İSTANBUL TEKNİK ÜNİVERSİTESİ  DENİZCİLİK FAKÜLTESİ

GEMİ MAKİNELERİ İÇİN DURUM

İZLEME SİSTEMİ

LİSANS BİTİRME TASARIM PROJESİ

Mehmet GÖÇER
Fatih Muhammet KÜÇÜK

Gemi Makineleri İşletme Mühendisliği Bölümü

Tez Danışmanı: Yrd. Doç. Dr. Öğr. Üyesi Gazi KOÇAK

TEMMUZ 2020
İSTANBUL TEKNİK ÜNİVERSİTESİ  DENİZCİLİK FAKÜLTESİ

GEMİ MAKİNELERİ İÇİN DURUM

İZLEME SİSTEMİ

LİSANS BİTİRME TASARIM PROJESİ

Mehmet GÖÇER
(130160546)
Fatih Muhammet KÜÇÜK
(130160556)

Gemi Makineleri İşletme Mühendisliği Bölümü

Tez Danışmanı: Yrd. Doç. Dr. Öğr. Üyesi Gazi KOÇAK

TEMMUZ 2020
ÖNSÖZ

Bu tez çalışmasında gemi makineleri için durum izleme sistemi oluşturulmuştur. Bu

çalışma ışığında bakım onarım maliyetlerinin düşürülerek makine ömrünü uzatmak
amacıyla makine performans verileri izlenerek durum izleme sistemi geliştirilmiştir.
Tez konusunun belirlenmesi ile başlayıp planlama, araştırma, yürütme ve çalışmanın
tamamlanması konusunda ilgisini, sevgisini ve desteğini hiçbir zaman esirgemeyen
tez danışman hocamız Yrd. Doç. Dr. Gazi KOÇAK’a, bizleri biz yapan değeleri
kazandığımız, bu zamana kadar ki başarılarımızın mimarı sevgili ailelerimize ve bu
süreç boyunca her zaman yanımızda olan ve hayatımıza değer katan arkadaşlarımız;
Emre AVARA ve Zafer ZIRAPLI’ya teşekkürlerimizi sunarız.

Temmuz 2020 Mehmet GÖÇER

Fatih Muhammet KÜÇÜK

iii
iv
İÇİNDEKİLER

Sayfa

ÖNSÖZ .................................................................. Hata! Yer işareti tanımlanmamış.

İÇİNDEKİLER .......................................................................................................v
KISALTMALAR .................................................. Hata! Yer işareti tanımlanmamış.
ŞEKİL LİSTESİ................................................... iHata! Yer işareti tanımlanmamış.
ÖZET..................................................................... Hata! Yer işareti tanımlanmamış.
ABSTRACT ........................................................................................................ xiii
1. GİRİŞ...... ........................................................... Hata! Yer işareti tanımlanmamış.
1.1 Endüstri 4.0 Nedir?......................................................................................... 3
1.2 Gemi Makine Sistemleri ................................................................................. 4
1.2.1 Gemi dizel motorları .................................................................................5
1.3 Makinelerde Bakım ve Onarım ....................................................................... 7
1.3.1 Düzeltici bakım ........................................................................................7
1.3.2 Önleyici bakım .........................................................................................8
1.3.3 Öngörücü bakım .......................................................................................8
2. DENİZCİLİK SEKTÖRÜNDE BAKIM............................................................9
2.1 Durum İzleme (CM) ....................................................................................... 9
2.1.1 Durum izlemede uygulanan teknikler...................................................... 10
2.1.1.1 Titreşim izleme ................................................................................11
2.1.1.2 Termografi .......................................................................................11
2.1.1.3 Akustik ve ultrasonik izleme ............................................................11
2.1.1.4 Yağ analizi.......................................................................................12
2.1.1.5 Performans verilerini izleme ............................................................12
2.2 Duruma Bağlı Bakım (CBM) .........................................................................12
2.2.1 Duruma bağlı bakımın uygulama adımları .............................................. 13
2.2.1.1 Veri toplama ....................................................................................13
2.2.1.2 Veri işleme ......................................................................................13
2.2.1.3 Bakım karar desteği .........................................................................14
2.3 Literatür İncelemesi .......................................................................................14
3. METODOLOJİ ............................................... Hata! Yer işareti tanımlanmamış.6
3.1 Silindir Gömleğinin Çalaması .................. Hata! Yer işareti tanımlanmamış.8
3.2 Yakıt Enjektörünün Tıkanması .................. Hata! Yer işareti tanımlanmamış.
3.3 Ana Makine Egzoz Valfinin Kaçırması ..........................................................31
3.4 Ana Makine Krankşaft Yatağı Eksen Kayması ..............................................36
4. OTOMASYONLU SİSTEMLERDE ARIZA TESPİTİ VE BAKIMI ............ 43
4.1 Büyük Veri ....................................................................................................43
4.2 Büyük Verinin Toplanması ............................................................................43
4.3 Öğrenme Yöntemleri .....................................................................................46
5. SONUÇ VE ÖNERİLER .................................................................................. 49
KAYNAKLAR ...................................................................................................... 55
ÖZGEÇMİŞ .......................................................................................................... 59

