Üretimdeki anomalilerin makine öğrenmesi metotları kullanılarak tespit edilmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: DEVRİM NAZ AKDAŞ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Derya Birant
Eş Danışman: Pelin Yıldırım Taşer
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Nadir görülen ve verilerin çoğundan önemli ölçüde farklı olan ve önceden bilinmeyen anormallikleri keşfetmek otomotiv endüstrisi için kritik bir ihtiyaçtır. Model tabanlı yöntemlerden biri olan Seyrek Öge Seti Madenciliği (RIM), başarılı analiz sonuçları sağlaması nedeniyle bu çalışmada anomali tespiti için kullanılmıştır. Ancak, hedefe daha uygun, değerli ve güvenilir nadir öğe kümelerini belirleyerek madencilik sürecini iyileştirmek gibi bazı yönlerin hala keşfedilmesi gerekmektedir. Bu yeni yaklaşım ile motive edilen bu çalışma, farklı algoritmalar kullanarak seyrek öğe setlerini (WRIs) araştıran ve güçlü öğe setleri (SRIs) elde etmek için bu kuralları bir araya getiren Seyrek Öğe Seti Madenciliği Topluluğu (ERIM) adlı yeni bir yaklaşım önermektedir. Bu çalışma aynı zamanda dört farklı Seyrek Öge Seti algoritmalarını (Apriori Rare, Apriori Inverse, CORI ve RP-Growth) ilk kez birleştirir. Önerilen ERIM yaklaşımı, bir vaka çalışması olarak otomotiv endüstrisine uygulanmıştır. Yapılan deneylerde, ERIM, makine duruş sürelerindeki anormallikleri keşfetmek için gerçek dünyadaki bir dişli üretim veri setine uygulanmıştır. Deneysel sonuçlar, bazı örnekler de verilerek, öğe kümesi sayısı ve öğe kümesi uzunluğu açısından değerlendirilmiştir. Sonuçlar, önerilen ERIM yaklaşımının, temel öğrenenler tarafından keşfedilen seyrek öğe setleri arasındaki ilişkiyi birlikte ele alarak daha güvenilir ortak bilgi verdiğini göstermiştir. Deneysel sonuçlar, önerilen ERIM tekniğinin anomalileri tespit etmede başarılı olduğunu göstermiştir. Yöntemimizin aynı veri setinde en son teknolojiye sahip yöntemlerden ortalama %43,37 daha iyi performans gösterdiği sonuçlardan açıkça görülmektedir. Önerilen yaklaşımın üstünlüğünden yola çıkarak gelecekteki araştırma projelerinde etkin bir şekilde kullanılabileceğini söylemek mümkündür.