Tam koşullu üretim benzetim modellemesi ile veri madenciliği teknikleri kullanılarak kestirimci bakım ve makine öğrenmesi analizleri

Abstract

Modern üretim sistemleri, sistem performansını izleyen ve operasyonlarındaki belirsizlikleri yönetmek için veri toplayan sensörler gibi akıllı cihazlarla kurulur. Ancak, bu sistem kurulumları yüksek maliyetli / yüksek riskli olduğundan, firma içi yatırım sorumluları karar vermekte zorlanmakta ve bazen de projelerin bir üst yönetime sunulması zaman zaman kriz olabilmektedir. Bu sebeple, üretim sistemlerinin tasarlanması ve `optimize edilmesi` için simülasyonun yaygın kullanımı devam etmektedir. Nitekim, simülasyonun imalat sistemlerine diğer uygulama alanlarına göre daha yaygın bir şekilde uygulandığı söylenebilir. Üretim simülasyonu çıktılarının anlamlandırılması, doğru yorumlanması için birçok veri analizi, veri madenciliği yöntemleri kullanılabilir. Verilerin benzer özelliklerinden faydalanılarak daha değerli bilgilere ulaşılabilinir. Böylelikle, kurulum maliyeti yüksek olan sistemlerin fizibilite çalışmalarında önemli bir ön fikir alınabilir. Bu tez çalışmasının birinci bölümünde üretim benzetim modellemesi ilkeleri ile ikinci bölümünde veri madenciliği ve yöntemleri konusu harmanlanmış, kestirimci bakım metodu ile iki farklı açık kodlu yazılım kullanılarak matematiksel sonuçlara ulaşılmış ve tezin son bölümünde k-NN ve Naive Bayes veri madenciliği yöntemleri ile makine öğrenmesi analizleri yorumlanmıştır.

Modern production systems are installed with smart devices, such as sensors that monitor system performance and collect data to manage uncertainties in their operations. However, because these system installations are high-cost/high-risk, it is difficult to decide on-account investment principals, and sometimes it may be a crisis to submit projects to a higher management. For this reason, the widespread use of the simulation continues to be designed and `optimised` for production systems. Indeed, it can be said that the simulation is applied to the manufacturing systems more widely than other application areas.Many data analysis, data mining methods can be used to understand production simulation outputs, to interpret correctly. In this way, the feasibility studies of systems with high installation cost can be taken in an important preliminary idea.In the first part of this thesis study, the Principles of production simulation modeling and the second part of the data mining and methods were blended, mathematical results were achieved using two different open-code software, and the last part of the thesis was K-NN and The analysis of machine learning with naive Bayes data mining methods is interpreted.