v
vi
KISALTMALAR

SVM : Destek Vektör Makinesi (Support Vector Machine)

CM : Durum İzleme (Condition Monitoring)
CBM : Duruma Bağlı Bakım (Condition Based Maintenance)
PCA : Temel Bileşen Analizi (Principle Component Analysis)
ROC : Receiver Operating Characteristics

vii
viii
ŞEKİL LİSTESİ

Sayfa

Şekil 1.1 : Endüstri devrimleri ................................................................................. 4

Şekil 1.2 : İdeal bir dizel motorunun P-V diyagramı ................................................ 6
Şekil 1.3 : Bakım onarım yaklaşımlarının değişimi .................................................. 7
Şekil 2.1 : Duruma bağlı bakımın 3 adımı ...............................................................13
Şekil 3.1 : Kongsberg MC90-v simülatör ................................................................16
Şekil 3.2 : Simülatörde arıza oluşturma................................................................... 17
Şekil 3.3 : Silindir gömleği çatlaması parametre takip ekranı ..................................20
Şekil 3.4 : Arızalı durumda egzoz sıcaklığının değişimi ..........................................20
Şekil 3.5 : Normal çalışma durumunda egzoz sıcaklığının değişimi ........................21
Şekil 3.6 : İndike güçlerin karşılaştırılması .............................................................21
Şekil 3.7 : Yakıt akış miktarının karşılaştırılması ....................................................22
Şekil 3.8 : Spesifik yakıt tüketiminin karşılaştırılması .............................................22
Şekil 3.9 : Soğutma suyunun giriş sıcaklığının karşılaştırılması ..............................22
Şekil 3.10 : Egzoz sıcaklığının karşılaştırılması ......................................................23
Şekil 3.11 : Sapma sıcaklığının karşılaştırılması .....................................................23
Şekil 3.12 : Silindir gömleği su çıkış sıcaklığının karşılaştırılması ..........................23
Şekil 3.13 : Silindir gömleği sıcaklığının karşılaştırılması .......................................24
Şekil 3.14 : Genleşme tankından su miktarının karşılaştırılması ............................. 24
Şekil 3.15 : Silindirde yağ akış miktarının karşılaştırılması ....................................24
Şekil 3.16 : Silindirde su akış miktarının karşılaştırılması ......................................25
Şekil 3.17 : Genleşme tankı su seviyesinin karşılaştırılması ....................................25
Şekil 3.18 : Soğutma suyu giriş basıncı karşılaştırılması .........................................25
Şekil 3.19 : Silindir yağı çıkış sıcaklığının karşılaştırılması ....................................26
Şekil 3.20 : Gaz dedektöründe okunan değerlerin karşılaştırılması .......................... 26
Şekil 3.21 : Silindir indike güçlerin karşılaştırılması ...............................................28
Şekil 3.22 : Silindirde yakıt akış miktarının karşılaştırılması ...................................28
Şekil 3.23 : Silindirde spesifik yakıt tüketiminin karşılaştırılması ...........................29
Şekil 3.24 : Silindir egzoz sıcaklığının karşılaştırılması ..........................................29
Şekil 3.25 : Silindirde maksimum basınçların karşılaştırılması ................................29
Şekil 3.26 : Soğutma suyu sıcaklığının karşılaştırılması ..........................................30
Şekil 3.27 : Ana makine şaft gücü karşılaştırılması .................................................30
Şekil 3.28 : Ana makine yakıt tüketiminin karşılaştırılması .....................................30
Şekil 3.29 : Ana makine spesifik yakıt tüketiminin karşılaştırılması ........................31
Şekil 3.30 : Ana makine şaft torkunun karşılaştırılması ...........................................31
Şekil 3.31 : Ana makine 1 numaralı silindir indike gücü ......................................... 31
Şekil 3.32 : Ana makine şaft gücü...........................................................................32
Şekil 3.33 : Turbo şarjer egzoz çıkış sıcaklığı. ........................................................ 32
Şekil 3.34 : Ana makine şaft torku. ......................................................................... 32

