Problem
Bakım ekipleri, nadir makine arızalarının çoğunu kaçırmadan sınırlı kontrol kapasitesini önceliklendirmelidir.
Teknik vaka çalışması
Smart Factory App
10.000 AI4I kaydıyla kestirimci bakım, sensör özellikleri, arıza riski puanlaması, DuckDB SQL ve bakım önceliklendirmesi; NASA C-MAPSS ile ayrı kalan ömür tahmini.
Teknik açıklamalar Türkçeye çevrilmiştir. Sonuç metriklerinin ölçüm koşulları, başarısız denemeler ve kaynak bağlantıları özgün proje kanıtlarıyla aynı kapsamda korunur.
Hızlı teknik inceleme
Teknik vaka çalışması: dört temel nokta.
Mimari
İş akışı; AI4I keşifsel analizi, sensörler arası özellik mühendisliği, baz modeller, ayarlanmış HistGradientBoosting değerlendirmesi, SHAP ile açıklanabilirlik, DuckDB SQL çıktıları ve Docker üzerinde Flask inceleme ekranını birleştirir. CI,…
Tam açıklamayı oku
İş akışı; AI4I keşifsel analizi, sensörler arası özellik mühendisliği, baz modeller, ayarlanmış HistGradientBoosting değerlendirmesi, SHAP ile açıklanabilirlik, DuckDB SQL çıktıları ve Docker üzerinde Flask inceleme ekranını birleştirir. CI, eğitimi, veri kayması kontrollerini ve Playwright uçtan uca testlerini yürütür.
Sonuçlar
10,000 AI4I kaydı
Sınırlamalar ve kapsam
94.1% kuyruk yakalama oranı, 68 arıza içeren 2,000 satırlık ayrılmış test kümesinde ölçülmüştür. Beş farklı ayrımda PR-AUC 0.880 artı/eksi 0.032 olduğundan, tek ayrımın 0.9019 sonucu üst sınıra yakındır. AI4I kayıtları simüle edilmiştir; C-MAPSS…
Tam açıklamayı oku
94.1% kuyruk yakalama oranı, 68 arıza içeren 2,000 satırlık ayrılmış test kümesinde ölçülmüştür. Beş farklı ayrımda PR-AUC 0.880 artı/eksi 0.032 olduğundan, tek ayrımın 0.9019 sonucu üst sınıra yakındır. AI4I kayıtları simüle edilmiştir; C-MAPSS sonucu yalnızca FD001 alt kümesini kapsar. Canlı paneldeki RUL kartı, AI4I risk puanından türetilen basit bir sezgiseldir; kayma testi ise üretim sensör akışı yerine eğitim satırlarını sentetik olarak kaydırılmış bir veri partisiyle karşılaştırır.
Kaynaklarda yayımlanmış teknik kanıtlar kullanılmıştır. Ölçüm koşulları için tam vaka çalışmasını inceleyin.
Kanıta dayalı görsel inceleme
Projenin gerçek çıktılarını inceleyin.
Gerçek proje ekran görüntüleri ve kaynak figürleri, kaynaklarıyla birlikte sunulur.
Tarihli demo ekran görüntüsü
2026-10-14 tarihli herkese açık demo görüntüsüdür; demonun şu anda erişilebilir olduğunu kanıtlamaz.
Yayımlanmış kaynağı aç10,000 AI4I kaydı
Model performansı: 0.9874 ROC-AUC / 0.9019 PR-AUC
0.8293 F1 · C-MAPSS RUL RMSE 18.05 çevrim
En yüksek 10% kuyruk, 9.4x lift ile arızaların 94.1% bölümünü yakalar
Proje kanıtları
Doğrulanabilir dış kaynaklar
Son doğrulama 2026-10-05
Problem ve yaklaşım
Problem
Bakım ekipleri, nadir makine arızalarının çoğunu kaçırmadan sınırlı kontrol kapasitesini önceliklendirmelidir.
