Ozkul, TimurTopalli, Ayca2025-06-252025-06-2520252564-6605https://doi.org/10.28948/ngumuh.1465282https://search.trdizin.gov.tr/en/yayin/detay/1295909/comparison-of-machine-learning-methods-for-limited-predictive-maintenancehttps://hdl.handle.net/20.500.14365/6268Kestirimci bakım, duyaçların varlığı ve teçhizatların bağlanabilirliği ile son zamanlarda artan bir ilgi elde etmiştir. Yine de, özellikle eski cihazlardan geniş çapta veri elde etmek zor olabilir. Bu makale, verilerin endüstriyel bir düzenekten alınan alarm kayıtları ile sınırlı olduğu bir ortam için, geçmiş bilgileri kullanarak yakın gelecekteki bir durumu öngören akıllı bir yöntemi tanımlamaktadır. Makine öğrenmesi yöntemlerinin zaman dizisi verileri kullanarak sınıflandırma yapma işlerinde etkili olduğu kanıtlanmış olduğundan, sinir ağları, rassal orman ve aşırı eğim arttırma olarak seçilen üç yöntem, bir alarmın ve aynı makinenin kaydettiği diğer alarmların geçmiş oluşumlarından, o alarmı iki saat önceden tahmin etmek üzere eğitilmiştir. Bu üç yöntemin performansları kıyaslanmış ve hiper-parametre değerleri arasından en iyi yapılandırmayı bulmak hedeflenmiştir. Elde edilen sonuçlara göre, aşırı eğim arttırma, 500 ağaç sayısı, 128 azami derinlik ve son günden alarm oluşumları girdi penceresi ile 0.767 olan en yüksek F1 puanını vermektedir. Bu çalışma, makinelerin işlemesi ve bakımı hakkında potansiyel olarak önemli anlayışlar sağlayan ve dikkate değer masraf azaltma imkânları sunan alarm öngörüleri için en iyi makine öğrenmesi yöntemini belirlemeyi hedefleyen kıyaslamalı bir araştırmadan oluşmaktadır.eninfo:eu-repo/semantics/openAccessArticle10.28948/ngumuh.1465282