🚗 Predictive Maintenance System

Endüstriyel IoT ve Makine Öğrenmesi Tabanlı Akıllı Bakım & Arıza Tahmin Sistemi

Özellikler • Kurulum • Kullanım • API Dokümantasyonu • Teknolojiler

Kısa Özet (TR)

IoT sensör verilerini (.NET Web API) SQL Server'a kaydeder; RabbitMQ ile asenkron işler.

Python ML servisi (LSTM) anomali tespiti yapar ve arıza olasılığı hesaplar.

SignalR, gerçek zamanlı alarm bildirimi ve bakım önerileri sağlar.

Clean Architecture: Presentation, Application, Domain, Infrastructure.

Teknolojiler: ASP.NET Core MVC & Web API, SignalR, Redis, RabbitMQ, TensorFlow/FastAPI, Chart.js, Bootstrap.

📋 Proje Özeti

Predictive Maintenance (Akıllı Bakım & Arıza Tahmin Sistemi), üretim ve dağıtım tesislerindeki pompa, vana, basınç sensörü, motor gibi ekipmanların arızalanmadan önce tespit edilmesini sağlayan endüstriyel IoT ve makine öğrenmesi tabanlı bir sistemdir.

🎯 Proje Amacı

IoT sensör verileri ve makine öğrenmesi (ML/DL) kullanarak ekipman arızalarını erken tahmin edip bakım maliyetini azaltmak, arıza kaynaklı duruş sürelerini minimize etmek ve dijital dönüşüm vizyonuna katkıda bulunmak.

💼 Katma Değer

✅ Arıza kaynaklı duruş sürelerini %60-80 oranında azaltır
✅ Bakım planlamasını otomatikleştirir ve maliyetleri düşürür
✅ Öngörülebilir bakım sayesinde işletme verimliliğini artırır
✅ Endüstri 4.0 ve dijital dönüşüm vizyonuna uygundur
✅ Gerçek zamanlı izleme ve alarm sistemi ile anında müdahale imkanı

🏗️ Mimari Yapı

Clean Architecture

Proje, Clean Architecture prensiplerine uygun olarak katmanlı bir yapıda geliştirilmiştir:

┌─────────────────────────────────────┐
│      Presentation Layer             │
│  (MVC, SignalR Hub, Controllers)    │
└─────────────────────────────────────┘
           ↓
┌─────────────────────────────────────┐
│      Application Layer              │
│  (Services, DTOs, Business Logic)   │
└─────────────────────────────────────┘
           ↓
┌─────────────────────────────────────┐
│      Domain Layer                   │
│  (Entities, Interfaces, Models)     │
└─────────────────────────────────────┘
           ↓
┌─────────────────────────────────────┐
│      Infrastructure Layer           │
│  (EF Core, SQL Server, RabbitMQ,    │
│   Redis, External APIs)             │
└─────────────────────────────────────┘

⚙️ Teknoloji Stack

💻 Full Stack (.NET)

Teknoloji	Versiyon	Kullanım Amacı
.NET Core	8.0	Ana framework
ASP.NET Core MVC	8.0	Web uygulaması
Web API	8.0	RESTful API servisleri
Entity Framework Core	8.0	ORM ve veritabanı yönetimi
SQL Server	2022	Veritabanı
SignalR	8.0	Gerçek zamanlı bildirimler
RabbitMQ	3.12	Mesajlaşma kuyruğu
Redis	7.0	Cache ve session yönetimi
AutoMapper	12.0	Object mapping
Swagger	6.5	API dokümantasyonu

🧠 ML & DL (Python)

Teknoloji	Versiyon	Kullanım Amacı
Python	3.11	ML servisi
TensorFlow	2.15	Deep Learning framework
Keras	2.15	LSTM model geliştirme
Scikit-learn	1.3	Machine Learning algoritmaları
Pandas	2.1	Veri işleme
NumPy	1.24	Numerik hesaplamalar
FastAPI	0.104	Python Web API
Anaconda	2023.09	Virtual environment

🎨 Frontend

Teknoloji	Versiyon	Kullanım Amacı
Bootstrap	5.3	CSS framework
Chart.js	4.4	Grafik görselleştirme
SignalR Client	8.0	Gerçek zamanlı bağlantı
jQuery	3.7	DOM manipülasyonu
AJAX	-	Asenkron istekler

🔧 DevOps & Tools

Teknoloji	Kullanım Amacı
Docker	Containerization
Docker Compose	Multi-container orchestration
Git	Version control

