Arıza örüntülerinin belirlenmesinde sıralı örüntü madenciliği ve otobüs filosunda uygulanması

Abstract

Otobüs filolarında farklı üreticilerden alınan çeşitli model, yakıt vb. özellikli araçlardan dolayı araç çeşitliliği ve sayısı her geçen gün artmaktadır. Bu durum arıza tiplerinin ve sayılarının artmasına ve arızaya bağlı yedek parça çeşitliliğine neden olmaktadır. Bu yüzden bakım onarımın verimli şekilde yapılması güçleşmektedir. Arızaların ve sebep oldukları kaynak kullanımın azaltılması, bir sonraki arızanın tahmin edilebilmesi ve etkin bir yedek parça yönetimi yapılması bakım onarım birimleri için kritik önem teşkil etmektedir. Bu çalışmadaki amaç, arıza örüntülerini bularak her türlü arıza maliyetlerinin azalmasına katkı sağlamak ve bir sonraki arıza ile arızada kullanılacak yedek parça bilgilerini tahmin etmektir. Amaca ulaşabilmek için arıza örüntülerinin belirlenmesinde sıralı örüntü madenciliği yaklaşımı, yedek parçalarının tahmininde ise yaygın öğe madenciliği yaklaşımı kullanılmıştır. Uygulamada bir büyükşehire hizmet veren otobüs filosuna ait dört yıllık şanzıman arıza verisi kullanılmıştır. Çalışma sonucunda, seçilen destek ve güven değerlerinde çeşitli arıza örüntüleri ve yedek parça kümeleri bulunmuştur ve öneriler getirilmiştir.

In bus fleets, the variety and number of vehicles are increasing day by day due to the different models, fuel, etc. vehicles purchased from different manufacturers. This situation leads to an increase in the types and numbers of faults and a variety of spare parts associated with the fault. Therefore, it becomes difficult to perform maintenance and repair efficiently. Reducing the faults and the resource usage it cause, predicting the next fault and effective spare parts management is critical for maintenance and repair departments. The aim of this study is to contribute to the reduction of all kinds of fault costs by finding fault patterns and to predict the next fault and the spare part information to be used in the next fault. In order to achieve the aim, sequential pattern mining approach was used to determine fault patterns and traditional frequent itemset mining approach was used to predict spare parts. In the application, four years of gearbox fault data of the bus fleet serving a metropolitan city was used. As a result of the study, various fault patterns and spare parts clusters were found in the selected support and confidence values and suggestions were made.