Author :
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.
Keywords
Abstract
In the aviation industry, the maintenance and troubleshooting process of aircraft is an area that con-tains a wide range of data. Aircraft Maintenance Manual- AMM (aircraft maintenance manual), Structural Repair Manual-SRM (structural repair manual), Illustrated Parts Catalog-IPC (identified parts catalogue), maintenance plans, malfunction notifications, repair orders, equipment disas-sembly/installation records, Many data such as flight hours, number of sorties, active/inactive status are stored here and the process is carried out by evaluating them. This data needs to be analyzed and false fault signals and real faults must be distinguished and detected. Additionally, it is impor-tant to extract meaningful data and eliminate unnecessary data. For this purpose, MTBF and NFF values of the equipment of the selected aircraft system were calculated by writing special programs in the resource management system and analyzed by comparing them with the maintenance periods specified in the manufacturer's catalogs of the materials. In addition, in order to help adjust the general maintenance periods of the aircraft, the success of the model was tested by predicting the next day of failure of the aircraft using artificial intelligence and machine learning methods, based on the aircraft activity reports obtained for a two-year period. Within the scope of the article, artificial intelligence, machine learning and optimization algorithms were used to predict the number of failures of aircraft equipment. In this context, a two-stage hybrid data preparation model is proposed to increase the success of fault count prediction. In the first stage, it would be appropriate to use a feature selection method called ReliefF to determine the most effective and ineffective parameters. In the second stage, it would be appropriate to use the K-means algorithm developed to eliminate noisy or inconsistent data. The performance of the hybrid data preparation model on the maintenance dataset of the equipment, Artificial Neural Network as Multilayer Perceptron (MLP), machine learning algorithms such as Support Vector Regression (DVR), Linear Regression (DR) and Genetic Algorithm (GA), Differential Evolution Algorithm ( DE) was evaluated using optimization algorithms such as Distributed Algorithm (DA). The result shows that the hybrid data preparation model is successful in predicting the number of equipment failures.
