Kestirimci Bakım Planlaması İçin Zaman Serisi Modellerine Dayalı Arıza Zamanı Tahmini

Basit Öğe Kaydı
dc.authorid0000-0003-0773-988Xen_US
dc.contributor.advisorErvural, Bilal
dc.contributor.authorKaynak, Gamze
dc.date.accessioned2022-10-18T13:13:51Z
dc.date.available2022-10-18T13:13:51Z
dc.date.issued2022en_US
dc.date.submitted2022-08-02
dc.departmentNEÜ, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalıen_US
dc.description.abstractArıza 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.en_US
dc.description.abstractFailure 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.en_US
dc.identifier.citationKaynak, 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.en_US
dc.identifier.urihttps://hdl.handle.net/20.500.12452/8652
dc.language.isotren_US
dc.publisherNecmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectARIMAen_US
dc.subjectHibrit ARIMA-YSAen_US
dc.subjectYapay Sinir Ağları (YSA)en_US
dc.subjectZaman serisien_US
dc.subjectArtificial Neural Network (ANN)en_US
dc.subjectHybrid ARIMA-YSAen_US
dc.subjectTime seriesen_US
dc.titleKestirimci Bakım Planlaması İçin Zaman Serisi Modellerine Dayalı Arıza Zamanı Tahminien_US
dc.title.alternativeFailure Time Prediction Based on Time Series Models for Predictive Maintenance Planningen_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
GAMZE KAYNAK.pdf
Boyut:
1.39 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Yüksek Lisans Tezi
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleskiyonu