Endüstriyel sistemlerde veri madenciliği yaklaşımlarının kullanımı ve bir uygulama

Abstract

Bu çalışmada üretim sektöründe faaliyet gösteren bir firmanın kaynak makine verileri ele alınmıştır. Gerçekleştirilen çalışma ile kaynak sonucunda oluşan kalite ve kalitesizliği belirleyen değişkenlerin, endüstriyel sistemlerde yaygınlaşmakta olan veri madenciliği yaklaşımlarının sistematik bir biçimde uygulanması ile tespiti hedeflenmektedir. Veri madenciliği uygulamalarına hazır hale getirmek ve elde edilecek sonuçların kalitesini arttırmak amacıyla veri setine veri önişleme adımları uygulanmıştır. Uygulamaya hazır hale getirilen veriler, kullanılan modellerin performanslarını ölçmek amacıyla eğitim ve test kümelerine ayrılmıştır. Veri madenciliği yöntemlerinden gözetimli öğrenme algoritmaları uygulanmış ve uygulanan modellerin performansları farklı senaryolar için değerlendirilmiştir. Uygulama sonucunda en yüksek performans AdaBoost karar ağacı modeli ile elde edilmiş ve sonuçlar yorumlanmıştır.

In this study, welding machine data of a company operating in the production sector are discussed. The aim of the study is to determine the variables that determine the quality and poor quality resulting from welding, by systematically applying data mining approaches that are becoming widespread in industrial systems. Data preprocessing steps were applied to the data set in order to make it ready for data mining applications and to increase the quality of the results to be obtained. The data made ready for implementation are divided into training and test sets in order to measure the performance of the models used. Supervised learning algorithms, one of the data mining methods, were applied and the performances of the applied models were evaluated for different scenarios. As a result of the application, the highest performance was obtained with the AdaBoost decision tree model and the results were interpreted.