Predictive Maintenance with Machine Learning and Spare Parts Management

Yıl 2025, ERKEN GÖRÜNÜM, 1 - 1

Olcay Özge Ersöz , Metin İfraz , Semra Tebrizcik , Ali Fırat İnal , Ömer Can Eskicioğlu , Adnan Aktepe , Ahmet Kürşad Türker , Necaattin Barışçı , Tahsin Çetinyokuş , Süleyman Ersöz

https://doi.org/10.2339/politeknik.1355228

Öz

Businesses need to use their resources, such as vehicles, machinery, etc., efficiently and effectively not to interrupt their customers’ services. Maintenance is critical for business resources to be always ready and operational. In addition, spare parts and consumables used in maintenance-repair processes have a significant share in operating expenses. For this reason, successful maintenance and inventory management in maintenance departments provides benefits to businesses in many dimensions. This study proposes a dynamic model integrating inventory management and predictive maintenance plans in a bus fleet. Machine learning and deep learning algorithms were used to predict the average mileage of breakdowns on the company’s data. By using machine learning algorithms, high prediction success was achieved with 95% R2 value, and the inventory management study was carried out according to the maintenance plans obtained from the predictive maintenance study. With the proposed inventory management model, the amount of spare parts needed per year, safety stocks, reorder points and order quantities were determined. The study was tested for the ten most critical spare parts and achieved a 2.11% reduction in inventory costs.

Anahtar Kelimeler

Predictive Maintenance, Inventory Management, Artificial Intelligence, Machine Learning, Deep Learning

Makine Öğrenmesi ile Kestirimci Bakım ve Yedek Parça Yönetimi

Öz

İşletmelerin müşterilerine sundukları hizmetlerin aksamaması için araç, makine vb. kaynaklarını verimli ve etkin kullanması gerekmektedir. İşletme kaynaklarının daima hazır ve çalışır olması için bakım süreci kritik önemdedir. Ayrıca, bakım ve onarım işlemleri için ihtiyaç duyulan yedek parça ile sarf malzemeleri işletme giderlerinde önemli bir pay oluşturmaktadır. Bu nedenle bakım departmanlarında başarılı bir bakım ve envanter yönetimi işletmelere birçok boyuttan kazanç sağlamaktadır. Bu çalışma da bir otobüs filosunda envanter yönetimi ile kestirimci bakım planlarını entegre eden dinamik bir model önerilmiştir. İşletmeye ait veriler üzerinde makine öğrenmesi ve derin öğrenme algoritmaları ile ortalama arıza kilometre tahminleri yapılmıştır. Makine öğrenmesi algoritmaları kullanılarak %95 R2 değeri ile yüksek tahmin başarısı sağlanmış ve kestirimci bakım çalışmasından elde edilen bakım planlarına göre envanter yönetim çalışması yürütülmüştür. Önerilen envanter yönetimi modeli ile yılda ihtiyaç duyulacak yedek parça miktarları, emniyet stokları, yeniden sipariş noktaları ve sipariş miktarları belirlenmiştir. Gerçekleştirilen çalışma, en önemli on adet yedek parça için test edilmiş ve stok maliyetlerinde %2,11 düşüş sağlanmıştır.

Anahtar Kelimeler

Kestirimci Bakım, Envanter Yönetimi, Yapay Zeka, Makine Öğrenmesi, Derin Öğrenme

Etik Beyan

Bu makalenin yazar(lar)ı çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler

Destekleyen Kurum

TÜBİTAK

Teşekkür

Bu çalışma Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) tarafından 1001 - Bilimsel ve Teknolojik Araştırma Projelerini Destekleme Programı çerçevesinde desteklenmiştir [Proje numarası: MAG-221M438].