ix
 Şekil 3.35 : Ana makine 1 numaralı Turbo şarjer devir/dakika hızı. ....................... 33
Şekil 3.36 : Ana makine egzoz odası basıncı........................................................... 33
Şekil 3.37 : Ana makine egzoz odası sıcaklığı. ....................................................... 33
Şekil 3.38 : Ana makine 1 numaralı silindir egzoz çıkış sıcaklığı. ........................... 34
Şekil 3.39 : Yakıt akış miktarı. ............................................................................... 34
Şekil 3.40 : Ana makine 1 numaralı silindir egzoz çıkış sıcaklığı sapması … .... Hata!
Yer işareti tanımlanmamış.

Hiçbir içindekiler tablosu öğesine rastlanmadı.Şekil 3.51 : Ana makine 5 numaralı

yatağı, yatak sıcaklığı ............................................................................................. 38
Şekil 3.52 : Ana makine 6 numaralı yatağı, yatak sıcaklığı ..................................... 38
Şekil 3.53 : Ana makine şaft gücü. ......................................................................... 39
Şekil 3.54 : Ana makine yağlama yağı giriş basıncı. ............................................... 39
Şekil 3.55 : Ana makine yatakalrına yağlama yağının giriş basıncı. ........................ 39
Şekil 3.56 : Ana makine şaft torku.......................................................................... 40
Şekil 3.57 : Ana makine yağlama yağı giriş LOC. .................................................. 40
Şekil 3.58 : Ana makine yağlama yağı çıkış LOC 1. ............................................... 40
Şekil 3.59 : Ana makine şaft yatağı sıcaklığı. ......................................................... 41
Şekil 4.1 : İnsan sinir hücresi … ............................................................................. 44
Şekil 4.2 : Sensör veri alımı ve veri iletimi diagramı. ............................................. 44
Şekil 4.3 : Arıza tespit sistemi diyagramı … ........................................................... 45
Şekil 5.1 : Lineer regresyon matematiksel göstergesi (SVM) … ............................. 49
Şekil 5.2 : Ana makine egzoz valfinin kaçırma arızası duyarlılık ve kesinlik sonucu.
............................................................................................................................... 50
Şekil 5.3 : Ana makine egzoz valfinin kaçırma arızası ROC eğrisi … ..................... 50
Şekil 5.4 : Enjektör tıkanma arızası duyarlılık ve kesinlik test sonucu …............... 51
Şekil 5.5 : Enjektör tıkanma arızası ROC eğrisi. ..................................................... 51
Şekil 5.6 : Ana makine silindir gömleği çatlaması arızası duyarlılık ve kesinlik test
sonucu … ............................................................................................................... 52
Şekil 5.7 : Ana makine silindir gömleği çatlaması arızası ROC eğrisi … ................ 52
Şekil 5.8 : Ana makine krankşaft yatak eksen kayması arızası duyarlılık ve kesinlik
test sonucu … ......................................................................................................... 53
Şekil 5.9 : Ana makine krankşaft yatak eksen kayması ROC eğrisi … .................... 53

