Meta-sezgisel algoritmalar kullanılarak derin öğrenme ağlarında kalan faydalı ömür tahmini

Abstract

Endüstri 4.0'ın önemli yeniliklerinden biri, kestirimci bakım uygulamalarıdır. Bu uygulamalar, makine ve ekipmanların ömrünü uzatırken operasyonel verimliliği artırır. Havacılık endüstrisinde, uçuş güvenliği kritik öneme sahiptir. Bu nedenle, uçaklar ve uçak motorları için kestirimci bakım faaliyetleri hayati bir rol oynar. Bu yüksek lisans tez çalışmasında, derin öğrenme ağlarından Uzun Kısa Vadeli Bellek (LSTM) kullanılarak turbofan motorlarının kalan faydalı ömrü (Remaining Useful Life - RUL) tahmin edilmesi amaçlanmaktadır. Bu çalışmada, metasezgisel algoritmalarla birleştirilen LSTM ağları kullanılmıştır. Çalışma için NASA Turbofan veri seti (C-MAPSS) kullanılmıştır. Tahminlerde, zaman serisi tahminlerinde sıkça kullanılan ve başarılı sonuçlarıyla bilinen LSTM ağları kullanılmıştır. LSTM ağının hiperparametreleri, genetik algoritma ve parçacık sürü optimizasyonu kullanılarak optimize edilmiştir. Metasezgisel algoritmalarla optimize edilen LSTM modelinin sonuçları, literatürdeki diğer çalışmalarla karşılaştırılmış ve kıyaslanan modellere göre daha başarılı sonuçlar elde edildiği gözlemlenmiştir.One of the significant innovations of Industry 4.0 is predictive maintenance applications. These applications extend the lifespan of machinery and equipment while enhancing operational efficiency. In the aviation industry, flight safety holds critical importance. Therefore, predictive maintenance activities for aircraft and aircraft engines play a crucial role. In this master's thesis, it is aimed to estimate the remaining useful life (RUL) of turbofan engines using Long Short-Term Memory (LSTM) networks, which are a type of deep learning network, combined with metaheuristic algorithms. For this study, the NASA Turbofan dataset (C-MAPSS) was utilized. For the predictions, LSTM, commonly used in time series forecasting and known for its successful results, was employed. To enhance the performance of the LSTM network, heuristic algorithms such as genetic algorithm and particle swarm optimization were used. The hyperparameters of the LSTM network were optimized using genetic algorithm and particle swarm optimization. The results of the LSTM model, optimized with metaheuristic algorithms, were compared with other studies in the literature, and it was observed that more successful outcomes were achieved compared to the benchmarked models.