Makine öğrenme algoritmaları kullanılarak toplam ekipman etkinliği ölçütünün tahmin edilmesi

Abstract

Pazarlar daha rekabetçi hale geldikçe ve üretim küreselleştikçe, her üretim tesisinin rekabetçi kalabilmek için süreçlerini sıkı bir şekilde takip etmesi ve iyileştirmesi gerekmektedir. Bu hedef doğrultusunda üretim tesisleri, performanslarını ve verimliliklerini artırmak amacıyla odaklanılacak noktaları belirlemek için performans değerlendirme sistemlerini kullanmaktadır. Toplam ekipman etkinliği (TEE), üretim ekipmanının performansını değerlendirmek için yaygın olarak kullanılan bir metriktir. TEE, kullanılabilirliği, performansı ve kaliteyi birleştirerek üretim etkinliğini tanımlamaktadır. Bu doktora tez çalışmasında, Türkiye'de faaliyet gösteren bir kutu fabrikasının oluklu mukavva departmanından elde edilen bir veri seti kullanılarak TEE'yi tahmin etmek için derin öğrenme mimarilerine dayalı yaklaşımlar önerilmiştir. Bu yaklaşımların kullanımıyla işletme yöneticilerinin üretim hatlarındaki aksaklıkları belirlemesine ve TEE'yi iyileştirmek için veriye dayalı kararlar almasına yardımcı olmak amaçlanmıştır. Verilerin analizi ve TEE'nin tahmini için Uzun Kısa Süreli Bellek (Long Short Term Memory, LSTM), Çift Yönlü Uzun Kısa Süreli Bellek (Bi-directional Long Short Term Memory, Bi-LSTM) ve Geçitlendirilmiş Özyinelemeli Birimler (Gated Recurrent Units, GRU) mimarilerine dayalı model mimarileri geliştirilmiştir. Geliştirilen model mimarileri ile elde edilen bulgular bu algoritmaların üretim ortamında TEE'yi tahmin etme potansiyeline sahip olduğunu ve ekipman performansının iyileştirilmesi için kullanılabileceğini göstermektedir.

As markets become more competitive and production becomes globalized, every production facility needs to closely monitor and improve its processes to remain competitive. In line with this goal, production facilities use performance evaluation systems to identify areas of focus to improve their performance and efficiency. Overall equipment effectiveness (OEE) is a widely used metric for evaluating the performance of production equipment. OEE defines production efficiency by combining availability, performance and quality. In this PhD thesis, approaches based on deep learning architectures are proposed to predict OEE using a dataset obtained from the corrugated cardboard department of a box factory operating in Turkey. The use of these approaches is intended to help business managers identify disruptions in production lines and make data-based decisions to improve OEE. Model architectures based on Long Short Term Memory (LSTM), Bi-directional Long Short Term Memory (Bi-LSTM) and Gated Recurrent Units (GRU) architectures were developed for data analysis and OEE prediction. The findings obtained with the developed model architectures show that these algorithms have the potential to predict OEE in a production environment and can be used to improve equipment performance.