gummfd

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

1300-1884 1304-4915

Gazi Üniversitesi

10.17341/gazimmfd.1676005

Decision Support and Group Support Systems Machine Learning (Other) Stream and Sensor Data Data Mining and Knowledge Discovery

Karar Desteği ve Grup Destek Sistemleri Makine Öğrenme (Diğer) Akış ve Sensör Verileri Veri Madenciliği ve Bilgi Keşfi

Machine learning applications in predictive maintenance: Data balancing and feature selection analysis

Kestirimci bakımda makine öğrenimi uygulamaları: Veri dengeleme ve öznitelik seçimi analizi

https://orcid.org/0000-0003-0356-2888

Narin

Ali

ZONGULDAK BÜLENT ECEVİT ÜNİVERSİTESİ

https://orcid.org/0009-0001-8859-1145

Bektaşoğlu

Nuriye

ZONGULDAK BÜLENT ECEVİT ÜNİVERSİTESİ

https://orcid.org/0000-0002-0341-2540

İleri

Uğur

DÜZCE ÜNİVERSİTESİ

03 31 2026

41 1 323 338 04 14 2025 11 11 2025

1986

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

Makine öğrenimi ve nesnelerin internetindeki gelişmeler, kestirimci bakımı sanayi sistemleri için vazgeçilmez bir bileşen hâline getirmiştir. Ancak bu yaklaşımların başarımı, veri işleme süreçlerinin etkinliğine doğrudan bağlıdır. Özellikle veri dengesizliği, öznitelik seçimi ve normalizasyon teknikleri, model performansını belirleyen temel unsurlar arasındadır. Bu çalışmada, AI4I 2020 veri seti kullanılarak makine arızalarının ve dört farklı arıza modunun sınıflandırılması hedeflenmiştir. Karar Ağaçları (DT), Destek Vektör Makineleri (SVM) ve k-En Yakın Komşu (k-NN) gibi sığ makine öğrenmesi algoritmalarının performansları kapsamlı biçimde analiz edilmiştir. Veri dengesizliğini gidermek amacıyla rastgele seçim ve SMOTE yöntemleri uygulanmış, SMOTE’un daha başarılı sonuçlar sunduğu görülmüştür. Ayrıca min–max ve z-skor normalizasyon teknikleri karşılaştırılmış ve z-skor normalizasyonunun sınıflandırma başarımını artırdığı belirlenmiştir. Arıza modları ikili sınıflara ayrılarak en uygun öznitelik seti oluşturulmuş, ardından geriye doğru eleme yöntemiyle beş öznitelik kademeli olarak çıkarılarak performansa etkileri incelenmiştir. Sonuçlar, önerilen yaklaşımın sınıflandırma performansını anlamlı biçimde iyileştirdiğini göstermektedir. Özellikle k-NN algoritması, SMOTE ile dengelenmiş veri setinde %99,2 doğruluk oranı elde ederek en yüksek başarımı sağlamıştır. Bu çalışma, kestirimci bakım uygulamalarının güvenilirliğini artırmaya yönelik özgün bir katkı sunmaktadır.

Kestirimci bakım arıza sınıflandırması veri dengeleme geriye doğru eleme yöntemi

1. Cioffi R., Travaglioni M., Piscitelli G., Petrillo A., De Felice F., Artificial intelligence and machine learning applications in smart production: Progress, trends, and directions, Sustainability, 12 (2), 492, 2020.

2. Moura R., Ceotto L., Gonzalez A., Toledo R., Industrial Internet of Things (IIoT) platforms-an evaluation model, 2018 International Conference on Computational Science and Computational Intelligence (CSCI), Las Vegas-A.B.D., 1002-1009, 13-15 December, 2018.

3. Güzel H.Y., Basım Sanayisinde Endüstri 4.0 Teknolojilerinin Sürdürülebilir Üretime Etkileri, Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2024.

4. Fitouhi M.C., Nourelfath M., Integrating noncyclical preventive maintenance scheduling and production planning for a single machine, International Journal of Production Economics, 136 (2), 344-351, 2012.

5. Hatipoğlu A., Güneri Y., Yılmaz E., A comparative predictive maintenance application based on machine and deep learning, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (2), 1037-1048, 2024.

6. Ronzoni N., De Marco A., Ronchieri E., Predictive Maintenance Experiences on Imbalanced Data with Bayesian Optimization Approach, International Conference on Computational Science and Its Applications, Malaga-Spain, 120-137, July 4–7, 2022.

7. Baccarini L.M.R., Silva V.V.R., Menezes B.R., Caminhas W.M., SVM practical industrial application for mechanical faults diagnostic, Expert Systems with Applications, 38 (6), 6980-6984, 2011.

8. Zhang Z., Wang Y., Wang K., Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network, Journal of Intelligent Manufacturing, 24, 1213-1227, 2013.

9. Cakir M., Guvenc M.A., Mistikoglu S., The experimental application of popular machine learning algorithms on predictive maintenance and the design of IIoT based condition monitoring system, Computers & Industrial Engineering, 151, 106948, 2021.

10. Çakir M., Güvenç M.A., Mistikoğlu S., IoT based condition monitoring system design for investigation of non-oil ball bearing in terms of vibration, temperature, acoustic emission, current and revolution parameters, 10th International Symposium on Intelligent Manufacturing and Service Systems, 1059-1068, September 2019.

