YAPAY ZEKANIN HAVA ARAÇLARINDA BAKIM VE ARIZA GİDERME SÜRE-CİN-DEKİ ETKİSİ

Abstract

Havacılık sektöründe hava araçlarına bakım ve arıza giderme süreci, geniş bir veri yelpazesini barındıran bir alandır. Aircraft Maintenance Manual- AMM (uçak bakım el kitabı), Structural Repair Manual-SRM (yapısal tamir el kitabı), Illustrated Parts Catalog-IPC (tanımlanmış parçalar kataloğu), bakım planları, arıza bildirimleri, tamir siparişleri, ekipman sökme/takma kayıtları, uçuş saatleri, sorti sayıları, faal/gayrı faal durumlar gibi birçok veri burada saklanmakta ve değerlendirilerek süreç yürütülmektedir. Bu verilerin analiz edilmesi, yanlış arıza sinyalleri ile gerçek arızaların ayırt edilmesi ve tespit edilmesi gerekmektedir. Ayrıca, anlamlı verilerin çıkarılması ve gereksiz verilerin elenmesi önemlidir. Bu amaçla, kaynak yönetim sisteminde özel programlar yazılarak seçilen uçak sistemine ait ekipmanların MTBF ve NFF değerleri hesaplanmış, malzemelerin üretici katalogların da belirtilen bakım periyotlarıyla 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 gününün yapay zeka ve makine öğrenmesi yöntemleriyle tahmin edilerek modelin başarısı test edilmiştir. Makale kapsamında, uçak ekipmanlarının arıza sayısının tahminine yönelik olarak yapay zekâ ve makine öğrenmesi ile optimizasyon algoritmaları kullanılmıştır. Bu bağlamda, arıza sayısı tahmininin başarısını artırmak için iki aşamalı hibrit veri hazırlama modeli önerilmiştir. İlk aşamada, en etkili ve etkisiz parametrelerin belirlenmesi için ReliefF adlı bir özellik seçme yöntemi kullanılması uygun olacaktır. İkinci aşamada ise gürültülü veya tutarsız verilerin elemesi için geliştirilmiş K-ortalamalar algoritması kullanılması uygun olur. Hibrit veri hazırlama modelinin ekipmanın bakım veri kümesindeki performansı, Çok Katmanlı Algılayıcı (MLP) olarak Yapay Sinir Ağı, Destek Vektör Regresyonu (DVR), Doğrusal Regresyon (DR) gibi makine öğrenimi algoritmaları ve Genetik Algoritma (GA), Diferansiyel Evrim Algoritması (DE), Dağıtık Algoritma (DA) gibi optimizasyon algoritmaları kullanılarak değerlendirilmiştir. Sonuç olarak, hibrit veri hazırlama modelinin ekipman arıza sayısını tahmin etmede başarı sağladığını göstermektedir.