Kablo Takımı Üretim Süresinin ve Kusurlu Ürün Oluşumuna Yönelik Risk Faktörlerinin Makine Öğrenmesi Algoritmaları İle Belirlenmesi

Abstract

Bu tezin amacı ülkemiz havacılık ve savunma sanayinde faaliyet gösteren bir firmada üretimi yapılan kablo takımlarının ihale için öngörülen üretim sürelerinin makine öğrenmesi algoritmaları kullanılarak tahmin edilebilmesidir. Bu doğrultuda kablo takımlarının ihale için öngörülen üretim sürelerine etkisi olabilecek iş emri miktarı, kablo takımı modül sayısı, kablo takımı pin sayısı, kablo takımı etiket sayısı, kablo takımı arkalık sayısı, kablo takımı makaron sayısı ve kablo takımı terminal sayısı değişkenleri için makine öğrenmesi algoritmaları kullanılarak yapay sinir ağı modeli oluşturulmuştur. Söz konusu modelin tahmin gücünü karşılaştırabilmek adına yine makine öğrenmesi algoritmaları kullanılarak çoklu doğrusal regresyon analizi yönteminden yararlanılmış ve kablo takımlarının ihale için öngörülen üretim sürelerinin tahmin edilmesinde en uygun yöntem ortaya konulmuştur. Tezin bir diğer amacı ise kablo takımlarının üretim sürecinde yer alan kalite kontrol ve test adımlarında tespit edilen kusurlu/kusursuz kablo takımlarının makine öğrenmesi sınıflandırma algoritmaları kullanılarak tahmin edilebilmesidir. Bu kapsamda kusurlu ürünlerin oluşmasına etki eden kablo takımı modül sayısı, kablo takımı arkalık sayısı, kablo takımı pin sayısı, kablo takımı terminal sayısı, kablo takımı etiket sayısı ve personel yetkinlik seviyesi faktörleri için sınıflandırmaya dayalı makine öğrenmesi algoritmaları kullanılarak modeller oluşturulmuş ve akabinde model performansları doğru sınıflama oranı, duyarlılık, özgüllük, pozitif tahmin değeri (PPV) ve negatif tahmin değeri (NPV) değerlendirme kriterleri doğrultusunda karşılaştırılarak en uygun model belirlenmiştir. Tezin son amacı ise kablo takımı konnektör tipi, kablo takımı etiket tipi, personel yetkinlik seviyesi risk faktörlerinin lojistik regresyon analizi kullanılarak kablo takımlarının kalite kontrol ve test işlemi sırasında tespit edilen kusurlu kablo takımlarının oluşmasına etkisinin belirlenmesidir.

The aim of this thesis is to estimate the projected production times of the cable harnesses produced for the tender in a company operating in the aviation and defense industry in our country by using machine learning algorithms. In this direction, artificial neural network model has been formed by using machine learning algorithms for the number of work order, the number of cable harness module, the number of cable harness pin, the number of cable harness label, the number of cable harness backshell, the number of cable harness heat shrink tube, the number of cable harness terminal variables which may have an effect on the projected production times of cable harnesses for the tender. Multiple linear regression analysis method using machine learning algorithms is used to compare the predictive power of this model and the most appropriate method for estimating the projected production time of cable harnesses for the tender is provided. Another aim of this thesis is to be able to estimate faulty/faultless cable harnesses determined during the quality control and electrical testing steps in the production process of cable harnesses by using classification algorithms in machine learning. In this context models are created by using classification algorithms in machine learning for the number of cable harness module, the number of cable harness backshell, the number of cable harness pin, the number of cable harness terminal, the number of cable harness label, the number of cable harness heat shrink tube and staff competence level factors affecting the formation of faulty products. Then the most suitable model is determined by comparing the model performances according to correct classification rate, sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV) evaluation criteria. The final aim of the thesis is to determine the effect of cable harness connector type, cable harness label type and personnel competence level risk factors on the formation of faulty cable harnesses determined during the quality control and electrical testing steps in the production process using logistic regression analysis.