Journal of Materials and Mechatronics: A
Yazarlar: ["Erkan Caner ÖZKAT"]
Konular:-
DOI:10.55546/jmm.1161542
Anahtar Kelimeler:Fault detection,Machine learning,Classification,Ensemble methods,Fault detection
Özet: Endüstri devrimi 4.0 ile birlikte, makine öğrenimi yöntemlerini, kalite tahminini, arıza tespitini veya bakımını gerçekleştirmek için üretimin her alanında yaygın olarak kullanılmaktadır. Çelik endüstrisinde, yüksek kaliteli çelik levhalar üretmek için arızaları/kusurları tam olarak tespit etmek önemlidir. Ancak, süreç parametreleri ve mekanik özellikler arasındaki kesin birinci ana modeli belirlemek zorlu bir süreçtir. Ek olarak, çelik levha kusurları, çeliğin geleneksel üretim sürecinde manuel, maliyetli ve daha az üretkenlik sağlayan çevrimdışı denetim yoluyla tespit edilir. Bu nedenle, çelik plaka hatalarının otomatik olarak tespit edilmesini sağlamak büyük bir zorunluluktur. Bu amaçla, bu çalışma, aşağıdaki üç grup makine öğrenme modeli Adaboost, Bagging ve Random Forest'ın çelik levha hatalarının tespitinde yeteneklerini araştırmaktadır. Bu çalışmada İletişim Bilimleri Araştırma Merkezi Semeion tarafından sağlanan iyi bilinen çelik levha arıza veri seti kullanılmıştır. Bu veri setini kullanan birçok araştırmanın amacı, geliştirilen modellerin gerçek dünya problemlerine uygulanabilirliğini göz ardı ederek, geleneksel makine öğrenimi modellerini kullanarak çelik levhalardaki hataları doğru bir şekilde sınıflandırmaktır. Üretim dinamik bir süreçtir, sürekli ayarlamalar ve iyileştirmeler yapılır. Bu nedenle yeni bilgilere dayalı olarak en iyi modeli belirleyen yapay öğrenme süreçlerinin oluşturulması gerekmektedir. Çelik levha arıza veri seti ile ilgili önceki çalışmaların aksine, bu makale, aykırı değerlerin etkilerini azaltmak için veri hazırlama aşamasında normalleştirme adımını, kısa hesaplama süresi olan bir makine öğrenmesi modeli geliştirmek için boyut küçültme aşamasında özellik seçimi adımını ve makine öğrenmesi modelinin doğruluğunu artırmak için model geliştirme aşamasında hiperparametre optimizasyon adımını içeren sistematik bir modelleme yaklaşımı sunmaktadır. Geliştirilen makine öğrenmesi modellerinin performansları istatistiksel ölçütlere göre kesinlik, geri çağırma, duyarlılık ve doğruluk açısından karşılaştırılmıştır. Sonuçlar, eğitim ve test veri kümeleri için sırasıyla %93.15 ve %91.90 doğruluk puanlarına ulaşan AdaBoost'un bu veri setinde en iyi performansı gösterdiğini ortaya koymuştur.