Endüstriler için Öngörücü Bakım Analizi

Abstract

Bu çalışma Rastgele Orman, Karar Ağacı, Naive Bayes, Lojistik Regresyon, Destek Vektör Makinesi ve Uzun Kısa Süreli Bellek algoritmalarını kullanarak sensör verilerine yönelik hataları tahmin etmeyi amaçlamaktadır. Proje, olası hataları tespit edebilme ve sensör verilerini kullanarak arızaları tahmin edebilecek şekilde sensör parametreleri verilerinden sonuçlar çıkarmaya odaklandı. Arızayı öngören bu analiz, Kaggle'ın pompa sensörü veri seti aracılığıyla incelenmiştir. Bu bir ikili sınıflandırma problemidir ve gelecekteki gözlemleri tahmin etmek ve bunları pozitif bir etiket (normal) veya negatif bir etiket (broken) olarak sınıflandırmak için geçmiş pompa sensörü verilerini kullanarak zaman serisi analizi gerçekleştirir. Bir enerji santralinde çok sayıda pompa sistemi bulunur. Bunlar enerji üretiminin ana kaynaklarıdır. Sürekli güç beslemesini sağlamak için pompa sistemi mükemmel durumda tutulmalıdır. Sistemdeki pompalardan birinin arızalanması, elektrik üretiminde geçici bir düşüşe ve hatta tamamen kesintiye neden olabilir. Arızaların önceden öngörülmesi durumunda bu durum önlenebilir. Bu nedenle, büyük mali kayıpları önlemek için başarısızlığı erken tahmin etmek önemlidir. Bu nedenle bu tez, pompa sensörlerindeki kestirimci bakıma odaklanmıştır. Ayrıca amaç, en iyi algoritmayı seçmek için algoritmaların performansının karşılaştırılmasıdır. Kestirimci bakım, endüstrilerin bu hataları önlemesinde faydalıdır.

This study aims to predict faults for sensor data using Random Forest, Decision Tree, Naive Bayes, Logistic Regression, Support Vector Machine, and Long Short Term Memory algorithms. The project focused on drawing conclusions from the sensor parameters' data in a way that can detect possible faults and predict failures from sensor data. This analysis which predicts the failure, has been examined through the pump sensor dataset from Kaggle. It is a binary classification problem, and it performs time series analysis using historical pump sensor data to predict future observations and classify them into a positive label (normal) or a negative label (broken). A power plant has several pump systems. These are the main resources of power generation. To ensure continuous power supply, the pump system must be kept in perfect condition. A failure of one of the pumps in the system can lead to a temporary drop in power generation and even a complete outage. This may be avoided if failures are anticipated in advance. Therefore, it is important to anticipate failure early to avoid large financial losses. Thus, this thesis focused on predictive maintenance on pump sensors. Also, the goal is the comparison of the performance of algorithms for choosing the best algorithm. Predictive maintenance is beneficial for industries to prevent these faults.