Sıvı sinir ağları ile turbofan motoru kalan ömür tahmini: karşılaştırmalı bir analiz

Turbofan motorlar sivil havacılığın temel güç kaynağı olup bu motorların beklenmedik arızaları hem güvenlik hem de ekonomik açıdan ciddi sonuçlar doğurabilmektedir. Kestirimci bakım stratejileri kapsamında kalan faydalı ömür (Remaining Useful Life -- RUL) tahmini, motor bileşenlerinin arızaya ne kadar süre sonra ulaşacağını önceden belirleyerek bakım planlamasını optimize etmeyi amaçlamaktadır. Literatürde bu problem için Uzun Kısa Süreli Bellek (Long Short-Term Memory -- LSTM), Kapılı Yinelemeli Birim, Evrişimsel Sinir Ağı (Convolutional Neural Network -- CNN) ve Transformer gibi ayrık-zamanlı derin öğrenme mimarileri yaygın biçimde kullanılmakta; ancak motor bozunması doğası gereği sürekli-zamanlı bir fiziksel süreç olmasına rağmen bu sürecin sürekli-zamanlı sinir ağı mimarileriyle modellenmesi henüz yeterince araştırılmamıştır. Bu tez çalışmasında, NASA C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) veri seti üzerinde Kapalı-form Sürekli-zaman (CfC) tabanlı Sıvı Sinir Ağı (LNN) modeli ile RUL tahmini gerçekleştirilmiştir. CfC hücresinin girdiye bağlı zaman sabitleri, bozunma sürecindeki değişken dinamiklere uyum sağlama potansiyeli taşımaktadır. Modelin hiperparametreleri, iki aşamalı Bayesçi optimizasyon stratejisiyle sistematik biçimde optimize edilmiştir. Birinci aşamada gizli durum boyutu, öğrenme oranı ve mini-batch boyutu gibi mimari ve eğitim parametreleri; ikinci aşamada ise sekans uzunluğu, RUL tavanı ve korelasyon tabanlı sensör seçim eşiği gibi veri akışı parametreleri ardışık olarak ayarlanmıştır. Deneysel sonuçlar, CfC tabanlı LNN modelinin tek çalışma koşullu veri setlerinde güçlü bir performans sergilediğini ortaya koymuştur. Model, FD001 veri setinde 8,40 Kök Ortalama Kare Hata (Root Mean Square Error -- RMSE) ve 107 NASA skoru, FD003 veri setinde ise 9,71 RMSE değerine ulaşmıştır. Bu değerlerle model, karşılaştırılan LSTM, DCNN, BiLSTM+Attention, CNN-LSTM-Attention ve STAR Transformer modellerinin raporladığı değerlerden daha düşük RMSE elde etmiştir. Çoklu çalışma koşullu veri setlerinde ise FD002'de 13,50 RMSE ve FD004'te 20,97 RMSE elde edilmiş olup, bu RMSE değerleri bazı klasik yaklaşımların raporladığı RMSE değerlerinden yüksek kalmakla birlikte, Transformer tabanlı güncel mimarilerle rekabetçi bir düzeydedir. Belirtilen karşılaştırmaların farklı çalışmaların ön işleme ve deney protokolleri birebir aynı olmadan raporladığı değerlere dayandığı dikkate alınmalıdır. İki aşamalı Bayesçi optimizasyon, her veri setine özgü farklılaşmış konfigürasyonlar üreterek tek tip bir ayarla elde edilemeyecek performans düzeylerine ulaşılmasını sağlamıştır.