Makine öğrenmesi ile gemi makinelerinin hata analizi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: FUNDA KAYA İNCEİŞÇİ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Ayça Ak
Eş Danışman: Vedat Topuz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Gemi sistemlerinin bakım onarımının yapılması ve hata olasılıklarının tahmin edilmesi dinamik gemi sistemleri için önemli bir faktördür. Sistemlerin kapalı kalma süresini en aza indirmek ve maliyeti minimize etmek güncel çalışma alanlarından biridir. Son yıllarda bilgi teknolojilerinin hızlı gelişimi ve buna bağlı olarak gelişen makine öğrenimi yaklaşımları sistemlerin bakım onarımlarına makine öğrenimini entegre etmeyi mümkün kılmıştır. Yapılan çalışmalarda makine öğrenmesi kullanılması, bu yöntemin bakım onarım ve hata analizi alanlarında denenmesine olanak sağlamıştır. Sistemlerde oluşabilecek hatayı tahmin etmek ve buna bağlı olarak arızayı önlüyor olabilmek yeni tekniklerin ortaya çıkmasını sağlamıştır. Bu sistemlerin en önemlilerinden biri olan akıllı gemi makine sistemleri açık denizlerdeki gemilerin yaşam ömrünü artırmaktadır. Gerçekleştirilen bu çalışmada gemi makinelerinin makine öğrenmesi yöntemleri kullanılarak hata durumu araştırılmıştır. Geleneksel yöntemlerin dışında bu çalışmada iki farklı analiz yapılarak makine öğrenmesi yöntemleri kullanılmıştır. Yapılan ilk çalışmada LM-2500 tipi bir gemi makinesinden alınan; gemi hızı, gaz türbini (GT) şaft torku, gaz türbini devir hızı, gaz jeneratörü devir hızı, sancak pervane torku, iskele pervane toku, yüksek güçlü (YG) türbin çıkış sıcaklığı, GT kompresör giriş hava sıcaklığı, GT kompresör çıkış hava sıcaklığı, YG türbin çıkış basıncı, GT kompresör giriş hava basıncı, GT kompresör çıkış hava basıncı, gaz türbini egzoz gazı basıncı, türbin enjeksiyon kontrolü ve yakıt akışı verileri gemi makinelerinin hata durumunu tahmin etmek için regresyon ve yapay sinir ağları (YSA) algoritmaları ile analiz edilmiştir. Doğrusal Regresyon, Karar Ağacı Regresyon, K-En Yakın Komşu Regresyon (K-NN), Rastgele Orman Regresyon, Bayesian Ridge Regresyon, Ekstra Ağaç Regresyon, Doğrusal Destek Vektör Makineleri (DVM) Regresyonu ve YSA algoritmalarından elde edilen sonuçlar karşılaştırılmıştır. Analiz sonucunda YSA yönteminin makine hatası tahmininde regresyon yöntemlerine göre daha iyi sonuçlar verdiği ortaya çıkmıştır. Yapılan diğer çalışmada ise bir makineden alınan akustik sinyallerden normal ve anormal çalışma durumunu gösteren veri kümeleri oluşturulmuş ve spektrogram grafiklerine çevrilmiştir. Elde edilen bu görüntüler derin öğrenme yöntemi ile analiz edilmiştir. Bu analiz ile akustik veri kümeleri kullanılarak gemi motorlarının hata-arızalarının modellemesi ve sınıflandırılması sağlanmıştır.