Dizel makinanın makina öğrenmesi yöntemi kullanılarak modellenmesi ve karar-destek mekanizması oluşturulması

Abstract

Deniz araçlarının kullanımı hem ticari hem askeri açıdan tarih boyunca toplumların önem verdiği konulardan birisi olmuştur. Günümüz ihtiyaçları doğrultusunda deniz araçlarının yüksek faaliyet oranı ve düşük maliyet ile sürdürülebilir şekilde işletilmesi daha da önem kazanmıştır. Bir deniz aracında bu isterlerin sağlanabilmesi için en çok dikkat edilmesi gereken kısım ise gemi ana makinalarıdır. Gemi ana makinalarında ortaya çıkabilecek arızalar, gemilerin uzun süre arızalı kalması ve/veya yüksek maliyetli onarım ihtiyaçlarının ortaya çıkmasıyla sonuçlanabilir. Gemi ana makinalarındaki arızaların hızlı tespiti makinanın güvenirliğinin artmasına ilave olarak, daha büyük arızaların oluşmasını engellemeyi ve gemilerin çalışmasının kesintiye uğramadan devam etmesini sağlar. Ticari ve askeri maksatlar dışında gemilerin bir diğer önemli kullanım alanı da ülke sınırları içerisindeki toplumsal düzenin sağlanmasıdır. İnsan hayatını kurtarmak, doğal kaynakları korumak, deniz kirliliğini önlemek ve kaçakçılıkla mücadele gibi geniş bir görev yelpazesine sahip olan Sahil Güvenlik Komutanlığı gemilerinde de diğer birçok askeri ve ticari gemide olduğu gibi dizel ana makinalar kullanılmaktadır. Ana makinaların her zaman sorunsuz çalışması ve gemilerin görevlerini yerine getirirken hızlı tepki verebilmeleri için arızaların hızlı ve erken tespit edilmesini ve maliyetli veya onarımı uzun süren arızaların önlenmesini sağlamak kritik öneme sahiptir. Gelişen teknolojiye paralel olarak, gemi dizel makinalarının arıza tespitinde farklı yöntemler kullanılmaktadır. Derin öğrenme, yapay zekâ, makina öğrenmesi gibi yenilikçi ve gelişen bilişim teknolojileri uygulamaları makinalarda meydana gelebilecek arızaların hızlı tespit ve teşhisini kolaylaştıran uygulamalardır. Bu tezde, dört zamanlı yüksek devirli bir gemi dizel makinasının sistem arızalarının etkin bir şekilde tespit ve teşhis edilebilmesi için makina öğrenmesi algoritmaları ile akıllı teşhis yöntemlerinin geliştirilmesi ve uygulanması incelenmiştir. Ayrıca, gemi dizel makinasından gerçek zamanlı elde edilen verilere dayalı makina öğrenmesi tabanlı çok sınıflı sınıflandırma modeli oluşturulması, oluşturulan modelin makina öğrenmesi algoritmaları kullanılarak analizlerinin yapılması ve makina sistem arızalarına yönelik bir karar-destek mekanizması oluşturulması hedeflenmiştir. Bu çalışma temel olarak on bölümden oluşmaktadır. Birinci bölümde, genel olarak makina öğrenmesi ve dizel gemi makinası arıza teşhis yöntemleri hakkındaki literatür ile tezin amacı ve yapısı hakkında bilgilendirmeler yapılmıştır. İkinci bölümde, dört zamanlı yüksek devirli gemi dizel makinası ve çalışma prensibi genel hatlarıyla tanıtılmış ve çalışmada irdelenecek sistemler anlatılmıştır. Üçüncü bölümde, dört zamanlı yüksek devirli bir gemi dizel makinasinın çalışma parametreleri, arıza teşhisi ve arıza takip sistemi anlatılmıştır. Toplanan verilerden bilgi elde edilmesine yönelik olarak kullanılabilecek yöntemler dördüncü bölümde tanıtılmıştır. Bu bölümde, veri madenciliği, makina öğrenmesi ve veri sınıflandırma yöntemleri anlatılmıştır. Beşinci bölümde, veri analizlerinde kullanılacak araçlar ve analiz süreci anlatılmıştır. Çok sınıflı sınıflandırma probleminin çözümünde kullanılacak makina öğrenmesi algoritmaları altıncı bölümde tanıtılmıştır. Yedinci bölümde, yapılan analizleri geliştirmek için uygulanan topluluk yöntemleri hakkında bilgilendirme yapılmıştır. Yapılan analizlerin değerlendirilmesine yönelik olarak uygulanacak süreç, kullanılacak performans değerlendirme yöntemleri ve metrikleri sekizinci bölümde tanıtılmıştır. Dokuzuncu bölümde, uygulamaları ve elde edilen sonuçları içeren araştırma