Otomotiv süspansiyon ve yönlendirme parçaları için yapay zeka tabanlı maliyet tahmini

Bu tez, süspansiyon ve yönlendirme parçalarına ait iki boyutlu teknik resimlerden birim üretim maliyetini doğrudan tahmin eden bir makine öğrenmesi yaklaşımı sunar. Veri kümesi, yirmi dört ürün kategorisinde gruplanmış 13,684 çizimden oluşur. Çizimler, geometrik ve boyutsal objeleri çıkarmak için çözümlenmiş ve her çizim için yaklaşık iki yüz özellik türetilmiştir. Bu özellikler; çizgi, yay ve çember gibi öğeler ile boyut değerleri için tanımlayıcı istatistikleri; on iki bölmeli histogram özetlerini; ve çizim düzeyindeki histogramların ürün grup referanslarıyla karşılaştırılmasından elde edilen uzaklıkları (Öklid uzaklığı ile Kullback–Leibler ayrışımı) içerir. Maliyet, karar ağaçlarıyla gradyan artırma (gradient boosting) kullanan yöntemlerle modellenmiştir. XGBoost, CatBoost ve LightGBM olmak üzere üç makine öğrenmesi algoritması değerlendirilmiştir. Modeller, ortak bir doğrulama ve optimizasyon protokolü altında ürün grubu bazında eğitilmiştir. Yirmi dört grup genelinde, XGBoost, CatBoost ve LightGBM için ortalama MAPE performansı yaklaşık %11 olarak elde edilmiştir. Özellik önemi ve SHAP ile yapılan yorumlama, boyut uzunluklarının maksimumlarının, yay geometrisine ilişkin istatistiklerin ve histogram karşılaştırmalarından gelen uzaklık ölçülerinin maliyetin çoğunluklu belirleyicileri olduğunu göstermektedir. Önerilen uçtan uca metot, ayrıntılı süreç planlarına gerek kalmadan çalışma, teklif hazırlama sürelerini kısaltma, parça aileleri içinde tutarlılığı artırma ve tasarım ya da kurumsal sistemlere bağlanarak gerçek zamana yakın maliyet geribildirimi sağlama potansiyeline sahiptir.