x
 GEMİ MAKİNELERİ İÇİN DURUM İZLEME SİSTEMİ

ÖZET

Gemi makineleri; makine üreticileri için büyük ölçekli ve karmaşık mekanik,

elektronik sistemlerdir. Karmaşık yapısı, kötü çalışma ortamı ve büyük veri üretmesi
nedeniyle, arıza özelliklerinin etkin bir şekilde ve doğru elde etmekte güçlük
çekilmekte, uzun sürmektedir. Ayrıca gemi makinelerinin karmaşık yapısı nedeniyle
arıza tespiti büyük oranda tecrübe ve deneme yanılma yoluyla yapılmaktadır. Bu
makale, geleneksel arıza tespit ve tamir yöntemlerinin yerine arızayı oluşma
aşamasında tespit etmek ya da arızayı oluştuktan sonra büyük zararlara yol açmadan
ve arızayı oluşturan sebepleri ortadan kaldırarak tamir etmek ile ilgili çalışmamızı
sunmaktadır.
İlk olarak arıza oluşmadan önce aşağıdaki verileri topladık. Ana makine 1 numaralı
silindir gömleği çatlağı için; T02040 Ana makine 1 numaralı silindir egzoz gazı çıkış
sıcaklığı, T02046 Ana makine 1 numaralı silindir gömleği sıcaklığı, T02043 Ana
makine 1 numaralı silindir soğutma suyu çıkış sıcaklığı, G02053 Ana makine 1
numaralı silindir soğutma suyu debisi, P01005 Yüksek sıcaklıktaki soğutma suyu ana
makine giriş basıncı, T02044 Ana makine 1 numaralı silindir piston yağı çıkış
sıcaklığı, L01150 Ana makine tatlı su genleşme tankı, G01154 Ana makine tatlı su
genleşme tankı debisi, Z01164 Ana makine tatlı su sistemi gaz dedektörü, T01010
Yüksek sıcaklıktaki soğutma suyu ana makine giriş sıcaklığı, G02057 Ana makine 1
numaralı silindir yakıt tüketimi, G02050 Ana makine 1 numaralı silindir yakıt debisi,
G02052 Ana makine 1 numaralı silindir yağı debisi, E02056 Ana makine 1 numaralı
silindir indike gücü, W0001 Ana makine giriş yakıtı viskozitesi, G01510 Ana makine
1 numaralı silindir yağı debisi, T02041 Ana makine 1 numaralı silindir egzoz çıkış
sıcaklığı sapması, N01610 Ana makine 1 numaralı turboşarjer devir/dakika hızı.
Silindir enjektörü tıkanması için; T02040 Ana makine 1 numaralı silindir egzoz çıkış
sıcaklığı, G02050 Ana makine 1 numaralı silindir yakıt debisi, E02056 Ana makine 1
numaralı silindir indike gücü, P02065 Yüksek basıncı, T02041 Ana makine 1
numaralı silindir egzoz çıkış sıcaklığı sapması, T04600 Turbo jeneratör buhar giriş
sıcaklığı, G02057 Ana makine 1 numaralı silindir yakıt tüketimi, T02043 Ana
makine 1 numaralı silindir soğutma suyu çıkış sıcaklığı, P02066 Sıkıştırma basıncı,
X02067 Ateşleme zamanı. Ana makine 3 numaralı yatağı eksen kayması için;
T02340 Ana makine 1 numaralı yatağı yatak sıcaklığı, T02341 Ana makine 2
numaralı yatağı yatak sıcaklığı, T02342 Ana makine 3 numaralı yatağı yatak
sıcaklığı, T02343 Ana makine 4 numaralı yatağı yatak sıcaklığı, T02344 Ana
makine 5 numaralı yatağı yatak sıcaklığı, T02345 Ana makine 6 numaralı yatağı
yatak sıcaklığı, G01313 Ana makine yataklarının yağlama yağı debisi, T01351 Ana
makine yağlama yağı çıkış sıcaklığı, T01345 Ana makine yağlama yağı giriş loc,
T01346 Ana makine yağlama yağı çıkış loc 1, P01302 Ana makine yağlama yağı
giriş basıncı, P01303 Ana makine yataklarına yağlama yağının giriş basıncı, T02350
Ana makine şaft yatağı sıcaklığı, Q02004 Ana makine şaft torku, E02005 Ana
makine şaft gücü. Ana makine 1 numaralı silindir egzoz valfi kaçağı için; Q02004

