Rulo Sac Üretimi Yüzey Kalitesi Makine Öğrenmesi Yaklaşımı

Abstract

Çelik sac üretim endüstrisi, inşaat ve otomotiv imalatı gibi çeşitli sektörlerin bel kemiği olarak büyük önem taşımaktadır. Bu endüstride yaygın bir sorun, çelik saclarda yüzey kalitesinin sağlanmasıdır. Yüzey kusurları, malzeme reddi, artan işleme maliyetleri ve nihai kullanım uygulamalarında potansiyel arızalar nedeniyle önemli mali kayıplara yol açabilir. Çelik sac üretiminde geleneksel kusur değerlendirme yöntemleri, büyük veri hacimlerini ve karmaşık kusur desenlerini ele almakta sınırlı kalmakla birlikte zaman alıcıdır. Makine öğrenimi tekniklerinin entegrasyonu, bu sınırlamaları aşmak için dönüşümsel bir potansiyel sunmaktadır. Bu tez, çelik sac üretiminde kusur değerlendirmesi için bir makine öğrenimi yaklaşımı geliştirmeyi amaçlamaktadır. Bu araştırmanın genel hedefi, insan bilgisini teknik (ürünle ilgili) verilerle bütünleştirerek kusur karar sürecini iyileştirmektir. Araştırma, 4 yıl boyunca birikmiş verileri kullanarak bir vaka çalışması yaklaşımını benimsemektedir. Çelik yüzey kusurları, karar destek sistemleri, sınıflandırma algoritmaları ve metin madenciliği üzerine bir literatür taraması yaptık. Çalışma, üretimde kusurları tespit etmeyi ve onarımını hedefleyerek, kusursuzluğu sağlamayı ve kusur tespiti ve onarımı ile ilgili kararları optimize etmeyi amaçlamaktadır. Çalışmanın metodolojisi, farklı sınıflandırma tekniklerini karşılaştırmayı ve bu sonuçları metin işleme uygulamaları ile geliştirmeyi içermektedir. Metin verisi dahil edilmeden yapılan kusur kararına yönelik sınıflandırma algoritması oluşturma sonuçları, çok sınıflı doğası nedeniyle yaklaşık %30 hata oranı vererek umut verici değildir. Çalışma ayrıca metin verisinin varlığının sınıflandırma algoritmalarının performansını artırarak hata oranını yaklaşık %24'e düşürdüğü sonucuna varmaktadır. Bu sonuçlar, çelik sac kusur karar sürecinde metin verilerinin önemini göstermektedir.The steel sheet production industry is of paramount importance, serving as the backbone for various sectors including construction and automotive manufacturing. A prevalent issue within this industry is the assurance of surface quality in steel sheets. Surface defects can lead to significant financial losses due to material rejections, increased processing costs, and potential failures in their end-use applications. Traditional methods for defect evaluation in steel sheet production, which rely heavily on manual inspection, are not only time-consuming but also limited in their ability to handle large data volumes and complex defect patterns. The integration of machine learning techniques presents a transformative potential to overcome these limitations. This thesis aims to develop a machine learning approach for defect evaluation in steel sheet production. The overall goal of this research is to improve the defect decision process by integrating human knowledge with technical (product related) data. The research adopts a case study approach by employing the data accumulated over 4 years. We conducted a literature review on steel surface defects, decision support systems, classification algorithms, and text mining. The study focuses on the detection and repair of defects, aiming to eliminate defects in production and optimize decisions related to defect detection and repair. The methodology of the study involves comparing different classification techniques and enhancing these results with text processing applications. The results for building a classification algorithm for the defect decision without including the textual data are not promising by giving around 30% error rate due to the multiclass nature of the problem. The study also concludes that the existence of text data improves the performance of the classification algorithms by decreasing the error rate to around 24%. These results show the significance of the textual data of the steel sheet defect decision process.