Toplu taşıma araçlarında yapay zekâ tabanlı kestirimci bakım yaklaşımı
Küçük Resim Yok
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Donanım bağımlı bir sistemin yaşam döngüsü boyunca plansız aksamalar olmaksızın hizmet verebilmesi için sistemin bakım ihtiyaçlarının zamanında karşılanması gerekmektedir. Bakım ihtiyacı, sisteme, ekipmanın çalışma mantığına ve yaşam döngüsünün hangi evresinde olduğuna bağlı olarak değişebilen temel bir gereksinimdir. Bu gereksinim için sistemde oluşabilecek arızaların onarılabilir olduğu şekilde düzeltici ve arızaların oluşmasını engelleyecek önleyici faaliyetlerle uygun bir bakım planlaması yapılabilmektedir. Düzeltici bir bakım politikasında arıza kendisine odaklanıp arızayı gidermeye yönelik çalışmalar yapılırken, önleyici bakım politikasında potansiyel arıza tespit çalışmalarına odaklanılmaktadır. Bu çalışmada, ulaştırma sektöründe gerçek bir problem ele alınmış ve toplu taşıma araçlarında arıza oluşmadan tahminlenmesi üzerine önleyici bakım politikasında kestirimci bakım yapılmıştır. Çalışmanın amacı, bakım politikası olarak düzeltici bakım olan bir toplu taşıma firmasının beklenmedik arızalardan kaynaklı aksamaları ve hatta durma noktasına gelen sefer planlarını ve arıza kaynaklı kazaları önlemek amacıyla önleyici bir bakım politikası izlenmesidir. Politika olarak akıllı bir sistem benimsenmiş ve makine öğrenmesi ile kestirimci bakım tercih edilmiştir. Bakım sisteminin ilk aşaması için pilot bir araç seçilmiş ve arızaların en iyi şekilde tespit edilebildiği IoT sağlık verileri değişken olarak alınmış ve bu değişkenler için anlık veriler toplanarak eğitim ve test veri setleri oluşturulmuştur. Kestirimci bakımın sonucunu oluşturmak için aracın sağlık durumunu sağlıklı ve arızalı olarak sınıflandırmak üzere Rassal Orman, Destek Vektör Makineleri, Lojistik Regresyon, K-En Yakın Komşu ve Naif Bayes makine öğrenmesinde sınıflandırma teknikleri kullanılmıştır. Nihai sağlık sonucunun oluşturulması için de topluluk öğrenme yöntemleri kullanılmış ve beş sınıflandırma yönteminin sonucu arasında oylama yapılıp aracın sağlık durumunu gösteren son karar verilmiştir. Aracın anlık sağlık durumu oluştuktan sonra sağlıklı olma durumunun ne zamana kadar geçerli olduğunu gösteren aracın kalan yaşam ömrü ise ağaç tabanlı bir regresyon yöntemi olan Gradyan Arttırma Regresyon Ağaçları tercih edilmiştir. Bu çalışma ile, toplu taşıma araçlarında yaşanan gerçek bir probleme çözüm üretilmiş ve elde edilen sonuçlar, toplu taşıma araçlarında gözlenen plansız arızaların tatmin edici derecede önüne geçilebildiğini göstermiştir. Böylece söz konusu arızalarla birlikte bu arızaların yol açtığı maliyet, zaman, müşteri ve itibar kayıpları da azaltılmıştır.
In order for a hardware dependent system to provide service throughout its lifecycle without unplanned disruptions, the maintenance needs of the system must be met in a timely manner. Maintenance need is a basic requirement that can vary depending on the system, the operating logic of the equipment and the stage of its life cycle. For this requirement, a proper maintenance planning can be made for the system with corrective activities to repair the system when failures occur and preventive activities to prevent failures from occurring in the system. While a corrective maintenance policy focuses on the fault itself and works to eliminate the fault, a preventive maintenance policy focuses on potential fault detection activities. In this study, a real problem in the transportation sector was addressed and predictive maintenance was performed in the preventive maintenance policy on the prediction of failures in public transportation vehicles. The aim of the study is to follow a preventive maintenance policy in order to prevent disruptions caused by unexpected malfunctions of a public transportation company with corrective maintenance as a maintenance policy, and even travel plans that come to a standstill and accidents caused by malfunctions. An intelligent system has been adopted as a policy and predictive maintenance with machine learning has been preferred. A pilot vehicle was selected for the first stage of the maintenance system, and IoT health data, where failures can be best detected, were taken as variables, and training and test data sets were created by collecting instantaneous data for these variables. Classification techniques such as Random Forest, Support Vector Machines, Logistic Regression, K-Nearest Neighbor and Naive Bayesian machine learning were used to classify the vehicle's health status as healthy and defective in order to create the result of predictive maintenance. Community learning methods were also used to create the final health result, and a vote was taken between the results of the five classification methods and the final Deci sion was made indicating the health status of the vehicle. Gradient Enhancement Regression Trees, a tree-based regression method, have been preferred for the remaining life span of the vehicle, which shows how long the vehicle's state of health is valid after the vehicle's instantaneous health status has been formed. With this study, a solution to a real problem experienced in public transportation has been created and the results obtained have shown that unplanned failures observed in public transportation can be satisfactorily prevented. Thus, along with these failures, the cost, time, customer and reputation losses caused by these failures have also been reduced.
In order for a hardware dependent system to provide service throughout its lifecycle without unplanned disruptions, the maintenance needs of the system must be met in a timely manner. Maintenance need is a basic requirement that can vary depending on the system, the operating logic of the equipment and the stage of its life cycle. For this requirement, a proper maintenance planning can be made for the system with corrective activities to repair the system when failures occur and preventive activities to prevent failures from occurring in the system. While a corrective maintenance policy focuses on the fault itself and works to eliminate the fault, a preventive maintenance policy focuses on potential fault detection activities. In this study, a real problem in the transportation sector was addressed and predictive maintenance was performed in the preventive maintenance policy on the prediction of failures in public transportation vehicles. The aim of the study is to follow a preventive maintenance policy in order to prevent disruptions caused by unexpected malfunctions of a public transportation company with corrective maintenance as a maintenance policy, and even travel plans that come to a standstill and accidents caused by malfunctions. An intelligent system has been adopted as a policy and predictive maintenance with machine learning has been preferred. A pilot vehicle was selected for the first stage of the maintenance system, and IoT health data, where failures can be best detected, were taken as variables, and training and test data sets were created by collecting instantaneous data for these variables. Classification techniques such as Random Forest, Support Vector Machines, Logistic Regression, K-Nearest Neighbor and Naive Bayesian machine learning were used to classify the vehicle's health status as healthy and defective in order to create the result of predictive maintenance. Community learning methods were also used to create the final health result, and a vote was taken between the results of the five classification methods and the final Deci sion was made indicating the health status of the vehicle. Gradient Enhancement Regression Trees, a tree-based regression method, have been preferred for the remaining life span of the vehicle, which shows how long the vehicle's state of health is valid after the vehicle's instantaneous health status has been formed. With this study, a solution to a real problem experienced in public transportation has been created and the results obtained have shown that unplanned failures observed in public transportation can be satisfactorily prevented. Thus, along with these failures, the cost, time, customer and reputation losses caused by these failures have also been reduced.
Açıklama
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
