Uçak bakım periyotları ve arıza sayılarının yapay zeka teknikleri kullanılarak tahmini

Abstract

Havacılık endüstrisi çok fazla verinin ve bilginin biriktiği bir alandır. Bu alanda bakım planları, arıza bildirimleri, tamir siparişleri, ekipman sökme/takma kayıtları, uçuş saatleri, sorti sayısı, faal/gayrı faal durumları gibi bir çok veri saklanmaktadır. Bu verilerin analiz edilmesi, yanlış arıza sinyali ve yanlış bildirim ile gelen durumların ayırt edilmesi ve gerçek arızaların tespit edilmesi gerekmektedir. Ayrıca anlamlı verilerin çıkarılmasına, gereksiz verilerin ve özelliklerin de elenmesine ihtiyaç vardır. Kaynak yönetim sisteminde bu amaç için programlar yazarak, öncelikle seçilen uçak sistemine ait ekipmanların MTBF ve NFF değerleri hesaplanmış, malzemelerin üretici kataloğunda yazan bakım periyotları, hesaplanan MTBF değerleri ile karşılaştırılarak analiz edilmiştir. Ayrıca uçağın genel bakım periyotlarının ayarlanmasına yardımcı olmak amacıyla iki yıllık döneme ait elde edilen uçak faaliyet raporları üzerinden uçağın bir sonraki arızalanma günü yapay zekâ ve makine öğrenmesi metotlarıyla tahmin edilerek modelin başarısı ortaya konmuştur. Tez kapsamında uçak ekipmanlarının arıza sayısının tahminine yönelik olarak yapay zeka/makine öğrenmesi ve optimizasyon algoritmaları ile çalışmalar yürütülmüştür. Bu amaçla arıza sayısı tahmininin başarısını artırmak için iki aşamalı hibrit veri hazırlama modeli önerilmiştir. İlk aşamada, nitelik değerlendirerek en etkili ve en etkisiz parametreleri bulmak için bir özellik seçme yöntemi olan ReliefF kullanılmıştır. İkinci aşamada gürültülü veya tutarsız verileri elemek için geliştirilmiş K-ortalamalar algoritması kullanılmıştır. Hibrit veri hazırlama modelinin ekipmanın bakım veri kümesindeki performansı, makine öğrenimi algoritmalarından; Yapay Sinir ağı (YSA) olarak Çok Katmanlı Algılayıcı (MLP), Destek Vektör Regresyonu (DVR) ve Doğrusal Regresyon (DR) ve optmizasyon algoritmalarından Genetik Algoritma (GA), Diferansiyel Evrim Algoritması (DE) ve Dağıtık Algoritma (DA) kullanılarak değerlendirilmiştir. Elde edilen sonuçlar ile hibrit veri hazırlama modelinin ekipmanın arıza sayısını tahmin etmede başarıyı artırdığı gösterilmiştir.

Aviation industry is an area where a lot of knowledge and data are collected. In this area, it is typical to store a huge quantity of data, such as maintenance plans, failure notifications, repair orders, records of equipment's removal/installation, flight hours, number of sorties and active/inactive statuses. It is necessary to analyse these data to distinguish between the cases that come with false fault signals or false notifications and real faults. In addition, we need to extract meaningful data and eliminate unnecessary data and features. By writing programs for this purpose in the resource management system, firstly the MTBF and NFF values of the equipment that belong to the selected aircraft system were calculated, the maintenance periods specified in the manufacturer's catalogue of the materials were analysed in comparison with the calculated MTBF values. In addition, the success of the model was demonstrated by predicting the next failure day of the aircraft through the use of artificial intelligence/machine learning methods based on the aircraft activity reports obtained for a two-year period to help adjust the general maintenance periods. Within the scope of this dissertation, studies were carried out using artificial intelligence/machine learning and optimization algorithms to estimate the number of failures of aircraft equipment. For this purpose, a two-stage hybrid data preparation model was proposed to increase the success of the failure estimation. In the first stage, ReliefF, a feature selection method, was used to find the most effective and ineffective parameters through quality evaluation. In the second, a modified K-means algorithm was used to eliminate noisy or inconsistent data. The performance of the hybrid data preparation model in the maintenance dataset of the equipment was evaluated, using machine learning algorithms, including Artificial Neural Network (ANN), Multilayer Perceptron (MLP), Support Vector Regression (DVR) and Linear Regression (DR) and optimization algorithms, including Genetic Algorithm (GA), Differential Evolution Algorithm (DE) and Scatter Search (SS). The results indicated that the hybrid data preparation model increases the success in estimating the number of failures of the equipment.