11. Shivaramu P., Optimizing Manufacturing Processes with Predictive Maintenance Using Machine Learning and Lean Six Sigma, 2023.

12. Rayarao S.R., Rayarao S.R., Advanced Predictive Maintenance Strategies: Insights from the AI4I 2020 Dataset, Authorea Preprints, 2024.

13. Sengupta P., Mehta A., Rana P.S., Predictive Maintenance of Armoured Vehicles using Machine Learning Approaches, arXiv preprint, arXiv:2307.14453, 2023.

14. Assagaf I., Sukandi A., Abdillah A.A., Arifin S., Ga J.L., Machine predictive maintenance by using support vector machines, Recent in Engineering Science and Technology, 1 (01), 31-35, 2023.

15. Ileri U., Altun Y., Narin A., An Efficient Approach for Automatic Fault Classification Based on Data Balance and One-Dimensional Deep Learning, Applied Sciences, 14 (11), 4899, 2024.

16. Liao Y., Li M., Sun Q., Li P., Advanced stacking models for machine fault diagnosis with ensemble trees and SVM, Applied Intelligence, 55 (3), 1-12, 2025.

17. Meddaoui A., Hain M., Hachmoud A., The benefits of predictive maintenance in manufacturing excellence: a case study to establish reliable methods for predicting failures, The International Journal of Advanced Manufacturing Technology, 128 (7-8), 3685-3690, 2023.

18. Yavuz S., Deveci M., İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187, 2012.

19. Schenatto K., De Souza E.G., Bazzi C.L., Gavioli A., Betzek N.M., Beneduzzi H.M., Normalization of data for delineating management zones, Computers and Electronics in Agriculture, 143, 238-248, 2017.

20. Blagus R., Lusa L., SMOTE for high-dimensional class-imbalanced data, BMC Bioinformatics, 14, 1-16, 2013.

21. Osisanwo F.Y., Akinsola J.E.T., Awodele O., Hinmikaiye J.O., Olakanmi O., Akinjobi J., Supervised machine learning algorithms: classification and comparison, International Journal of Computer Trends and Technology (IJCTT), 48 (3), 128-138, 2017.

22. Panuganti J., Support Vector Machines, Medium, https://jyothiffu.medium.com/support-vector-machines-65b4a04d177, Yayın tarihi: 7 Şubat 2020, Erişim tarihi: 12 Haziran 2025.

23. Bhatia N., Survey of nearest neighbor techniques, arXiv preprint, arXiv:1007.0085, 2010.

24. Warfield S., Fast k-NN classification for multichannel image data, Pattern Recognition Letters, 17 (7), 713-721, 1996.

25. Fırat Ü.O., Regresyon analizinde bağımsız değişkenlerin belirlenmesini sağlayan algoritmalar, Öneri Dergisi, 1 (5), 49-54, 1996.

26. Uğurlu M., Doğru İ., Arslan R., Detection and classification of darknet traffic using machine learning methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 38 (3), 1737-1746, 2023.

27. Bianchi G., Freddi F., Giuliani F., La Placa A., Implementation of an AI-based predictive structural health monitoring strategy for bonded insulated rail joints using digital twins under varied bolt conditions, Railway Engineering Science, 1-18, 2025.

28. Chawla N.V., Bowyer K.W., Hall L.O., Kegelmeyer W.P., SMOTE: sentetik azınlık aşırı örnekleme tekniği, Journal of Artificial Intelligence Research, 16, 321-357, 2002.

29. Huang X., Zhang C.Z., Yuan J., Predicting extreme financial risks on imbalanced dataset: A combined kernel FCM and kernel SMOTE based SVM classifier, Computational Economics, 56 (1), 187-216, 2020.

30. Herwanto H.W., Handayani A.N., Wibawa A.P., Chandrika K.L., Arai K., Comparison of min-max, z-score and decimal scaling normalization for zoning feature extraction on Javanese character recognition, 2021 7th International Conference on Electrical, Electronics and Information Engineering (ICEEIE), Jakarta-Indonesia, 1-3, 7-8 October, 2021.

31. Maulidina F., Rustam Z., Hartini S., Wibowo V.V.P., Wirasati I., Sadewo W., Feature optimization using Backward Elimination and Support Vector Machines (SVM) algorithm for diabetes classification, Journal of Physics: Conference Series, 012006, IOP Publishing, 1821 (1), 8-10 March, 2021.

32. Harichandran A., Raphael B., Mukherjee A., Equipment activity recognition and early fault detection in automated construction through a hybrid machine learning framework, Computer-Aided Civil and Infrastructure Engineering, 38 (2), 253-268, 2023.

33. Sharma N., Sidana T., Singhal S., Jindal S., Predictive maintenance: Comparative study of machine learning algorithms for fault diagnosis, Proceedings of the International Conference on Innovative Computing & Communication (ICICC), June 2022.

34. Matzka S., Explainable artificial intelligence for predictive maintenance applications, 2020 Third International Conference on Artificial Intelligence for Industries (AI4I), 69-74, September 2020.

35. Vandereycken B., Voorhaar R., TTML: tensor trains for general supervised machine learning, arXiv preprint, arXiv:2203.04352, 2022.