xi
 Ana makine şaft torku, E02005 Ana makine şaft gücü, E02056 Ana makine 1
numaralı silindir indike gücü, T01603 Ana makine egzost odası sıcaklığı, P01602
Ana makine egzoz odası basıncı, T01613 1 numaralı turboşarjer egzoz çıkış sıcaklığı,
N01610 Ana makine 1 numaralı turboşarjer devir/dakika hızı, T02040 Ana makine 1
numaralı silindir egzoz çıkış sıcaklığı, T02043 Ana makine 1 numaralı silindir
soğutma suyu çıkış sıcaklığı, T02044 Ana makine 1 numaralı silindir piston yağı
çıkış sıcaklığı, T02045 Ana makine 1 numaralı silindir kaver sıcaklığı, T02041 Ana
makine 1 numaralı silindir egzoz çıkış sıcaklığı sapması, T02046 Ana makine 1
numaralı silindir sıcaklığı, G02050 Ana makine 1 numaralı silindir yakıt debisi.
İkinci olarak eldeki verileri kullanarak yapay zeka programımızı makine öğrenmesi
yöntemlerinden lineer öğrenme metodunu kullanarak eğittik. Sonrasında, arızanın
tespit süresini ve doğruluğunu belirlemek için “Precısıon and Recall for Regressıon”
kullandık. Son olarak Arızanın hangı süreç içinde olduğunun anlamasını sağlamak
üzere arıza verilerini bölümlere ayırarak arıza sürecini yüzde olarak inceleyebilecek
eklentilerimizi yazıp programımıza ekledik.

xii
 CONDITION MONITORING SYSTEM FOR MARINE DIESEL ENGINES

ABSTRACT

Ship machines are large-scale and complex mechanical and electronic systems for
machine builders. Due to its complex structure, poor working environment and big
data production, it is difficult to obtain fault features effectively and accurately and
takes a long time. In addition, due to the complex nature of ship machines, fault
detection is largely done through experience, trial and error. This article presents our
work on fixing the failure before it occurs or repairing it by eliminating the causes
that caused the failure after the failure occurred, without causing major damage.
First, before the malfunction occurs. Main engine No. 1 cylinder liner crack; T02040
Me cyl 1 exh out temp, T02046 Me cyl1 liner temp, T02043 Me cyl 1 wtr out temp,
G02053 Me cyl 1 wtr flow, P01005 Htfw press inlet me, T02044 Me cyl 1 oil outlet
temp (piston), L01150 Me fw exp tank level, G01154 Me fw exp tank overflow,
Z01164 Me fw system gas detector, T01010 Htfw temp inlet me, G02057 Me cyl1
specific fo consumption, G02050 Me cyl1 fo flow, G02052 Me cyl 1 oil flow,
E02056 Me cyl 1 indicated power, W0001 Fo vısco inlet me, G01510 Me cyl 1 liner
lo flow, T02041 Me cyl 1 exh out temp deviation, N01610 Me tbch 1 rpm. Cylinder
injector clogging; T02040 Me cyl1 exh out temp, G02050 Me cyl 1 fo flow, E02056
Me cyl 1 indicated power, P02065 Pmax, T02041 Me cyl1 exh temp deviation,
T04600 Tg inlet steam temp, G02057 Me cyl1 specific fo consumption, T02043 Me
cyl1 wtr out temp, P02066 Pcomp, X02067 Time of ignition. Main engine number 3
bearing axis shift; T02340 M/e bearing 1 temp, T02341 M/e bearing 2 temp, T02342
M/e bearing 3 temp, T02343 M/e bearing 4 temp, T02344 M/e bearing 5 temp,
T02345 M/e bearing 6 temp, G01313 Maın lube oil flow m/e bearing, T01351 Man
lube oil temp outlet m/e, T01345 Main lo temp inlet loc, T01346 Main lo temp outlet
loc 1, P01302 Main lo press inlet me, P01303 Main lo press inlet me bearings,
T02350 Me trust bearing temp, Q02004 Me shaft torgue, E02005 Me shaft power.
Man engine no. 1 cylınder exhaust valve leakage; Q02004 Me shaft torgue, E02005
Me shaft power, E02056 Me cyl1 indicated power, T01603 Me exh receiver temp,
P01602 Me exh receiver press, T01613 Tbch 1 exh out temp, N01610 Me tbch 1
speed, T02040 M/e cyl 1 exh outlet temp, T02043 M/e cyl 1 wtr outlet temp(liner),
T02044 M/e cyl 1 oil outlet temp(piston), T02045 M/e cyl 1 cover temp, T02041
M/e cyl 1 exh outlet temp deviation, T02046 M/e cyl 1 liner temp (mean), G02050
M/e cyl 1 fo flow.
Secondly, using the available data, we trained our artificial intelligence program
using the linear learning method, one of the machine learning methods. Next, we
used Precision and Recall for Regression to determine the time and accuracy of the
fault. Finally, we divided the fault data into sections in order to understand the
process of the malfunction, and wrote our plugins and added to our artificial
intelligence to examine the malfunction process as a percentage.

