Ballı, TuğçeYetkin, Emrullah FatihKaçar, Saygın2025-03-152025-03-152024https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=E_eEUHQic_C-LvhxNQn1W1Vbte4vXK-EWgd8EdMlto4zfB9d4xAMAafiJTx9JPrbhttps://hdl.handle.net/20.500.12469/7246Tahmine dayalı bakım (PdM), sanayide bakım verimliliğini ve üretim süreçlerini iyileştirmek için kullanılan önemli bir veri bilimi uygulamasıdır. Sensör tabanlı izleme ve bakım raporları gibi güvenilir verilere sahip olmak, PdM modellerinin başarısı için kritiktir. Ancak, bakım verilerinin kullanımıyla ilgili zorluklar nedeniyle, bu modellerin uygulanmasında bakım ekiplerinin ve uzmanların desteğine ihtiyaç duyulur. En büyük sorun, zaman kısıtlamaları nedeniyle bakım ekiplerinin kapsamlı ve etiketli veri sağlamasının zor olmasıdır, bu da verilerin eksik veya sınırlı kalmasına yol açar. Çok sayıda durum izleme veri seti bulunsa da küçük çaplı bakım işlemleri için etiketlenmiş veri setleri nadirdir. Bu boşluğu doldurmak için, bu tez çalışmasında insan müdahalesine gerek kalmadan etiket üretmeyi hedefleyen bir yaklaşım önerilmektedir. Bu tezde, kritik varlıklardan toplanan titreşim verilerinden bilgi çıkarmak için gerçek zamanlı değişim noktası tespiti (CPD) algoritmalarının kullanılması önerilmektedir. Değişim noktalarını otomatik olarak tespit ederek ham veriyi anlamlı özelliklere dönüştürmek, makine öğrenmesi modellerini iyileştirir ve PdM modellerinin doğruluğunu artırır.CPD yönteminin uygulanabilirliğini göstermek için bir üretim şirketinden alınan titreşim verileri kullanılmıştır. Çalışmanın bulgularını desteklemek için etiketli bir veri seti de kullanılmıştır. Sonuçlar, CPD yaklaşımlarının tahmine dayalı bakım operasyonlarını iyileştirme potansiyelini göstermektedir. Bu kapsamlı yaklaşım, bakım uygulamalarının güvenilirliğini ve endüstriyel sistemlerin uzun vadeli güvenilirliğini artırmada uygulama alanları sunmaktadırPredictive maintenance (PdM) has become one of the key applications of advanced data science for the industry, designed to improve maintenance efficiency manufacturing processes. Sufficient and reliable data, including sensor-based condition monitoring and maintenance reports data from industrial applications, is crucial for building PdM models. However, due to the many barriers and complexities in using maintenance data, effective implementation of these models requires the skills and assistance of maintenance teams and subject matter experts. The major problem is the time constraints that make it difficult to encourage maintenance teams to provide thorough, labeled data, leading to maintenance data that is often missing or only partially accessible. Although many condition monitoring datasets are available, there are very few tagged maintenance datasets. To address this gap, an approach is proposed to produce human-independent labels and improve research options for these datasets. In this study, we suggest the use of real-time change point detection (CPD) algorithms to extract insights from vibration data collected from critical assets. Automating the identification and labeling of change points along with statistical methods improves the feature extraction process, turning raw data into valuable attributes. These attributes are essential for training machine learning models, which in turn enhances the accuracy of predictive maintenance systems. To assess how well the CPD method works, we analyzed vibration data from equipment in a manufacturing company. A pre-labeled dataset was used to back up our findings, highlighting how effective CPD techniques are at extracting features. This approach not only improves the reliability of maintenance processes but also helps ensure the long-term stability of industrial systems, offering practical insights for real-world applicationsenYönetim Bilişim SistemleriManagement Information SystemsMaster Thesis69915151https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=E_eEUHQic_C-LvhxNQn1W1Vbte4vXK-EWgd8EdMlto4zfB9d4xAMAafiJTx9JPrb