📊 Özellikler

1. Gerçek Zamanlı Sensör Takibi

IoT sensörlerinden (basınç, sıcaklık, titreşim, akım) gelen verilerin anlık olarak işlenmesi
Web API üzerinden veri alımı
RabbitMQ ile asenkron veri işleme

2. Arıza Tahmini (ML/DL)

LSTM (Long Short-Term Memory) modeli ile zaman serisi analizi
Random Forest ile anomali tespiti
Normal ve anormal (arıza öncesi) verilerin sınıflandırılması
Arıza olasılık skoru hesaplama (0-100%)

3. Web Dashboard

Gerçek zamanlı ekipman durumu görselleştirme
Sensor verilerinin grafiklerle gösterilmesi
Arıza tahmin sonuçları ve alarm sistemi
Geçmiş analiz raporları

4. Alarm ve Bildirim Sistemi

SignalR ile gerçek zamanlı "Bakım Uyarısı" bildirimleri
Dashboard'da görsel alarm göstergeleri
Kritik durumlar için otomatik uyarı

5. API Entegrasyonu

RESTful API ile diğer sistemlere entegrasyon
ML servisi ile Python API iletişimi
IoT cihazlarından veri alımı

🗂️ Proje Yapısı

PredictiveMaintenance/
│
├── src/
│   ├── Domain/
│   │   └── PredictiveMaintenance.Domain/
│   │       ├── Entities/           # Domain entities
│   │       └── Interfaces/         # Repository ve service interfaces
│   │
│   ├── Application/
│   │   └── PredictiveMaintenance.Application/
│   │       ├── Services/           # Business logic services
│   │       ├── DTOs/               # Data Transfer Objects
│   │       └── Mappings/           # AutoMapper profiles
│   │
│   ├── Infrastructure/
│   │   └── PredictiveMaintenance.Infrastructure/
│   │       ├── Data/               # DbContext
│   │       ├── Repositories/       # Repository implementations
│   │       └── Services/           # RabbitMQ, Redis, ML Service
│   │
│   └── Presentation/
│       ├── PredictiveMaintenance.API/
│       │   ├── Controllers/        # REST API Controllers
│       │   └── Hubs/               # SignalR Hubs
│       │
│       └── PredictiveMaintenance.Web/
│           ├── Controllers/        # MVC Controllers
│           ├── Views/              # Razor views
│           └── wwwroot/            # Static files
│
├── ml-service/
│   ├── models/                     # ML models
│   ├── services/                   # ML services
│   ├── api/                        # FastAPI endpoints
│   ├── requirements.txt
│   └── main.py
│
├── docker/
│   ├── docker-compose.yml
│   ├── Dockerfile.web
│   └── Dockerfile.ml
│
├── docs/
│   ├── PROJECT_DOCUMENTATION.md
│   ├── API_DOCUMENTATION.md
│   └── ML_MODEL_DOCUMENTATION.md
│
└── README.md

🚀 Kurulum

Gereksinimler

.NET 8.0 SDK
SQL Server 2022
Redis 7.0
RabbitMQ 3.12
Python 3.11
Anaconda (opsiyonel)
Docker (opsiyonel)

Adımlar

1. Repository'yi Klonlayın

git clone https://github.com/kaganaydogan/predictive-maintenance.git
cd predictive-maintenance

2. Veritabanını Yapılandırın

SQL Server'da veritabanı oluşturun ve appsettings.json dosyasında connection string'i güncelleyin:

{
  "ConnectionStrings": {
    "DefaultConnection": "Server=localhost;Database=PredictiveMaintenanceDb;Trusted_Connection=True;TrustServerCertificate=True;"
  }
}

3. .NET Bağımlılıklarını Yükleyin

dotnet restore

4. Migration'ları Çalıştırın

dotnet ef migrations add InitialCreate --project src/Infrastructure/PredictiveMaintenance.Infrastructure
dotnet ef database update --project src/Infrastructure/PredictiveMaintenance.Infrastructure

5. ML Servisini Kurun

cd ml-service
conda create -n predictive-maintenance python=3.11
conda activate predictive-maintenance
pip install -r requirements.txt

6. Uygulamayı Çalıştırın

Terminal 1 - Web Uygulaması:

dotnet run --project src/Presentation/PredictiveMaintenance.Web

Terminal 2 - API:

dotnet run --project src/Presentation/PredictiveMaintenance.API

Terminal 3 - ML Servisi:

cd ml-service
python main.py

Docker ile Çalıştırma

cd docker
docker-compose up -d

📖 Kullanım

API Endpoints

Equipment (Ekipman)

