza olasılığını azaltmak için normal çalışma sırasında ekipmanın performansını ve durumunu izler. Kestirimci bakım ayrıca, bileşenlerin kullanım ömrünü en üst düzeye çıkararak üretimde sürdürülebilir uygulamaları geliştirme potansiyeline sahiptir. Üretim, altyapı, sağlık ve enerji gibi çeşitli endüstrilerde verimliliği artırmak ve işletme maliyetlerinden tasarruf sağlayabilmek için kullanılmaktadır.Bu tez çalışmasında sık kullanılan regresyon metotları yerine yapay sinir ağları kullanılarak sonuçlar gözlemlenmiş ve bunların diğer regresyon modelleri ile performans açısından karşılaştırılması gösterilmeye çalışılmıştır.

Production equipment is often used without a planned maintenance approach. Such a strategy often leads to unplanned downtime due to unexpected failures. Scheduled maintenance frequently replaces components to prevent unexpected equipment downtime, but increases the time associated with machine downtime and maintenance cost. The emergence of Industry 4.0 and intelligent systems has led to increased interest in Predictive Maintenance (PdM) strategies that can reduce downtime and increase the availability (utilization) of manufacturing equipment.Predictive Maintenance (PdM) is a widely used application in recent years. It is a maintenance method that monitors the situation and evaluates the possibility of failure before data problems occur. Monitors the performance and condition of the equipment during normal operation to reduce the possibility of failure. Predictive maintenance also has the potential to develop sustainable applications in production by maximizing the lifetime of the components. It is used in various industries such as production, infrastructure, health and energy to increase productivity and save operating costs.In this thesis, using artificial neural networks instead of commonly used regression methods, the results were observed and their comparison with other regression models in terms of performance was tried to be shown.