Mimari
İş akışı; AI4I keşifsel analizi, sensörler arası özellik mühendisliği, baz modeller, ayarlanmış HistGradientBoosting değerlendirmesi, SHAP ile açıklanabilirlik, DuckDB SQL çıktıları ve Docker üzerinde Flask inceleme ekranını birleştirir. CI, eğitimi, veri kayması kontrollerini ve Playwright uçtan uca testlerini yürütür.
İş akışı mantığı
Arıza olasılıkları, varlıkları inceleme önceliğine göre sıralar. Böylece inceleme bütçesi, yakalanan arızalar ve rastgele seçime göre lift birlikte karşılaştırılabilir.
İddia edilmeyen noktalar
94.1% kuyruk yakalama oranı, 68 arıza içeren 2,000 satırlık ayrılmış test kümesinde ölçülmüştür. Beş farklı ayrımda PR-AUC 0.880 artı/eksi 0.032 olduğundan, tek ayrımın 0.9019 sonucu üst sınıra yakındır. AI4I kayıtları simüle edilmiştir; C-MAPSS sonucu yalnızca FD001 alt kümesini kapsar. Canlı paneldeki RUL kartı, AI4I risk puanından türetilen basit bir sezgiseldir; kayma testi ise üretim sensör akışı yerine eğitim satırlarını sentetik olarak kaydırılmış bir veri partisiyle karşılaştırır.
Neden önemli?
Endüstriyel alan bilgisinin, dengesiz sınıflandırma değerlendirmesinin ve operasyonel inceleme kuyruğu tasarımının tek bir veri bilimi çalışmasında birleşebileceğini gösterir. Grup temelli ve zamanın dikkate alındığı doğrulamanın gerçekten mümkün olduğu C-MAPSS verisinde aynı titizliği gösteren ayrı bir RUL çalışmasıyla desteklenir.
Mimari ve analiz
- 10,000 AI4I kaydında 3.39% arıza oranıyla arıza risk modellerini karşılaştırır.
- Sensör girdilerinden mekanik yük, termal stres ve takım aşınmasının yüke oranını gösteren özellikler türetir.
- Model puanlarını risk sıralamalı bakım kuyruğuna ve inceleme bütçesine bağlar.
- NASA C-MAPSS turbofan verisinde gerçek bir RUL regresyon vaka çalışması ekler; GroupKFold ile doğrulanır ve NASA’nın asimetrik PHM08 metriğiyle değerlendirilir.
Test ve doğrulama
- Keşifsel analiz, model karşılaştırması, özellik önemi, inceleme kuyruğu ve kayma raporu çıktıları
- Sürümlenmiş model çıktıları üzerinde DuckDB SQL analizi
- Otomatik rota, çıktı sözleşmesi, metrik eşiği ve varlık doğrulaması ile Playwright E2E tarayıcı testleri
Operasyonel değer
- Ayarlanmış HistGradientBoosting modeliyle 0.9874 ROC-AUC, 0.9019 PR-AUC ve 0.8293 F1 elde eder.
- En yüksek 10% riskli inceleme kuyruğu, rastgele seçime göre 9.4x lift ile arızaların 94.1% bölümünü yakalar.
- Eşlik eden C-MAPSS RUL modeli, saf medyan-RUL baz çizgisine göre RMSE değerini 63.8%, PHM08 skorunu 99.5% düşürerek 18.05 çevrim RMSE değerine ulaşır.
- Keşifsel analiz, DuckDB SQL kanıtı, model değerlendirmesi, veri kayması tespiti ve bakım önceliklendirme mantığını canlı yayımlanan, incelenebilir bir vaka çalışmasında birleştirir.
Nasıl incelenir
- Önce README, model karşılaştırması ve inceleme kuyruğu çıktılarını inceleyin.
- Flask ekranından önce türetilmiş sensör özelliklerini ve DuckDB SQL çıktılarını kontrol edin.
- Grup temelli ve zamanın dikkate alındığı doğrulamanın mümkün olduğu C-MAPSS çalışmasında aynı değerlendirme disiplinini inceleyin.
- Herkese açık AI4I ve C-MAPSS sonuçlarını canlı üretim dağıtımı iddiası olarak değil, kıyaslama kanıtı olarak değerlendirin.