YÜKSEK LİSANS DÖNEM PROJESİ · YÖNETİM BİLİŞİM SİSTEMLERİ
Kestirimci Bakım Platformu
Endüstriyel sensör verisini arıza olasılığına, risk durumlarına, otomatik iş emirlerine ve bakım akışlarına dönüştüren uçtan uca bir kestirimci bakım ve iş zekâsı platformu.
Model değil, çalışan bir sistem.
Çalışmanın amacı yalnızca bir makine öğrenmesi modelinin performansını ölçmek değildi. Sensör verisinin üretilmesinden tahmine, risk sınıflandırmasından alarma, otomatik iş emrinden bakım planlamasına ve gösterge paneline kadar bütün akışı tek ürün içinde birleştirdim.
Problem
Reaktif bakım, ekipman arızalandıktan sonra müdahale eder. Bu proje, üretim ekipmanlarındaki çok değişkenli sensör sinyallerini sürekli işleyerek arıza riskini daha erken görünür hâle getiren ve bu tahmini bakım operasyonuna bağlayan bir sistem tasarlıyor.
Rol & sahiplik
Sistem mimarisi, ön yüz, PHP REST API, Python/FastAPI makine öğrenmesi servisi, XGBoost modeli, veritabanı tasarımı, veri üretim mantığı ve yayınlama dahil projenin tamamını bağımsız olarak tasarladım ve geliştirdim.
Dört katman. Ayrık sorumluluklar.
Uygulama katmanlarını birbirinden ayırdım; böylece veri kaynağı ve ML modeli değişirken arayüz, iş mantığı ve veri katmanının tamamını yeniden yazmak gerekmiyor.
Gerçek endüstriyel bağlam, sentetik eğitim verisi.
Gerçek arıza verisine erişim ve gizlilik kısıtları nedeniyle eğitim verisi sentetik üretildi. Ancak parametreler boya, alkali ve tandem/PLTCM süreçlerindeki sıcaklık, titreşim, basınç, akım, tork ve benzeri endüstriyel sensör davranışlarını temsil edecek şekilde tasarlandı. Canlı sistem 6 makine için 10 saniyede bir yeni sensör kaydı üretiyor.
Yapay mükemmellik yerine kalibre edilmiş tahmin.
İlk deterministik etiketleme yaklaşımı gerçekçi olmayan yaklaşık %99 doğruluk üretiyordu. Kritik eşiklerin çevresinde bir “gri bölge” oluşturarak belirsiz örnekleri modele dahil ettim ve olasılık çıktılarının daha gerçekçi kalibre edilmesini hedefledim.
Model karşılaştırması
| MODEL | DOĞR. | AUC | GERİ ÇAĞIRMA |
|---|---|---|---|
| Lojistik Regresyon | %74 | 0.821 | %71 |
| SVM | %77 | 0.876 | %79 |
| Random Forest | %79 | 0.901 | %83 |
| XGBoost | %81 | 0.922 | %87 |
Seçilen model: XGBoost
Tahminden bakım aksiyonuna.
Kritik risk yalnızca kırmızı bir kart üretmiyor. Sistem alarmı bakım iş akışına taşıyor; otomatik iş emri oluşturulabiliyor, iş emri atanıp güncellenebiliyor ve bakım planları aynı platformdan izlenebiliyor.
Çalışan ürün yüzeyi
Sınırlar & sonraki adımlar
Bu çalışma canlı bir yazılım sistemi olarak konuşlandırıldı; ancak model sentetik veriyle eğitildi. Gerçek saha entegrasyonunda SCADA/Modbus adaptörü devreye alınmalı, model gerçek arıza dağılımlarıyla yeniden eğitilmeli ve gerçek bakım ekipleriyle kullanıcı kabul testleri yapılmalı.