Kapalı döngü dağıtım sistemlerinde kestirimci bakım ve hata analizi

Abstract

Bu tez çalışmasında gelişen e-ticaret sektörü ile dağıtım merkezlerinde ilerleyen otomasyon teknolojileri ve getirdiği büyük veri üzerinde istatistiksel metotlar, makine öğrenmesi ve derin öğrenme algoritmaları ile kestirimci bakım yöntemi çalışılmıştır. Yüksek verimlilik hedefleri, gelişen teknoloji ile kompleks hale gelen sistemler ve artan ekipman sayısı sebebiyle bakım süreçleri de verimliliğini arttırmak zorunda kalmıştır. Bu sebeple veri biliminin bakım süreçlerine entegre edilmesi zorunlu hale gelmiştir. Ancak sistemlerin ürettiği verilerin analize hazır olması için ara sistemler ve yazılımların devreye alınması gerekmektedir. Bu çalışmada verinin toplanması ve analiz için hazırlanması adımlarında uygulamaya özel yazılımlar geliştirilmiştir. Toplanan veriler içinde motorların hedeflenen ve anlık hızları arasındaki sapma değerleri ile oluşturulan zaman serilerinde SARIMA, Gradient Boosting, XGBoost, LSTM ve Prophet algoritmaları ile gelecek değer tahmini yapılarak gerçekleşen değer ile karşılaştırılmıştır. Sonuçlarda RMSE ve MAE parametreleri kullanılarak algoritmaların performans karşılaştırılması yapılmış, algoritmaların avantaj ve dezavantajlarına değinilmiştir. Sonuçlar ile faydalı olabilecek algoritmalar ve olası senaryolar belirlenmiştir.In this thesis study, predictive maintenance methods are explored using statistical methods, machine learning, and deep learning algorithms on the large-scale data generated by evolving automation technologies in distribution centers and the growing e-commerce sector. Due to increasing efficiency goals, the complexity of systems driven by advancing technology, and the rising number of equipment, maintenance processes are also required to improve their effectiveness. As a result, integrating data science into maintenance operations has become essential. However, for system-generated data to be ready for analysis, intermediate systems and software tools must be implemented. In this study, custom software applications were developed for data collection and preprocessing specific to the application context. Using the time series generated from the deviation between the target and actual speeds of motors, future values were predicted using SARIMA, Gradient Boosting, XGBoost, LSTM, and Prophet algorithms, and these predictions were compared with the actual values. The performance of the algorithms was evaluated using RMSE and MAE metrics, and the advantages and disadvantages of each algorithm were discussed. Based on the results, potentially useful algorithms and applicable scenarios were identified.