xiii
xiv
1. GİRİŞ

Günümüzde her geçen gün önemini artırmakta olan Endüstri 4.0’da, bilişim
teknolojileriyle beraber uyumlu çalışabilmesi için çeşitli geliştirmeler yapılmaktadır.
Yapılan çalışmalar endüstride verimliliği artırmak, maliyetleri düşürmek ve çevreye
adaptasyonu geliştirmek için yapılmaktadır. Endüstri 4.0, üç boyutlu yazıcılarla
üretim, yapay zekanın gelişmesi ve veri analizi gibi teknolojilere dayanmaktadır.
Endüstriyel imalat sektöründe giderek artan talepler dijital teknolojilerin yaygın
olarak benimsenmesine neden olmuştur.

Taşımacılıkta büyük bir pay sahibi olan günümüz denizciliğinde gemi makine
sistemlerinin güvenilirliği ve emniyeti, gemilerin normal operasyonlarının devam
edebilmesi için son derece önemlidir. Ancak gemi içerisinde bulunan sistemlerin
çokluğu ve karmaşıklığı gemi güvenliğini tehdit etmektedir. Özellikle gemi
makinelerinde her bir alt sistem birbiriyle ilişkilidir ve küçük bir arıza felaketle
sonuçlanabilir. Bu nedenle daha ciddi felaketlere neden olmadan önce arızalar erken
aşamalarda teşhis edilmeli ve önlenmelidir.

Dizel motorların geçmişi ondokuzuncu yüzyılın sonuna kadar uzanmasına ve bu tür

motorların çeşitli uygulamalarda kullanım alanlarının fazla olmasına rağmen bu
motorlar üzerinde yoğun araştırmalar ve geliştirmeler giderek artmaktadır. Ekonomik
kaygı, güvenlik açısından kritik hususlar, gemide yapılması gereken bakım
çalışmaları ve uluslarası geçerli kurallara uyma zorunluluğu, içten yanmalı
motorların sürekli geliştirilmesi gerekliliğine sebep olur[1]. Şu anda dünyadaki çoğu
gemi, dizel motorları tarafından sevk edilmektedir ve dizel motorlarının güvenilirliği,
gemilerin güvenli ve ekonomik çalışması bakımından önemli bir etkiye sahiptir.[2]

1
Denizcilik endüstrisinde, gemilerin faaliyetlerinin kesintisiz işleyebilmesi için gemi
içinde çeşitli görevleri yerine getirmekle sorumlu olan çok sayıda makine mevcuttur.
Bu makinelere; gemiye tahrik gücünü sağlayan ana makine, dizel jeneratör,
kompresör, separator, kazan sistemi ve tatlı su üreticisi örnek olarak verilebilir.
Gemilerde en sık arızalanan bileşenler yardımcı ve ana makinelere aittir[3]. Gemi
dizel motorlarında oluşabilecek herhangi bir arıza, önemli ekonomik kayba ve
yaralanmalara ya da ölüme neden olabilir[4]. Bu nedenle arızaları önlemek ve
verimliliği sürdürebilmek için makine durumunu izlemek ve değerlendirmek
zorunluluk haline gelmiştir[4]. Gemi dizel motorlarının durumu genellikle
performans parametreleri, titreşim ve yağ analizlerini içeren durum izleme
yöntemleri ile incelenir[2].

Genel olarak dizel motorlarında ortaya çıkacak arızalar ve olası nedenleri:

I. Yanlış ateşleme ve blow-by kaynaklı güç kaybı;

II. Turboşarjer arızası, tıkalı yakıt filtresi, yanlış ateşleme zamanı, kötü yakıt,
yanlış hava ve yakıt oranı ve tıkalı hava filtresi gibi nedenlerden oluşabilecek
emisyon değerlerinde değişiklik;

III. Yanlış yağ basıncı ve yağ formunun değişmesinden kaynaklı yağlama sistemi
arızası;

IV. Sızıntı yapan enjektör, piston segmanları, çok düşük püskürtme basıncı,
yüksek sürtünme katsayısı, yanlış ateşleme, kaçıran egzoz valfi, yüksek
soğutma sıvısı veya yağlayıcı sıcaklığı sonucunda oluşan termal aşırı yük vb.

