Application of Machine Learning Methods with Dimension Reduction Techniques for Fault Prediction in Molding Process

Authors : Fatma DEMİRCAN KESKİN, İnanç KABASAKAL

Pages : 371-378

View : 19 | Download : 7

Publication Date : 2020-05-26

Article Type : Research Paper

Abstract :Teknolojide yaşanan gelişmeler ve büyük veriyi kullanarak değer yaratmaya imkân sağlayan ileri analitik teknikler, üretim sistemleri üzerinde önemli etkiler yaratmış, Endüstri 4.0 ve akıllı imalat sistemlerinin temelini oluşturmuştur. Akıllı imalat sistemlerinin en kritik yapı taşlarından birini oluşturan kestirimci mühendislik, süreçlerden gerçek zamanlı doğru verinin toplanmasını, bu verinin ileri analitik teknikler uygulanarak öngörücü bir bakış açısıyla analiz edilmesini ve bu sayede değer yaratılmasını gerektirmektedir. Makine öğrenmesi yöntemleri, süreç verileri kullanılarak anlamlı bilgi elde etme ve hata tahmini yapmada yoğun ilgi görmektedir. Bu çalışmada, birbiri ardına gerçekleşen çok sayıda alt süreç içeren döküm sürecinde hata tahminleme problemi, makine öğrenmesi yöntemleri ve boyut indirgeme teknikleri uygulanarak ele alınmıştır. Veri setinin boyutunu indirgemek için öncelikle Temel Bileşenler Analizi insert ignore into journalissuearticles values(TBA); ve İzometrik Özellik Haritalama insert ignore into journalissuearticles values(İÖH); teknikleri uygulanmıştır. Hata tahminlemesi için, indirgenmiş veri setine, makine öğrenmesi yöntemlerinden Destek Vektör Makineleri insert ignore into journalissuearticles values(DVM);, Yapay Sinir Ağları insert ignore into journalissuearticles values(YSA); ve Lojistik Regresyon insert ignore into journalissuearticles values(LR); uygulanmıştır. Çalışmanın veri setini, bir jant üreticisi firmanın döküm sürecinden elde edilen gerçek ölçüm değerleri oluşturmaktadır. Uygulanan makine öğrenmesi yöntemlerinin performansı ve boyut indirgeme yöntemlerinin bu yöntemlerin performansı üzerindeki etkileri, tahmin doğruluğu, eğri altındaki alan, Tip-1 hata ve Tip-2 hata ölçütleri kullanılarak değerlendirilmiştir. Tahminleyici modellerde doğruluk oranının %92,16 insert ignore into journalissuearticles values(LR); - 98,04 insert ignore into journalissuearticles values(TBA-YSA); aralığında elde edildiği görülmüştür. TBA ve İÖH tüm modellerin tahmin doğruluğu ve Tip-1 hata ölçütlerinde iyileşme sağlarken, Tip-2 hata ölçütünde aynı başarıyı yakalayamamıştır.
Keywords : Boyut İndirgeme, Hata Tahmini, Endüstri 4 0, Makine Öğrenmesi, Döküm Süreci