Yapay zekâ yöntemleri kullanarak otomobil motor ses sinyallerinden arıza tespiti

Otomobil arızlarının tespiti için başvurulan geleneksel yöntemler, servis merkezlerinde bulunan deneyimli uzman bilgisine ve özel teşhis araçlarına dayanmaktadır. Ancak bu yöntemler oldukça zaman alıcı ve otomobil sahibi açısından oldukça maliyetli olabilmektedir. Dolayısıyla otomobil arızalarının tespitine yönelik hızlı ve az maliyetli alternatif yöntemlerin geliştirilmesi büyük önem arz etmektedir. Bu tez çalışmasında, otomobillerin motor sesi kayıtlarından belirli arızaların tespiti için makine öğrenmesi ve derin öğrenme tabanlı, verimli ve etkili iki alternatif yöntem önerilmiştir. Önerilen yöntemler iki çalışma halinde sunulmuştur. Önerilen yöntemler ile motor sesi kayıtlarından otomobillerin 6 farklı durumu (5 farklı arıza durumu ve arızasız durumu) belirlenmiştir. Daha önceden bu konuda yapılan çalışmaların sınırlamaları göz önüne alınarak bu tez çalışmasında, çeşitli araç modellerini ve gerçek dünya çalışma koşullarını kapsayan büyük ve çeşitli bir veri kümesi oluşturulmuş ve kullanılmıştır. Böylelikle arıza tespit sisteminin gürbüzlüğünün ve genelleme yeteneğinin önemli ölçüde iyileştirilmesi yoluna gidilmiştir. Tez kapsamında yapılan ilk çalışmada, Mel-Frekans Cepstral Katsayıları (MFCC), Ayrık Dalgacık Dönüşümü (ADD) tabanlı özellikler ve Aşırı Öğrenme Makinesi (Extreme Learning Machine, ELM) sınıflandırıcısı kullanan bir araç arıza tespit çerçevesi sunulmuştur. Yapılan deneylerin sonuçları, motor sesi kayıtlarının MFCC tabanlı özelliklerinin ELM sınıflandırıcısıyla değerlendirilmesiyle otomobil arıza tespitinde kayda değer performans sergilediğini göstermiştir. Bu birleşimin istatiksel parametreler açısından başarım performansı %92,22 kesinlik, %92,22 duyarlılık, %92,10 F1-score ve %92,14 doğruluk olarak gerçekleşmiştir. Motor sesi kayıtlarının ADD tabanlı özelliklerin kullanılması durumunda ise elde edilen başarım performansı MFCC tabanlı özelliklere göre daha düşük olduğu görülmüştür. Ayrıca, tezin bu kısmında gelecekteki arıza tespit çalışmalarına değerli bilgi sağlayacağını düşünerek farklı arıza tiplerinin en belirgin frekanslarının tespiti için frekans analizi yapılmıştır. Tez kapsamında yapılan ikinci çalışmada ise otomobil arızalarının kestirimi için motor sesi kayıtlarının skalogram ve spektrogram görsellerini birlikte işleyen ve CarFaultNet olarak adlandırılan bir derin öğrenme tabanlı model önerilmiştir. Önerilen modelde ses kayıtlarının iki farklı zaman-frekans temsilinin kullanılıyor olması modele çoklu bakış açısı kazandırmaktadır. Başka bir ifade ile model arıza tespiti için bir karar mekanizması oluştururken motor sesinin hem skalogram bilgisine hem de spectrogram bilgisine birlikte başvurmaktadır. Önerilen CarFaultNet modeli yapı olarak iki MobileNet evrimşimsel ağ yapısının paralel birleşiminden oluşmaktadır. Arıza tespiti için AlexNet, GoogLeNet, ShuffleNet ve SqueezeNet gibi evrişimli sinir ağları tabanlı modellerin kullanımına da karşılaştırma amacıyla bu çalışmada yer verilmiştir. Elde edilen sonuçlar, CarFaultNet modelinin gerek geleneksel makine öğrenme yöntemlerinden ve gerekse tek bakış açılı derin öğrenme modellerinden daha başarılı olduğunu göstermiştir. Önerilen modelin başarım performansı %95,32 doğruluk, %94,83 duyarlılık, %94,99 F1-score ve %95,00 kesinlik olarak gerçekleşmiştir. Ayrıca, CarFaultNet modelin karar verme sürecinde skalogram ve spektrogram görsellerinin hangi bölgelerinin belirgin etkiye sahip olduğunu göstermek amacıyla Sınıf Aktivasyon Haritalandırma (Class Activation Mapping-CAM) tekniği kullanılmıştır. Bu tez kapsamında önerilen yaklaşımlar ve bu yaklaşımların sonuçları göz önüne alındığında, gelecekte makine ve derin öğrenme tabanlı yöntemlerin otomobil arza tespitinde güvenilir ve pratik çözümler sunabileceği görülmüştür.