Industries are going through the fourth industrial revolution (Industry 4.0), where
technologies like the Industrial Internet of Things (IIoT), Big Data Analytics and
Machine Learning (ML) are being extensively employed for improving the
productivity and efficiency of manufacturing systems. Recently, many researchers
have demonstrated the ability of ML algorithms to meet various challenges presented
by the next generation Smart Manufacturing Systems (SMSs). This work aims to
investigate the applicability of several machine learning techniques for early fault
diagnosis towards smart manufacturing process. Thus, in this thesis, we propose
several fault diagnosis ML models for SMSs applications. A case study has been
conducted on a dataset from a semiconductor manufacturing process. However, this
dataset contains missing values, redundant and noisy features, and class imbalance
problem. This imbalance problem makes it so difficult to accurately predict the
minority class, due to the majority class size difference. Therefore, this work proposes
and compares the effects of three synthetic data generation techniques to handle such
class imbalance problem. To handle issues related to missing values and redundant
features, we implemented and compared the performance of two missing values
imputation techniques and two feature selection techniques using three adopted data
synthetic generation techniques. We then developed and compared the performance of
ten predictive machine learning models against the abovementioned proposed
approaches. Experimental results across seven evaluation metrics of performance
obtained from these models were significant. These results and a comparative analysis
show the feasibility and validate the effectiveness of these proposed synthetic data
generation techniques and the proposed methodologies. Some among the proposed
methodologies could produce an accuracy in the range of 99.9% to 100%.
Furthermore, a comparative analysis has been conducted with similar models proposed
in the literature. Based on the results, our proposed models outpace those proposed in
the literature.
ÖZ:
Endüstriler, Endüstriyel Nesnelerin İnterneti (IIoT), Büyük Veri Analitiği ve Makine
Öğrenimi (ML) gibi teknolojilerin üretim sistemlerinin üretkenliğini ve verimliliğini
artırmak için yoğun bir şekilde kullanıldığı dördüncü endüstriyel devrimden (Endüstri
4.0) geçiyor. Son zamanlarda, birçok araştırmacı, ML algoritmalarının yeni nesil
Akıllı Üretim Sistemleri (SMS'ler) tarafından sunulan çeşitli zorlukları karşılama
becerisini göstermiştir. Bu çalışma, akıllı üretim sürecine yönelik erken arıza teşhisi
için çeşitli makine öğrenme tekniklerinin uygulanabilirliğini araştırmayı
amaçlamaktadır. Bu nedenle, bu tezde, SMS uygulamaları için çeşitli arıza teşhis ML
modelleri öneriyoruz. Yarı iletken üretim sürecinden bir veri seti üzerinde bir vaka
çalışması yapılmıştır. Bununla birlikte, bu veri kümesi eksik değerler, fazlalık ve
gürültülü özellikler ve sınıf dengesizliği problemini içermektedir. Bu dengesizlik
sorunu, çoğunluk sınıf büyüklüğü farkı nedeniyle azınlık sınıfını doğru bir şekilde
tahmin etmeyi çok zorlaştırıyor. Bu nedenle, bu çalışma, bu tür bir sınıf dengesizliği
sorununu ele almak için üç sentetik veri oluşturma tekniğinin etkilerini önermekte ve
karşılaştırmaktadır. Eksik değerler ve gereksiz özelliklerle ilgili sorunları ele almak
için, benimsenmiş üç veri sentetik oluşturma tekniğini kullanarak iki eksik değer
atama tekniğinin ve iki özellik seçim tekniğinin performansını uygulayıp
karşılaştırdık. Daha sonra on tahmine dayalı makine öğrenimi modelinin
performansını yukarıda belirtilen önerilen yaklaşımlarla geliştirip karşılaştırdık. Bu
modellerden elde edilen performansın yedi değerlendirme metriğine ilişkin deneysel
sonuçlar anlamlıydı. Bu sonuçlar ve karşılaştırmalı bir analiz, bu önerilen sentetik veri
oluşturma tekniklerinin ve önerilen metodolojilerin uygulanabilirliğini gösterir ve
etkililiğini doğrular. Önerilen metodolojilerden bazıları, % 99,9 ila% 100 aralığında
bir doğruluk sağlayabilir. Ayrıca, literatürde önerilen benzer modellerle karşılaştırmalı
bir analiz yapılmıştır. Sonuçlara göre, önerilen modellerimiz literatürde önerilenleri
geride bırakıyor