Kaynakça

• [1] Ötleş, S., “Endüstri İçin Kestirimci Bakım”, International Journal of 3D Printing Technologies and Digital Industry, 3(1): 56-66, (2019).
• [2] Karahan, M.F., “Titreşim analizi ile makinelerde arıza teşhisi”, Yüksek Lisans Tezi, Celal Bayar Üniversitesi, Fen Bilimleri Enstitüsü, (2005).
• [3] Yaz, G., “Bir firmanın gelecek dönem talep tahmini ve stok yönetimi planlaması”, İstanbul Rumeli Üniversitesi, (2021).
• [4] Bilir, C. and Erbaş, M.A., “Joint Mantinince and Inventory Optimization: An Application in An Airline Company”, Business and Management Studies: An International Journal, 7(2): 814, (2019).
• [5] Moharana, U.C. and Sarmah, S.P., “Joint replenishment of associated spare parts using clustering approach”, International Journal of Advanced Manufacturing Technology, 94(5–8): 2535–2549, (2018).
• [6] Keleşoğlu, C., “Konik dişlilerde Yapay Sinir Ağı yöntemiyle arıza teşhisi”, Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, (2015).
• [7] Öztanır, O., “Makine Öğrenmesi Kullanılarak Kestirimci Bakım”, Yüksek Lisans Tezi, Hacettepe Üniversitesi, Institute of Science, (2018).
• [8] Yurtsever, M., “Makine Öğrenmesi ve Derin Öğrenme Yöntemleri İle Titreşim Analizi Tabanlı Arıza Teşhis ve Kestirimci Bakım Sistem Tasarımı”, Ph.D. Thesis, Ege University, Izmir, Turkey, (2020).
• [9] Iqbal, R., et al., “Fault Detection and Isolation in Industrial Processes Using Deep Learning Approaches”, IEEE Transactions on Industrial Informatics, 15(5): 3077–3084, (2019).
• [10] Chen, C., et al., “Automobile Maintenance Prediction Using Deep Learning With GIS Data”, Procedia CIRP, 81: 447–452, (2019).
• [11] Chen, C., Liu, Y., Wang, S., Sun, X., Di Cairano-Gilfedder, C., Titmus, S. and Syntetos, A.A., “Predictive Maintenance Using Cox Proportional Hazard Deep Learning”, Advances in Engineering Informatics, 44: 101054, (2020).
• [12] Villalobos, K., Johan, S., Arantza, I., “A Flexible Alarm Prediction System For Smart Manufacturing Scenarios Following A Forecaster–Analyzer Approach”, Journal of Intelligent Manufacturing, 1–22, (2020).
• [13] Zhang, J., Zhao, X., Song, Y., & Qiu, Q., “Joint optimization of condition-based maintenance and spares inventory for a series–parallel system with two failure modes”, Computers & Industrial Engineering, 168: 108094, (2022).
• [14] Zhang, J.X., Du, D.B., Si, X.S., Hu, C.H. and Zhang, H.W., “Joint optimization of preventive maintenance and inventory management for standby systems with hybrid-deteriorating spare parts”, Reliability Engineering & System Safety, 214: 107686, (2021).
• [15] Portal-Garcia, M., Vera-Cabello, R., Quiroz, J., Marcelo, G., and Alvarez, J.C., “Integrated Model of Maintenance Management and Inventory System in a Fleet of Trucks”, 10th International Conference on Industrial Technology and Management (ICITM), 172–176, IEEE, (2021).
• [16] Zhu, S., van Jaarsveld, W. and Dekker, R., “Spare parts inventory control based on maintenance planning”, Reliability Engineering & System Safety, 193: 106600, (2020).
• [17] Liu, Q., Dong, M., Chen, F.F., Liu, W., and Ye, C., “Multi-objective imperfect maintenance optimization for production system with an intermediate buffer”, Journal of Manufacturing Systems, 56: 452–462, (2020).
• [18] Al-Momani, H., Al Meanazel, O.T., Kwaldeh, E., Alaween, A., Khasaleh, A., and Qamar, A., “The efficiency of using a tailored inventory management system in the military aviation industry”, Heliyon, 6(7): e04424, (2020).
• [19] Boström, E. and Lundell, J., “Availability vs. Cost Efficiency: A Case Study Taking on an Integrated Approach to Spare Part Distribution in the High-Tech Industry”, (2020).
• [20] Yuvaraj, K., Oorappan, G.M., Megavarthini, K.K., Pravin, M.C., Adharsh, R., and Kumaran, M.A., “Design and Development of an Application for Database Maintenance in Inventory Management System Using Tkinter and Sqlite Platform”, IOP Conference Series: Materials Science and Engineering, 995(1): 012012, (2020).
• [21] Bilir, C. and Erbaş, M.A., “Bir bakım onarım organizasyonunda entegre stok yönetimi ve bakım planlaması–havayolu firması uygulaması”, Business and Management Studies: An International Journal, (2019).
• [22] Van der Auweraer, S. and Boute, R., “Forecasting spare part demand using service maintenance information”, International Journal of Production Economics, 213: 138–149, (2019).
• [23] Frenk, J.B.G., Javadi, S., Pourakbar, M., and Sezer, S.O., “An exact static solution approach for the service parts end-of-life inventory problem”, European Journal of Operational Research, 272(2): 496–504, (2019).
• [24] Keivanpour, S. and Kadi, D.A., “The effect of ‘Internet of Things’ on aircraft spare parts inventory management”, IFAC-PapersOnLine, 52(13): 2343–2347, (2019).
• [25] Bishop, C.M., “Pattern Recognition and Machine Learning”, Springer, (2006).
• [26] Şerifoğlu, M.A., “Atıksu Arıtma Tesislerinde Biyolojik Oksijen İhtiyacının (BOİ5) Kaba Kümeleme ve Makine Öğrenmesi Hibrit Yaklaşımı ile Tahmini”, Yüksek Lisans Tezi, Sakarya Üniversitesi, (2021).
• [27] Selvi, E., “Kentsel Atıksu Arıtma Tesisi biyolojik oksijen ihtiyacının (BOİ5) makina öğrenmesi yöntemleri ile tahmin edilmesi”, Yüksek Lisans Tezi, Sakarya Üniversitesi, (2019).
• [28] Feng, C., Li, T., Zhu, Z., & Chana, D., “A deep learning-based framework for conducting stealthy attacks in industrial control systems”, arXiv preprint arXiv:1709.06397, (2017).
• [29] Pratt, L.Y., “Experiments on the transfer of knowledge between neural networks”, In S. Hanson, G. Drastal, and R. Rivest, editors, Computational Learning Theory and Natural Learning Systems, Constraints and Prospects, volume 1, chapter 19, MIT Press, (1994).
• [30] Barış, C., Kwang, G.K., “Deep Learning”, Ph.D., Biomedical Engineering Branch, Division of Precision Medicine and Cancer Informatics, National Cancer Center, Goyang, Korea, (2016).
• [31] Dursun, E. and Gürgen, E., “Konteyner Terminal Stok Yönetiminde ABC Analizi ve Bulanık Sınıflandırma”, Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 17(46): 563–583, (2020).
• [32] Aktepe, A., Ersöz, S., Türker, A.K., Barışçı, N., Dalgıç, A., “An Inventory Classification Approach Combining Expert Systems, Clustering and Fuzzy Logic with the ABC Method and An Application”, South African Journal of Industrial Engineering, 29(1): 49–62, (2018).