Ağır vasıta hava kompresörü arızalarının makine öğrenmesi yöntemleri kullanılarak analizi

Küçük bir bileşen olmasına rağmen hava kompresörleri, ağır vasıta aracın uzun yol sürüşlerinde emniyetli bir şekilde hareketini devam ettirmesine yardımcı olmaktadır. Çalışmada literatür ve teknik servis görüşmeleri neticesinde en sık rastlanan hava kompresörü arıza durumları belirlenmiştir. Belirlenen arıza türleri kendi içerisinde değerlendirilmiş ve arıza derecelerine göre deney hazırlıkları yapılmıştır. Deneyler için test düzeneği oluşturularak yazılım ve sensör donanımları ile 19 farklı çalışma durumuna ait veriler kayıt altına alınmıştır. Kayıt altına alınan 23.987 verinin %80'i ile PYTHON programında Destek Vektör Makineleri (DVM), K-En Yakın Komşu (K-nn), Naive Bayes Sınıflandırıcısı, Rastgele Orman Algoritması ve Yapay Sinir Ağları algoritma modelleri oluşturulmuş ve bu modeller kalan %20'lik veri ile test edilmiştir. Modeller 10 kat çapraz doğrulama işlemine tabi tutulmuştur. Ardından modellerin test verilerine göre doğruluk oranları belirlenmiştir. Destek Vektör Makineleri Radyal Tabanlı Fonksiyon Kerneli %100, K-En Yakın Komşu algoritması Manhattan Uzaklık Ölçütü %99.50, Gaussian Naive Bayes Sınıflandırıcısı %94.60, Rastgele Orman Algoritması %99.30, Yapay Sinir Ağları %99.80 doğruluk oranı sonuçlarını vermiştir. Modellerin Kappa ve F1 skor değerleri incelenmiş, eğitim ve test verileri için karmaşıklık matrisleri oluşturulmuştur. Modellerin hiç karşılaşmadığı verilerde tahmini sınıfı yüzdelik oranla belirlenmiş ve elde edilen sonuçlar değerlendirilmiştir. Bu çalışma makine öğrenmesi algoritma modellerinin, ağır vasıta hava kompresörü arızalarının tahmin edilmesinde etkili olabildiklerini göstermektedir.