sürecinin metodolojisi sunulmuştur. Son bölüm olan onuncu bölümde ise, analizlerden elde edilen sonuçlar yorumlanmıştır. Bu çalışmada öncelikle, gemi dizel makinası üzerinde mevcut, programlanan limitlerinin dışına çıkılması durumunda sesli ve/veya görsel alarmlar gönderen sensörlerden alınan gerçek zamanlı değerler ve gemi jurnalleri kullanılarak bir veri seti oluşturulmuştur. Bu veri seti; normal çalışma durumu, yanma/egzoz sistemi arızaları, soğutma sistemi arızaları ve yağlama sistemi arızalarını içeren dört sınıf içermektedir. Sonrasında, veri ön işleme sürecine geçilmiştir. Modelin oluşturulmasında kullanılacak veriler, uygulanacak makina öğrenmesi sürecine uygun hale getirilmiş, anlamlı veriler modele dahil edilip diğer veriler ise veri setinden çıkarılmıştır. Araştırmada, bu çok sınıflı sınıflandırma probleminin çözümüne yönelik olarak uygun makina öğrenmesi modeli oluşturulmuştur. Analizler, her durumda sınıf hedefini doğrulukla tahmin etmek için makina öğrenmesi sınıflandırma tekniği kullanan, makinanin limitleri dışında kalan çalışma parametreleri verilerini analiz eden Python dilinde hazırlanmış veri madenciliği aracıyla gerçekleştirilmiştir. Farklı makina öğrenmesi sınıflandırma yöntemlerinin performansını incelemek maksadıyla, on üç temel makina öğrenmesi algoritması modele uygulanmış ve performansları değerlendirilmiştir. Bu on üç temel makina öğrenmesi algoritmasının performans değerlendirmelerinde; Hata Matrisi, Sınıflandırma Raporu, Tahmin Hatası, Öğrenme Eğrisi ve performans metrikleri kullanılmıştır. Hafif Gradyan Artırma Makinasi'nin modeli oluşturmak için diğer başarılı algoritmalara göre nispeten kısa bir süre ile en verimli ve doğruluk puanı yüksek performansa sahip olduğu belirlenmiştir. Elde edilen sonuçlar incelendiğinde, yedi temel algoritmanın (Hafif Gradyan Artırma Makinası, Rastgele Orman, Gradyan Artırma, Ekstra Ağaçlar, Karesel Diskriminant Analizi, Karar Ağacı ve K-en Yakın Komşu) Doğruluk değerleri %95,74 ile %97,73 aralığında değişirken, F-ölçütü (F1) değerlerinin de %95,92 ve %98,03 aralığında değiştiği belirlenmiştir. Ancak, Naive Bayes (%48,63 Doğruluk, %61,33 F1) ve AdaBoost (%64,74 Doğruluk, %69,47 F1) algoritmalarının sonuçları, başlangıç hesaplamalarında tüm algoritmalar arasında en kötü performansa sahip algoritmalar olduklarını göstermiştir. Temel makina öğrenmesi algoritmalarının performanslarını artırmak için, hiperparametreleri iyileştirildikten sonra Torbalama ve Harmanlama topluluk yöntemleri analizlere ilave edilmiştir. Topluluk yöntemlerinin analizlere ilave edilmesi sonrası performans kontrolleri, Doğruluk ve Duyarlılık ile Kesinlik performans metriklerinin harmonik ortalaması olan F-ölçütü kullanılarak yapılmıştır. Değerlendirmelerde model kurulum süreleri de dikkate alınmıştır. Torbalama topluluk yönteminde, uzun bir model kurulum süresi gerektirmesine rağmen, Gradyan Artırma algoritması %98,31 Doğruluk ve %98,08 F1 değerleriyle en başarılı sonuçları elde etmiştir. Gradyan Artırma algoritmasının Doğruluk değerinde yaklaşık %0,4 oranında bir artış gözlemlenmiştir. Ayrıca, model kurulumu için oldukça uzun zaman gerektirmesiyle birlikte, Doğruluk değerinde yaklaşık %45 oranında artış sağlayan AdaBoost algoritmasının en dikkat çekici performansı sergilediği belirlenmiştir. Harmanlama topluluk yönteminde ise, Gradyan Artırma ve Rastgele Orman algoritmalarının harmanlanması sonrası, oldukça kısa bir model kurulum süresi (86 saniye) ve %98,63 Doğruluk ile %98,43 F1 performans değerleri elde edilmiştir. Sonuç olarak, dört zamanlı yüksek devirli bir gemi dizel makinasının arıza teşhisine odaklanan bu çok sınıflı sınıflandırma probleminin en başarılı çözümü Harmanlama topluluk yöntemi kullanılarak Gradyan Artırma ve Rastgele Orman algoritmalarının birlikte uygulanmasıyla elde edilmiştir.