V. Korozyon ve aşınma kaynaklı pistonun veya silindir gömleğinin zarar

görmesi;

VI. İki makine parçasının birbiriyle etkileşiminden kaynaklı ses ve titreşim;

VII. Filtre arızası ve vuruntu gibi diğer arızalar olarak listelenebilir[1][5].

2
Gemilerde uygulanan bakım-tutum, denizcilik endüstrisinin güvenilirliğini ve
elverişliliğini etkilerken bir geminin operasyonel giderlerinin %20 ile %30'unu
oluşturur. Ayrıca bir geminin yaşam döngüsünde arıza süresini en aza indirebilen ve
işletme maliyetlerini azaltan önemli faktörlerdendir[6]. Enerji tasarrufu sağlamak ve
verimliliği artırmak için arızalar tespit edilerek en uygun bakım tutum yöntemi
belirlenmelidir. Makinelerin uygun koşullar altında çalışmasını sağlamak için üç
bakım stratejisi benimsemiştir. İlki, bir parça kırıldığında veya bir makinede arıza
meydana geldiğinde uygulanan geleneksel düzeltici bakım. İkincisi, belirli bir
çalışma süresinin ardından bozulmaya veya aşınmaya maruz kalan parçaları
değiştiren planlı bakım. Sonuncusu, makineyi izlemeye ve performans
parametrelerine dayanan, arızanın ne zaman gerçekleşeceğini tahmin eden makine
durumuna bağlı bakım stratejisidir. Programlı bakım ve makine durumuna bağlı
bakım birbirini tamamlayıcı olmasına rağmen, makine durumuna bağlı bakım açık
farkla en uygun maliyetli ve makinelerin ömrünü uzatan bir yaklaşımdır[7].

Bu proje kapsamında makine durumunu izleme yönteminde performans

parametreleri kullanılmıştır. Gemilerde yüksek maliyete, zaman kaybına ve ciddi
hasara yol açabilecek dört farklı arıza durumu belirlenerek, bu arızaların oluşması
sürecinde etkili olan parametreler simülatör üzerinden incelenerek kayıt edilmiştir.
Simülatör üzerinden alınan parametreler makine öğrenmesi kullanılarak işlenmiştir.
Makine öğrenmesinde SVM yöntemi kullanılarak program üzerinden oluşabilecek
olası bir arıza için önceden uyarı vererek personeli bilgilendirecek bir program
oluşturulmuştur. Projenin doğruluğunu artırmak maksadıyla simülator üzerinde
belirlenen senaryolar tam yol ileri modundayken arızalı ve arızasız durumlar için
300’er kere çalıştırılarak elde edilen değerler projeye işlenmiştir. Test verileri ayrı
tutularak projenin düzgün çalışıp çalışmadığını görebilmek maksadıyla sadece test
için kullanılmıştır.

1.1 Endüstri 4.0 Nedir?

Günümüzde hala artmaya devam eden endüstrileşmenin temelleri sanayi devrimi ile
birlikte atılmıştır. Sanayi devrimi toplumun yaşayış biçimini ve üretim yapısını ciddi
ölçüde etkilemiştir. Endüstride verimliliği sürekli artırma çabaları farklı sanayi
devrimlerini ortaya çıkarmıştır. Endüstri 4.0 bu sanayi devrimlerinden 4.’sü ve
sonuncusudur (Şekil 1.1).

3
 Şekil 1.1 : Endüstri devrimleri
İlk olarak 2011 yılında Almanya’da ortaya çıkan 4. sanayi devrimi olarak da
adlandırılan Endüstri 4.0; hız, verimlilik, maliyet ve inovasyon odaklı üretim
ve pazarlama anlayışını, devamlı gelişen teknoloji olanakları yardımıyla gelinen yeni
bir düzeyi ifade etmektedir. Endüstri 4.0 ile üretim süreçlerindeki tüm birimlerin
birbirleriyle iletişim kurabilmesi, büyük verilere gerçek zamanlı ulaşabilmesi ve
böylece beklentileri en iyi düzeyde karşılayacak çıktıların elde edilmesi
hedeflenmektedir. Geleceğin akıllı fabrikaları olarak düşünülmektedir. Endüstri 4.0
bilgisayar tarafından sistemlerin süreçlerini izlediği otonom karalar alabilen bir
yapıya sahiptir. Kısacası Endüstri 4.0 ticari ve toplumsal süreçleri daha iyi kontrol
etmek ve planlamak için teknolojinin, bilişim sistemlerinin ve karmaşık makine veya
cihazların birbirlerine entegrasyonunun sağlanmasıdır[8][9].

