Endüstriyel Sensör Verileriyle Makine Arızası Tahmini: Topluluk Öğrenmesi, Açıklanabilir Yapay Zeka ve Otomasyon Tabanlı Entegre Bir Yaklaşım

Abstract

Bu tezde, makine arızalarını erken tespit etmek ve bakım süreçlerini veriye dayalı olarak yönetmek amacıyla açıklanabilir yapay zeka destekli bir karar destek sistemi önerilmektedir. Endüstri 4.0 ve 5.0 doğrultusunda hızla dijitalleşen üretim sistemlerinde, makinelerin ne zaman arızalanacağını veya ne kadar süre daha çalışacağını önceden tahmin etmek üretim sistemlerinde önemli bir gereklilik olarak değerlendirilmektedir. Bu kapsamda, endüstriyel sensör verileri kullanılarak hem sınıflandırma (önümüzdeki 7 gün içinde arıza olup olmayacağı) hem de regresyon (Kalan Kullanılabilir Ömür - RUL) görevleri gerçekleştirilmiştir. RandomForest, XGBoost ve LightGBM gibi ağaç tabanlı algoritmalar kullanılmış; modellerin performansı Voting yöntemi ile artırılmıştır. SHAP değerleri yardımıyla model kararları kullanıcıya açıklanabilir ve şeffaf bir şekilde sunulmuştur. Veri seti, gerçekçi koşulları yansıtacak şekilde Gaussian Karışım Modelleri ve PCA teknikleriyle sentetik olarak üretilmiştir. Modelleme süreci sonrasında sistem, Replit platformunda çalışan Flask tabanlı bir API olarak devreye alınmıştır. Tahmin sonuçları n8n otomasyon platformu aracılığıyla Google E-Tablolar'a aktarılmış; kritik risk durumlarında ise otomatik e-posta bildirimleriyle kullanıcı bilgilendirilmiştir. Sonuçlar, sınıflandırma modelinin %95 doğruluk ve %95 duyarlılık oranı ile yüksek performans gösterdiğini, regresyon modelinin ise R² ≈ 0.51 ile orta düzeyde tahmin gücüne sahip olduğunu ortaya koymuştur. Bu çalışma, hem akademik literatüre hem de endüstriyel uygulamalara, açıklanabilirlik ve otomasyon entegrasyonu sayesinde katkı sunma potansiyeline sahip bir kestirimci bakım yaklaşımı önermektedir.

In this thesis, an explainable artificial intelligence-supported decision support system is proposed to enable the early detection of machine failures and to manage maintenance processes in a data-driven manner. In rapidly digitalizing production systems in line with Industry 4.0 and 5.0, predicting when machines will fail or how much longer they will operate is considered an important requirement in manufacturing systems. In this context, using industrial sensor data, both classification (whether a failure will occur within the next seven days) and regression (Remaining Useful Life – RUL) tasks were carried out. Tree-based algorithms such as RandomForest, XGBoost, and LightGBM were employed, and the models' performance was enhanced using the Voting method. With the help of SHAP values, model decisions were presented to the user in an explainable and transparent manner. The dataset was synthetically generated using Gaussian Mixture Models and PCA techniques to reflect realistic conditions. Following the modeling process, the system was deployed as a Flask-based API running on the Replit platform. Prediction results were transferred to Google Sheets via the n8n automation platform, and in critical risk situations, automatic email notifications were sent to inform users. The results revealed that the classification model achieved high performance with an accuracy rate of 95% and a recall rate of 95%, while the regression model demonstrated a moderate predictive capability with an R² of approximately 0.51. This study proposes a predictive maintenance approach with the potential to contribute to both academic literature and industrial applications through explainability and automation integration.