Makine öğrenme algoritmaları kullanılarak toplam ekipman etkinliği ölçütünün tahmin edilmesi

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. Anahtar Kelimeler: Toplam Ekipman Etkinliği, Derin Öğrenme, Öznitelik Seçimi, Oluklu Mukavva