Sıvı sinir ağları ile turbofan motoru kalan ömür tahmini: karşılaştırmalı bir analiz

Abstract

Turbofan motorlar sivil havacılığın temel güç kaynağı olup bu motorların beklenmedik arızaları hem güvenlik hem de ekonomik açıdan ciddi sonuçlar doğurabilmektedir. Kestirimci bakım stratejileri kapsamında kalan faydalı ömür (Remaining Useful Life -- RUL) tahmini, motor bileşenlerinin arızaya ne kadar süre sonra ulaşacağını önceden belirleyerek bakım planlamasını optimize etmeyi amaçlamaktadır. Literatürde bu problem için Uzun Kısa Süreli Bellek (Long Short-Term Memory -- LSTM), Kapılı Yinelemeli Birim, Evrişimsel Sinir Ağı (Convolutional Neural Network -- CNN) ve Transformer gibi ayrık-zamanlı derin öğrenme mimarileri yaygın biçimde kullanılmakta; ancak motor bozunması doğası gereği sürekli-zamanlı bir fiziksel süreç olmasına rağmen bu sürecin sürekli-zamanlı sinir ağı mimarileriyle modellenmesi henüz yeterince araştırılmamıştır. Bu tez çalışmasında, NASA C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) veri seti üzerinde Kapalı-form Sürekli-zaman (CfC) tabanlı Sıvı Sinir Ağı (LNN) modeli ile RUL tahmini gerçekleştirilmiştir. CfC hücresinin girdiye bağlı zaman sabitleri, bozunma sürecindeki değişken dinamiklere uyum sağlama potansiyeli taşımaktadır. Modelin hiperparametreleri, iki aşamalı Bayesçi optimizasyon stratejisiyle sistematik biçimde optimize edilmiştir. Birinci aşamada gizli durum boyutu, öğrenme oranı ve mini-batch boyutu gibi mimari ve eğitim parametreleri; ikinci aşamada ise sekans uzunluğu, RUL tavanı ve korelasyon tabanlı sensör seçim eşiği gibi veri akışı parametreleri ardışık olarak ayarlanmıştır. Deneysel sonuçlar, CfC tabanlı LNN modelinin tek çalışma koşullu veri setlerinde güçlü bir performans sergilediğini ortaya koymuştur. Model, FD001 veri setinde 8,40 Kök Ortalama Kare Hata (Root Mean Square Error -- RMSE) ve 107 NASA skoru, FD003 veri setinde ise 9,71 RMSE değerine ulaşmıştır. Bu değerlerle model, karşılaştırılan LSTM, DCNN, BiLSTM+Attention, CNN-LSTM-Attention ve STAR Transformer modellerinin raporladığı değerlerden daha düşük RMSE elde etmiştir. Çoklu çalışma koşullu veri setlerinde ise FD002'de 13,50 RMSE ve FD004'te 20,97 RMSE elde edilmiş olup, bu RMSE değerleri bazı klasik yaklaşımların raporladığı RMSE değerlerinden yüksek kalmakla birlikte, Transformer tabanlı güncel mimarilerle rekabetçi bir düzeydedir. Belirtilen karşılaştırmaların farklı çalışmaların ön işleme ve deney protokolleri birebir aynı olmadan raporladığı değerlere dayandığı dikkate alınmalıdır. İki aşamalı Bayesçi optimizasyon, her veri setine özgü farklılaşmış konfigürasyonlar üreterek tek tip bir ayarla elde edilemeyecek performans düzeylerine ulaşılmasını sağlamıştır.

Turbofan engines are a primary power source in civil aviation, and their unexpected failures can have severe consequences in terms of both safety and cost. Within the scope of predictive maintenance strategies, Remaining Useful Life (RUL) prediction aims to optimize maintenance scheduling by forecasting the time until component failure. In the literature, discrete-time deep learning architectures such as Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Convolutional Neural Network (CNN), and Transformer have been widely employed for this problem; however, despite engine degradation being inherently a continuous-time physical process, the potential of continuous-time neural network architectures for modeling this process remains largely unexplored. In this thesis, RUL prediction was performed on the NASA C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) dataset using a Closed-form Continuous-time (CfC) based Liquid Neural Network (LNN) model. The input-dependent time constants of the CfC cell offer the potential to adapt to the varying dynamics of the degradation process. The model hyperparameters were systematically optimized through a two-stage Bayesian optimization strategy based on the Tree-structured Parzen Estimator (TPE) algorithm implemented via the Optuna framework. In the first stage, architectural and training parameters such as hidden state size, learning rate, and mini-batch size were optimized; in the second stage, data pipeline parameters including sequence length, RUL ceiling, and correlation-based sensor selection threshold were sequentially tuned. Experimental results demonstrated that the CfC-based LNN model achieved strong performance on single operating condition sub-datasets. On FD001, the model attained 8.40 RMSE and a NASA score of 107, while on FD003 it reached 9.71 RMSE. These results correspond to lower RMSE values than those reported for the compared LSTM, DCNN, BiLSTM+Attention, CNN-LSTM-Attention, and STAR Transformer models. On multi-operating condition sub-datasets, the model achieved 13.50 RMSE on FD002 and 20.97 RMSE on FD004; although these RMSE values are higher than those reported by some classical approaches, they remain competitive with state-of-the-art Transformer-based architectures. It should be noted that these comparisons are based on values reported by different studies whose preprocessing and experimental protocols are not strictly identical. The two-stage Bayesian optimization produced dataset-specific configurations, enabling performance levels unattainable with a single uniform setting.