Üretim sistemlerinde darboğaz tahminlemesi için otomatikleştirilmiş makine öğrenmesi yaklaşımı

Üretim sistemlerinde darboğaz tespiti ve tahmini, işletmelerin operasyonel verimliliğini artırmak ve kaynak kullanımını optimize etmek için kritik bir öneme sahiptir. Darboğazların önceden tespit edilmesi, üretim süreçlerinde kesintilerin en aza indirilmesini ve kapasitenin etkin bir şekilde kullanılmasını sağlar. Bu çalışma, üretim süreçlerinde darboğaz tahmini için otomatikleştirilmiş makine öğrenmesi (AutoML) yöntemlerinin uygulanabilirliğini araştırmaktadır. Çalışmada, bir üretim sisteminde kullanılan dokuz adet makineye ait veri seti ele alınmış ve bu veriler zaman serisi yaklaşımıyla analiz edilmiştir. EvalML (Değerlendirme Makine Öğrenmesi), FLAML (Hızlı ve Hafif AutoML Kütüphanesi), Prophet ve TPOT (Ağaç Tabanlı Ardışık Optimizasyon Aracı) gibi AutoML kütüphaneleri ile tahmin modelleri oluşturulmuş ve bu yöntemlerin performansı, LSTM (Uzun Kısa Süreli Bellek) derin öğrenme yöntemi ile karşılaştırılmıştır. Çalışmanın bulguları, AutoML kütüphanelerinin hızlı model geliştirme, kolay kullanım ve yüksek doğruluk sağlama açısından önemli avantajlar sunduğunu göstermektedir. Ayrıca, farklı AutoML kütüphanelerinin veri setlerinin yapısına göre optimize edilebileceği ve geniş bir uygulama potansiyeline sahip olduğu vurgulanmıştır. AutoML yöntemleri, tahmin doğruluğunu artırmanın yanı sıra, hiperparametre optimizasyonu ve model oluşturma gibi uzmanlık gerektiren süreçleri otomatikleştirerek, bu adımları hızlı ve etkili bir şekilde gerçekleştirmektedir. Çalışma, farklı sektörlerde AutoML uygulamalarının potansiyelini ortaya çıkarabilecek ve daha geniş kapsamlı araştırmalara yön verecek bir temel oluşturmaktadır.