Ceyhan, Ege2022-06-212022-06-21http://hdl.handle.net/10679/7742https://discover.ozyegin.edu.tr/iii/encore/record/C__Rb4969453?lang=enghttps://tez.yok.gov.tr/As it is same for most of the production procedures, a certain quality level must be derived in the particle board production. In the particleboard production, a series of samples taken from the production line for the quality analysis of the products produced. These samples are put to the test for analysis and observe whether the quality metrics are satisfying the needs or not. Sampling can be done after a set of production is completed. Laboratory tests samples for at least three hours. If the results of the test are out of acceptable limits, then the facility changes the production parameters, waits for new production output to gain new samples, tests new samples again. While quality testing procedures are running, the products that do not satisfy quality limits, cannot be delivered to customers, which results in crucial capacity loss. In this study a decision support system is developed to measure real-time effects of changes of production parameters on quality metrics by using machine learning based prediction models with live production data collected from production line. Decision support system developed in this study enables to predict three different quality metrics while margin of error is realized around 5%, on the average.Tüm üretim proseslerinde olduğu gibi yonga levha üretiminde de üretilen ürünlerin belirli kalite değerlerini sağlaması gerekliliği bulunmaktadır. Yonga levha üretiminde, yine birçok üretim sisteminde olduğu gibi, üretilen ürünlere dair kalite değerleri üretim hattından alınan bir dizi numune için laboratuvar testleri sonucunda ölçümlenmekte; istenen değerlere ulaşılıp ulaşılamadığı ise testler sonuçlandıktan sonra anlaşılabilmektedir. Yonga levha prosesinde numunelere dair bu ölçümlerin sonuçları, numune alındıktan en erken üç saat sonra elde edilebilmektedir. Ölçümlerin sonuçlarında kalite değerleri kabul edilebilir limitlerin dışında çıktığında ise işletme üretime dair parametreleri değiştirmekte ve tekrar numune toplanması, laboratuvar testleri sürecine başlan- maktadır. Bu işlemler süresince üretilen ürünler ise kalite değerlerini sağlamadıklarından müşteri talebini karşılamakta kullanılamamakta; sonuç olarak da ciddi bir kapasite kaybı oluşmaktadır. Bu çalışmada, üretim hattından canlı olarak toplanan veriler kullanılarak makina öğrenmesine dayalı tahmin modelleri geliştirilmiş olup; üretim ile ilgili kalite değerlerini canlı olarak tahminleyerek üretim ile ilgili parametrelerdeki anlık değişimlerin kaliteye etkisinin vakit kaybetmeden ölçümlenmesine imkan veren bir karar destek sistemi geliştirilmiştir. Geliştirilen karar destek sistemi dokuz farklı kalite parametresini canlı olarak tahminlerken, tahminlerdeki hata payı ortalamada \%5 civarında gerçekleşmiştir.enginfo:eu-repo/semantics/restrictedAccessMaster's thesisAlbey, ErinçDigital transformationIndustry 4.0Quality predictionMachine learning4969453