Prediction of Failure Categories in Plastic Extrusion Process with Deep Learning

Authors : Fatma DEMİRCAN KESKİN, Ural ÇİÇEKLİ, Doğukan İÇLİ

Pages : 27-34

Doi:10.38016/jista.878854

View : 55 | Download : 14

Publication Date : 2022-03-02

Article Type : Research Paper

Abstract :Günümüz üretim anlayışı, imalat süreçlerinden gerçek zamanlı olarak toplanan süreç verisinden kestirim yapabilmeyi gerektirmektedir. Toplanan süreç verilerinin kestirimci analizi ile hataların tahmin edilmesi ve gerekli aksiyonların alınmasıyla hataların ortaya çıkmadan önlenmesi, üretim sistemlerinde kalitenin istenilen seviyede sağlanması, verimliliğin artırılması ve maliyetlerin azaltılmasında kilit bir faktördür. Makine öğrenmesi ve derin öğrenme yöntemleri, süreç verilerinin kestirimci analizinde, özellikle son dönemlerde büyük ilgi görmektedir. Bu çalışmada plastik ekstrüzyon sürecinde çok sınıflı hata sınıflandırma problemi bir gerçek hayat örneğiyle ele alınmıştır. Problemin çözümü için derin öğrenme yöntemlerinden Uzun-Kısa Süreli Bellek insert ignore into journalissuearticles values(LSTM); ve makine öğrenmesi yöntemlerinden Çok Katmanlı Algılayıcı insert ignore into journalissuearticles values(MLP); ve Lojistik Regresyon insert ignore into journalissuearticles values(LR); kullanılmıştır. Çalışmanın uygulama kısmında, İzmir`de faaliyet gösteren Türkiye`nin önde gelen yalıtım firmalarından birinin plastik ekstrüzyon sürecinden alınan gerçek veriler kullanılmıştır. Nihai veri seti, süreçten alınan sıcaklık ve basınçla ilişkili yedi parametrenin gerçek ölçümlerini ve hedef değişken olarak hata kategorilerini içermektedir. Modellerde Kategori 0 insert ignore into journalissuearticles values(Hata yok);, Kategori 1 insert ignore into journalissuearticles values(Filtre değişimi); ve Kategori 2 insert ignore into journalissuearticles values(Besleme hataları); durumlarını tanımlamak için üç hata kategorisi belirlenmiş ve sırasıyla 0,1 ve 2 olarak kodlanmıştır. LSTM, MLP ve LR`nin hata kategorilerini tahmin etme performansı, tahmin doğruluğu, kesinlik, duyarlılık ve F1 skoru metriklerine göre değerlendirilmiş ve karşılaştırılmıştır. LSTM, her hata kategorisi için %100 tahmin doğruluğu ile en yüksek performansa sahip olmuştur. LR ve MLP, Kategori 1 dışındaki hata kategorileri tahminlerinde başarılı ve birbirine yakın sonuçlar elde etmiştir.
Keywords : Derin öğrenme, Hata tahmini, Makine öğrenmesi, plastik ekstrüzyon süreci

ORIGINAL ARTICLE URL