Karmaşık süreçlerdeki problemlere derin öğrenme yaklaşımları: quadrotor arızalarının erken tahmini ve uçuş sağlığı izleme modelleri

Gelişmiş teknolojik sistemlerde arızaların erken tespiti, güvenilirlik ve güvenlik açısından hayati öneme sahiptir. Yapay zekânın arıza tespiti konusundaki artan popüleritesine rağmen, mevcut yöntemler genellikle kapsamlı sistem bilgilerini ve sensör verilerini etkili bir şekilde kullanmakta yetersiz kalmaktadır. Toplanan verilerdeki gizli arızaların varlığı, dikkatleri gelişmiş analitik tekniklere olan ihtiyaca çekmektedir. Bu çalışma, karmaşık sistemlerde arızaları erken tespit etmek ve sistem sağlığını gerçek zamanlı izleyebilmek amacıyla düşme tahmini ve uçuş sağlığı tahmini olmak üzere derin öğrenme tabanlı iki yöntem sunmaktadır. Geliştirilen yöntemlerde LSTM tabanlı otokodlayıcılardan faydalanılarak özellik boyutları azaltılmış ve verilerin anlamlı özniteliklere indirgenmesi sağlanmıştır. Modellerin tahmin ve sınıflandırma aşamalarında BiLSTM ve LSTM modelleri kullanılmıştır. Her iki model gerçek quadrotor uçuşlarından elde edilen sağlıklı ve arızalı verilerle eğitilmiş ve doğrulanmıştır. Deneysel sonuçlar, düşme tahmini modelinin kritik bir arızadan 30 saniye önce 0,9771 doğrulukla arıza belirtilerini tespit ettiğini, uçuş sağlığı tahmini modelinin ise uçuş sırasında sağlık durumunu ortalama 0,1538 MAE değeriyle gerçek zamanlı olarak tahmin ettiğini göstermektedir. Bu durum, önerilen yöntemlerin karmaşık sistemlerde operasyonel güvenlik ve güvenilirliği artırmadaki ciddi potansiyelini ortaya koyarken, kapsamlı verilerin ve gelişmiş analitik tekniklerin erken arıza tespiti ve sistem sağlığı izlenmesindeki önemini de ortaya koymaktadır.