GET    /api/equipment              # Tüm ekipmanları listele
GET    /api/equipment/{id}         # Belirli bir ekipmanı getir
POST   /api/equipment              # Yeni ekipman ekle
PUT    /api/equipment/{id}         # Ekipman güncelle
DELETE /api/equipment/{id}         # Ekipman sil
GET    /api/equipment/status/{status}  # Duruma göre filtrele

Sensor Data (Sensör Verisi)

GET    /api/sensordata/equipment/{equipmentId}              # Ekipman sensör verileri
GET    /api/sensordata/equipment/{equipmentId}/range        # Tarih aralığında veri
POST   /api/sensordata                                      # Yeni sensör verisi ekle
GET    /api/sensordata/equipment/{equipmentId}/anomalies    # Anomali tespiti

Prediction (Tahmin)

POST   /api/prediction                         # Yeni tahmin oluştur
GET    /api/prediction/equipment/{equipmentId} # Ekipman tahminleri
GET    /api/prediction/equipment/{equipmentId}/latest  # Son tahmin
GET    /api/prediction/critical                # Kritik tahminler

Alert (Uyarı)

GET    /api/alert/unread                       # Okunmamış uyarılar
GET    /api/alert/equipment/{equipmentId}      # Ekipman uyarıları
PUT    /api/alert/{id}/read                    # Uyarıyı okundu olarak işaretle

Örnek API İstekleri

Yeni Ekipman Ekleme:

curl -X POST "https://localhost:5001/api/equipment" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "Motor 1",
    "type": "Motor",
    "location": "Üretim Hattı A"
  }'

Sensör Verisi Gönderme:

curl -X POST "https://localhost:5001/api/sensordata" \
  -H "Content-Type: application/json" \
  -d '{
    "equipmentId": 1,
    "sensorType": "Temperature",
    "value": 75.5,
    "unit": "Celsius"
  }'

Tahmin Oluşturma:

curl -X POST "https://localhost:5001/api/prediction" \
  -H "Content-Type: application/json" \
  -d '{
    "equipmentId": 1,
    "modelType": "LSTM"
  }'

🧪 Test

# Tüm testleri çalıştır
dotnet test

# Belirli bir test projesi
dotnet test tests/UnitTests

📈 Proje Aşamaları

Hafta	Yapılacak İş
1-2	Sensör verisi toplama ve veritabanı entegrasyonu
3-4	ML modeli eğitimi ve testleri
5-6	ASP.NET Core API + Web dashboard geliştirme
7	SignalR bildirim entegrasyonu
8	Demo, test ve sunum hazırlığı

🤝 Katkıda Bulunma

Fork edin
Feature branch oluşturun (git checkout -b feature/AmazingFeature)
Commit edin (git commit -m 'Add some AmazingFeature')
Push edin (git push origin feature/AmazingFeature)
Pull Request açın

📄 Lisans

Bu proje MIT lisansı altında lisanslanmıştır. Detaylar için LICENSE dosyasına bakın.

👨‍💻 Geliştirici

Kağan Aydoğan

🎓 Sakarya Üniversitesi Bilgisayar Mühendisliği
💻 Full Stack Developer
🤖 ML & DL Developer
📧 kagan.aydogan@example.com

📞 İletişim

Sorularınız veya önerileriniz için:

📧 Email: kagan.aydogan@example.com
💼 LinkedIn: Kağan Aydoğan
🐙 GitHub: @kaganaydogan

🙏 Teşekkürler

.NET Foundation
TensorFlow
FastAPI
Tüm açık kaynak topluluğuna katkılarından dolayı teşekkürler!

⭐ Bu projeyi beğendiyseniz yıldız vermeyi unutmayın! ⭐

Made with ❤️ by Kağan Aydoğan

Name		Name	Last commit message	Last commit date
Latest commit History 9 Commits
.github/workflows		.github/workflows
.github		.github
docker		docker
src		src
.editorconfig		.editorconfig
.gitignore		.gitignore
CONTRIBUTING.md		CONTRIBUTING.md
GITHUB_SETUP.md		GITHUB_SETUP.md
LICENSE		LICENSE
PredictiveMaintenance.sln		PredictiveMaintenance.sln
README.md		README.md
SECURITY.md		SECURITY.md
push-to-github.ps1		push-to-github.ps1

License

kaganay/predictive-maintenance

Folders and files

Latest commit

History

Repository files navigation