Anomaly Detection for Gear Manufacturing Downtime in The Automotive Sector Using Rare Itemset Mining

Authors : Devrim Naz Akdaş, Derya Birant, Pelin Yildirim Taşer

Pages : 199-204

Doi:10.46460/ijiea.1067365

View : 17 | Download : 6

Publication Date : 2022-12-30

Article Type : Research

Abstract :Üretimdeki duruşlar üretkenliği önemli ölçüde etkiler ve duruşların analizi başarılı ve esnek üretim için gereklidir. Üretim alanında makine duruşları ile ilgili bazı sınıflandırma ve regresyon çalışmaları yapılmış olsa da, şimdiye kadar mevcut duruş çalışmalarında seyrek öğe kümesi madenciliği (RIM) tekniği hiç uygulanmamıştır. Ayrıca, RIM kullanılarak otomotiv sektöründe dişli üretimi duruşlarında anomali tespiti henüz keşfedilmemiştir. Bu boşluğu doldurmak için, bu çalışma, iş makinelerinin dişli imalatı duruşlarındaki anomalileri tespit etmek için ilk kez RIM yönteminin uygulanmasını önermektedir. Bu çalışmada, duruşlardaki anomalileri gösteren seyrek öğe kümelerini keşfetmek için iş makinelerinin dişli imalatındaki duruşlarından oluşan gerçek dünya veri seti üzerinde Rare Pattern Growth (RP-Growth) algoritması yürütülmüştür. Deneylerde, farklı minimum destek (minsup) ve minimum seyrek destek (minraresup) eşik değerleri kullanılarak duruş verilerindeki seyrek öğe kümeleri (anomaliler) tespit edilmiştir. Elde edilen sonuçlar ayrıca öğe kümesi sayısı, yürütme süresi ve maksimum bellek kullanımı açısından da değerlendirilmiştir. Deneysel sonuçlar, Seyrek Öğe Seti Madenciliği ile Anomali Tespiti (ADRIM) isimli önerilen yaklaşımın, makine duruşlarındaki anomalieri tespit etmek için etkili bir yöntem olduğunu ve özellikle otomotiv sektöründe üretim alanında başarıyla kullanılabileceğini göstermektedir.
Keywords : Anomali tespiti, veri madenciliği, dişli üretimi, seyrek öğe seti madenciliği