Eğitimin Amacı ve Kapsamı
Plansız duruşlar yüksek maliyet yaratırken, çok erken yapılan periyodik bakım da parça ve işçilik israfına yol açar. Bu eğitim; titreşim, sıcaklık, basınç ve akım gibi sensör sinyalleri ile bakım iş emirlerini birleştirmeyi, zaman ve frekans alanı özelliklerini, sağlık indeksi (health index) kurmayı, N-gün içinde arıza sınıflandırmasını ve Remaining Useful Life (RUL) regresyon/survival modellerini kapsar.
Ekipman bazlı grup ayrımı (GroupKFold), nadir arıza etiketleri, yanlış alarm maliyeti ve bakım planlama kısıtları üzerinde durulur. Katılımcılar endüstriyel telemetri verisi üzerinde erken uyarı baseline'ı ve maliyet bazlı eşik raporu hazırlar.
Kimler Katılmalı?
- Üretim, enerji, ulaşım ve saha operasyonlarında çalışan veri bilimciler
- Güvenilirlik, bakım ve süreç mühendisleri
- Endüstriyel IoT ve OT analitiği ekipleri
- Ön koşul: Python ve temel makine öğrenmesi deneyimi
Kazanımlar
- Sensör serileri ve bakım kayıtlarını ekipman sızıntısı olmadan hizalamak
- Zaman ve frekans alanında (RMS, kurtosis, FFT) bozulma özellikleri üretmek
- Ufuk bazlı arıza olasılığı ve RUL tahmin modelleri geliştirmek
- Alarm pencereleriyle yanlış pozitif ve kaçırılan arıza maliyetini dengelemek
- Model çıktısını bakım iş emri ve yedek parça planlamasına bağlamak
Konular
PdM Problem Tanımı ve Veri Birleştirme
- Anomali, arıza sınıflandırma ve RUL formülasyonları
- Sensör telemetrisi, olay logları ve bakım kayıtlarının eşleştirilmesi
Sinyal ve Bozulma Özellik Mühendisliği
- Rolling istatistikler, RMS, crest factor, FFT özetleri
- Çalışma rejimi normalizasyonu ve sağlık indeksi
Arıza Olasılığı ve RUL Modelleri
- LightGBM ile uyarı penceresi sınıflandırması
- Weibull/Cox survival ve parçalı doğrusal RUL regresyonu
Ekipman Bazlı Validation ve Alarm Mantığı
- GroupKFold ve zamansal backtesting
- Ardışık alarm filtresi ve lead-time değerlendirmesi
Bakım Kararı ve Maliyet Analizi
- Plansız duruş vs erken bakım maliyet matrisi
- Kurum senaryosu için erken uyarı ve eşik raporu
Bu Kategorideki Diğer Eğitimler
-
SKU-lokasyon düzeyinde talep tahmini: promosyon, fiyat esnekliği, stoksuz kalma (stockout) düzeltmesi, aralıklı talep (Croston/ADIDA), hiyerarşik uzlaştırma ve güvenlik stoğuna bağlanan olasılıksal tahminler.
- Canlı Kurs
- 5 modül
-
Tahmin modellerini matematiksel optimizasyonla birleştirme: LP/MILP formülasyonu, OR-Tools ve Pyomo ile kapasite, çizelgeleme, rota ve fiyat/bütçe tahsisi; belirsizlik altında stokastik ve bağlamsal karar sistemleri.
- Canlı Kurs
- 5 modül
-
Tablo verisinin standart modelleri XGBoost, LightGBM ve CatBoost: ağaç büyütme stratejileri, kategorik ve eksik değer işleme, ranking/quantile/custom objective, monotonic kısıtlar, Optuna ve hızlı inference.
- Canlı Kurs
- 5 modül
-
AutoGluon, FLAML ve Optuna ile otomatik model seçimi, hiperparametre araması ve multi-layer stacking; zaman/kaynak bütçesi yönetimi, veri sızıntısı kontrolleri ve hızlı baseline'dan üretime geçiş.
- Canlı Kurs
- 5 modül
-
Cam kutu modeller (EBM, GAM), TreeSHAP/KernelSHAP, ALE, counterfactual açıklamalar (DiCE), belirsizlik ölçümü ve regülasyon uyumu; yüksek riskli kararlarda denetlenebilir ve aksiyon alınabilir açıklamalar üretilir.
- Canlı Kurs
- 5 modül
-
Korelasyondan nedenselliğe geçiş: DAG'lar, propensity score, Double Machine Learning (EconML/DoWhy), heterojen etki (CATE) ve farkların farkı (DiD); A/B testi yapılamayan durumlarda fiyat, kampanya ve politika etkisi ölçülür.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
