Akademik Veri Yönetim Sistemi
9th International “Başkent” Congress on Life, Engineering, and Applied Sciences, Ankara, Türkiye, 23 Mayıs 2023, ss.162-171
Bu çalışmada, özellikle üretim sektörü bağlamında Kestirimci Bakım (KB) stratejisinin maliyetleri azaltma potansiyelini ortaya çıkarmak için çalışmalar yürütülmüştür. Üretim süreçlerinden elde edilen büyük miktarda veri, doğru bir şekilde
derin öğrenme algoritmalarıyla kullanıldığında, hata tahmini ve teşhisi konusunda çok büyük avantajlar sunabilir. Bu sayede kaynaklar optimize edilir ve durma süreleri azaltılır. Bu çalışmanın ana hedefi, Uzun Kısa Vadeli Bellek (LSTM)
modeli kullanılarak Kalan Kullanılabilir Ömür (RUL) tahmininin yüksek başarı oranı ile hesaplamaktır. LSTM, bir tür tekrarlayan sinir ağıdır ve uzun süreler boyunca öğrenme ve hatırlama yeteneği ile geleneksel sinir ağlarının eğitiminde
yaygın bir sorun olan kaybolan gradyan problemini çözmek için seçilmiştir. Bu modelin etkinliğini test etmek için, NASA tarafından sağlanan 100 Turbofan motorunun 21 sensör verisi kullanılmıştır. Bu verisetini kullanan bazı çalışmalarda
sensör verilerinin tamamını kullanmak yerine sadece bazı sensör verilerinin tercih edildiği görülmüştür. Bu çalışmada yüksek boyutlu verilerle başa çıkmak, hesaplama maliyetini azaltmak ve model performansını iyileştirmek için boyut
indirgeme adımlarında Temel Bileşenler Analizi (PCA) kullanılmıştır. Ayrıca, korelasyon değerleri 0.8'den yüksek olan sensörler, tahmin doğruluğunu artırmadaki önemleri nedeniyle öznitelik seçim sürecinde önceliklendirilmiştir. Eğitim
için toplam 20631 veri varken, test için 13096 veri kullanılmıştır. Veriler “sağlam” ve “bakım gerekli” olmak üzere iki kategoride etiketlenmiştir. RUL değeri 150’nin altında olan motorlar bakıma ihtiyaç duymaktadır diye etiketlenmiştir.
Model, bu verileri girdi olarak alır ve her motor için RUL değerini çıktı olarak verir. LSTM modelinin performansı, Ortalama Mutlak Hata (MAE), R-Kare (R2) ve Kök Ortalama Kare Hata (RMSE) gibi birkaç metrik ile değerlendirilmiştir. Sonuçlar, Linear Regresyon, Random Forest, Support Vector Machine, XgBoost ve Neural Network Modeli gibi diğer popüler RUL tahmin modelleri ile karşılaştırılmıştır. Araştırmanın bulguları, LSTM modelinin diğer yöntemlere kıyasla RUL tahmininde etkili ve doğru bir yöntem olduğunu göstermektedir. Ayrıca Temel Bileşenler Analizi yapılarak seçilen sensör verileri kullanıldığında mevcut çalışmalardan daha başarılı LSTM sonuçları elde edilmiştir. Araştırmadan elde edilen bulgular, LSTM modelinin RUL tahmininde güçlü ve doğru bir yöntem olduğunu, tahmin doğruluğu açısından diğer yöntemlerden üstün olduğunu göstermektedir. Bu makale, KB stratejileri üzerindeki devam eden tartışmalara katkıda bulunur ve LSTM modellerinin RUL tahmini için kullanılabilirliği hakkında değerli bilgiler sunar. Ayrıca, benzer konulardaki gelecekteki araştırmalar için sağlam bir çerçeve sağlar ve RUL tahmin modellerinin daha iyi performans için daha da geliştirilme olasılığını önerir.