Kestirimci Bakım Planlaması İçin Zaman Serisi Modellerine Dayalı Arıza Zamanı Tahmini
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
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.
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.
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.
Açıklama
Anahtar Kelimeler
ARIMA, Hibrit ARIMA-YSA, Yapay Sinir Ağları (YSA), Zaman serisi, Artificial Neural Network (ANN), Hybrid ARIMA-YSA, Time series
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Kaynak, G. (2022). Kestirimci bakım planlaması için zaman serisi modellerine dayalı arıza zamanı tahmini(Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, Konya.
