Çok değişkenli makine öğrenmesi kullanılarak deniz dizel motorlarında proaktif arıza tahmini

Gemilerde motorlar ve akıllı tahmin neden önemli

Telefonlardan yiyeceklere kadar satın aldığımız ürünlerin çoğu, büyük dizel motorlarla çalışan gemilerle okyanusları geçer. Bu motorlardan biri beklenmedik şekilde arızalandığında, teslimatlar durabilir, acil onarımlar milyonlara mal olabilir ve fazla kirlilik yayarken yakıt israfı yaşanabilir. Bu çalışma, sensörlerin ve makine öğrenmesinin yeni bir birleşimiyle bir motorun hayati belirtilerinin nasıl izlenebileceğini ve mürettebata gerçek bir arıza oluşmadan önce günler ya da saatler öncesinden uyarılar verilebileceğini araştırıyor; bu, gemilerin daha güvenli, daha ucuz ve daha temiz çalışmasına yardımcı olabilir.

Arıza olunca düzeltmeden önce düzeltmeye

Geleneksel gemi bakımı genellikle bir şey ters gidene kadar bekler veya çok erken ya da çok geç olabilecek sabit takvimlere göre yapılır. Yazarlar, canlı veriye bakarak sorun belirtilerini önceden tespit eden proaktif bakımı savunuyor. Motorlara daha iyi bakım yapmak sadece gecikmeleri önlemekle ilgili değil. Ayrıca, denizcilik endüstrisinin iklim ayak izini azaltma baskısı altındayken yakıt kullanımı ve emisyonları da azaltıyor. Dünyada hizmette 100.000'den fazla ticaret gemisi varken, güvenilirlik ve verimlilikteki küçük kazanımlar bile küresel ticaret ve sera gazı emisyonları üzerinde büyük etki yaratabilir.

Gerçek bir geminin küçük ölçekli temsilcisini kurmak

Fikirleri güvenli ve sistematik bir şekilde test etmek için ekip, bir geminin ana motorunun küçük ölçekli temsili olarak laboratuvarda dört silindirli bir dizel motor kurdu. Her silindire sıcaklık sensörleri, giriş-çıkış soğutma suyu için termometreler, motor bloğunda üç eksenli titreşim sensörleri ve hız, voltaj, akım ve güç izleyen cihazlarla donattılar. Ardından gerçekçi sorunları kasıtlı olarak—hava girişinde, egzoz hattında, soğutma suyu ve yağlama sistemi içinde kısmi tıkanmalar ve ayrıca düşük yağ seviyeleri—farklı şiddetlerde verdiler. Motor ısınma, normal yük, arızalı çalışma ve soğuma aşamalarından geçerken 21.000'den fazla veri kaydı toplandı; bu, sağlıklı bir motorun çeşitli sorun türlerine doğru nasıl kademeli olarak kaydığını gösteren zengin bir “film” oluşturdu.

Algoritmaları tahmin etmeyi ve sorunu tanımayı öğretmek

Çalışmanın kalbi iki parçalı bir makine öğrenmesi sistemidir. Önce, ConvLSTM adı verilen bir sinir ağı türüne dayanan bir tahmin modeli, ölçülen 13 sinyalin—sıcaklıklar, titreşimler, hız ve elektriksel çıktı—gelecek birkaç adımda nasıl değişeceğini tahmin edecek şekilde eğitildi. Bu model her sayıyı izole şekilde görmez; bir ölçümdeki değişikliğin zaman içinde diğerlerine nasıl dalga dalga yayıldığını öğrenir. Karar ağaçları, standart sinir ağları ve temel tekrarlı ağlar gibi daha geleneksel yaklaşımlarla karşılaştırıldığında, ConvLSTM daha doğru tahminler yaptı; önemli bir hata ölçüsünü yaklaşık %15 oranında azalttı ve çoğu testte rakiplerinden daha iyi performans gösterdi.

Tahminleri net arıza uyarılarına dönüştürmek

Sistemin ikinci kısmı, bu öngörülen motor sinyallerini alıp daha basit bir soruyu sorar: bu desen hangi durumu temsil ediyor? Yazarlar burada birçok küçük karar “ ağacının ” kararlarını birleştiren rastgele orman sınıflandırıcısını kullandılar. Aynı çok kanallı veriler üzerinde eğitildiğinde, normal yük ve soğumadan hava, su ve yağ problemlerinin çeşitli seviyelerine kadar 13 farklı işletim ve arıza modunu ayırt etmeyi öğrenir. Testlerde bu sınıflandırıcı doğru modu %82'den fazla doğrulukla tanımladı. Hataların çoğu aynı arıza türünün komşu şiddetleri arasında—örneğin orta ve yüksek hava tıkanıklığı arasında—oldu; sağlıklı işletme ile ciddi arızaları karıştırmaması, pratik kullanım için cesaret vericidir.

Açık denizdeki gemiler için bunun anlamı

Birlikte ele alındığında, tahmin ve sınıflandırma adımları zeki bir erken uyarı katmanı gibi davranır. Makine dairesinden gelen sürekli sensör okumaları ConvLSTM'ye beslenir; bu da sıcaklıkların, titreşimlerin ve yüklerin nereye doğru gideceğini projekte eder. Rastgele orman daha sonra bu projeksiyonları belirli ortaya çıkan arızalar ve muhtemel şiddetleri olarak yorumlayarak mürettebata hasar oluşmadan önce işletmeyi ayarlama veya bakım planlama şansı verir. Bu çalışma kontrollü koşullarda tek bir motorda yürütülmüş olsa ve ek arıza türlerini ve gerçek dünya değişkenliğini kapsamak için daha fazla çalışma gerektirse de, motorların önceden “Burada bir sorun olacak” diyebildiği akıllı gemilere doğru bir yol gösteriyor—para tasarrufu, kesinti süresinin azalması ve gereksiz yakıt tüketimi ile emisyonların düşürülmesi anlamına geliyor.

Atıf: Michel, M., Mehanna, A., Saleh, S.N. et al. Proactive fault prediction in marine diesel engines using multivariate machine learning. Sci Rep 16, 9678 (2026). https://doi.org/10.1038/s41598-026-40979-5

Anahtar kelimeler: deniz dizel motorları, öngörücü bakım, makine öğrenmesi, durum izleme, denizcilik emisyonları