Ağır vasıta hava kompresörü arızalarının makine öğrenmesi yöntemleri kullanılarak analizi

Abstract

Küçük bir bileşen olmasına rağmen hava kompresörleri, ağır vasıta aracın uzun yol sürüşlerinde emniyetli bir şekilde hareketini devam ettirmesine yardımcı olmaktadır. Çalışmada literatür ve teknik servis görüşmeleri neticesinde en sık rastlanan hava kompresörü arıza durumları belirlenmiştir. Belirlenen arıza türleri kendi içerisinde değerlendirilmiş ve arıza derecelerine göre deney hazırlıkları yapılmıştır. Deneyler için test düzeneği oluşturularak yazılım ve sensör donanımları ile 19 farklı çalışma durumuna ait veriler kayıt altına alınmıştır. Kayıt altına alınan 23.987 verinin %80'i ile PYTHON programında Destek Vektör Makineleri (DVM), K-En Yakın Komşu (K-nn), Naive Bayes Sınıflandırıcısı, Rastgele Orman Algoritması ve Yapay Sinir Ağları algoritma modelleri oluşturulmuş ve bu modeller kalan %20'lik veri ile test edilmiştir. Modeller 10 kat çapraz doğrulama işlemine tabi tutulmuştur. Ardından modellerin test verilerine göre doğruluk oranları belirlenmiştir. Destek Vektör Makineleri Radyal Tabanlı Fonksiyon Kerneli %100, K-En Yakın Komşu algoritması Manhattan Uzaklık Ölçütü %99.50, Gaussian Naive Bayes Sınıflandırıcısı %94.60, Rastgele Orman Algoritması %99.30, Yapay Sinir Ağları %99.80 doğruluk oranı sonuçlarını vermiştir. Modellerin Kappa ve F1 skor değerleri incelenmiş, eğitim ve test verileri için karmaşıklık matrisleri oluşturulmuştur. Modellerin hiç karşılaşmadığı verilerde tahmini sınıfı yüzdelik oranla belirlenmiş ve elde edilen sonuçlar değerlendirilmiştir. Bu çalışma makine öğrenmesi algoritma modellerinin, ağır vasıta hava kompresörü arızalarının tahmin edilmesinde etkili olabildiklerini göstermektedir.

In spite of being a small component, air compressors help the heavy vehicle to keep its motion safely on long journeys. In the study, as a result of the literature and technical service interviews, the most common air compressor failure cases were determined. The determined failure types were evaluated within themselves and test preparations were made according to the failure degrees. For the experiments, the test setup was created, software and sensor hardware, and 19 different operating conditions data were recorded. With 80% of the recorded 23,987 data, Support Vector Machines (DVM), K-Nearest Neighbor (K-nn), Naive Bayes Classifier, Random Forest Algorithm and Artificial Neural Networks algorithm models were created in the PYTHON program and these models were tested with the remaining 20% of data. Models were subjected to 10-fold cross validation. Then, the accuracy rates of the models were determined according to the test data. Support Vector Machines Radial Based Function Kernel 100%, K-Nearest Neighbor algorithm Manhattan Distance Criteria 99.50%, Gaussian Naive Bayes Classifier 94.60%, Random Forest Algorithm 99.30%, Artificial Neural Networks gave 99.80% accuracy. Kappa and F1 score values of the models were examined, and complexity matrices were created for training and test data. In the data that the models never encountered, the estimated class was determined by percentage and the results obtained were evaluated. This study shows that machine learning algorithm models can be effective in predicting heavy vehicle air compressor failures.