1.2 Gemi Makine Sistemleri

Gemilerin yüklendikleri sorumluluklarını yerine getirebilmesi için hareket

kabiliyetine sahip olması gerekmektedir. Gemiler hareket kabiliyetlerini, sahip
oldukları çok çeşitli makine ve makine sistemlerinin birbirleriyle uyum içinde
çalışması sonucunda kazanırlar. Gemilerin hareket etmesi, sevk sistemindeki enerji
dönüşümlerinin gemi pervanesine iletilmesi sağlanır. Gemilerde ana güç kaynağı
olarak dizel motorları kullanılmaktadır. Gemilerin tahrik gücünü oluşturan dizel
motorlara ana makine denilmektedir. Ana makine hariç gemilerin normal
operasyonlarının aksamamasını sağlayan diğer makinelere yardımcı makineler denir.

4
1.2.1 Gemi dizel motorları

Gemilerin hareketini sağlamak için gerekli olan pervaneye iletilen gücü açığa çıkaran
ana makineler genellikle dizel motorlarıdır. Dizel motorları ayrıca gemilerde elektrik
üretmek amacıyla jeneratör olarak da kullanılır. Gemilerde kullanılan dizel motorlar
silindir içinde yakıtın yanmasıyla enerji açığa çıkmasını sağlayan içten yanmalı
motorlardır. Dizel motorları Alman mühendis Rudolf Diesel tarafından icat
edilmiştir[10].

Dizel motorlarının temel prensibi, silindir içinde havanın sıkıştırılıp

basınçlandırılmasına dayanmaktadır. Sıkıştırma neticesinde havanın sıcaklığı artar ve
yakıt püsküldüğünde bujiye gereksinim duymadan ateşleme gerçekleşir. Diğer bir
deyiş ile, sıkıştırma, silindir içindeki hava sıcaklığını yanma odasına enjekte edilen
atomize dizel yakıtın kendiliğinden tutuşacağı kadar yüksek bir seviyeye yükseltir.
Sıcaklığı artan havanın içine pulvarize olarak yakıt püskürtülerek yanma gerçekleşir
ve silindir hacminin genişlemesi sayesinde ortaya çıkan enerji şafta iletilir. Dizel
motorları iki zamanlı veya dört zamanlı olarak dizayn edilirler. Dizel motorlarının iki
veya dört zamanlı olmasını etkileyen faktör, güç çevrimi sırasındaki strok sayısıdır.
Örneğin; silindir içindeki güç üretimi dört stroktan oluşuyorsa dört zamanlı, iki
stroktan oluşuyorsa iki zamanlı olarak adlandırılır.

İdeal bir dizel motoru şaftı döndürebilmek için Şekil 1.2’de gösterildiği gibi dört
süreçten geçmektedir. 1 noktasında piston alt ölü noktadadır, sıkıştırma işlemi bu
noktada başlar ve egzoz ve emme valfleri kapatılır. Silindir içerisinde atmosfer
basıncında hava bulunmaktadır. 1-2 arasında hava adyabatik olarak sıkıştırılır.
Sıkıştırma işleminde silindir içindeki hacim azalır, basınç ve sıcaklık artar. Piston 2
noktasına gelmeden bir müddet önce yakıt püskürtülür ve sıcak hava sayesinde
kendiliğinden tutuşarak kimyasal enerji ortaya çıkar. 2 ve 3 arasında yanma işlemi
gerçekleşir. Bu sırada basınç sabittir. 3 noktasında yakıt verme işlemi ve yanma biter.
3-4 arasında sıcak olan gazlar adyabatik olarak genleşir. Bu işlem sırasında açığa
çıkan kimyasal enerji şaft iletilerek hareket enerjisine dönüştürülür. Bu sırada gazın
hacmi artar sıcaklığı ve basıncı düşer. Egzoz valfi açılarak içerdeki silindirin içindeki
kirli hava dışarı atılır. 1 noktasında silindir içi tekrar havayla doldurulur ve süreç
yeniden başlar[10].

5
 Şekil 1.2 : İdeal bir dizel motorunun P-V diyagramı
Yüksek sıkıştırma oranı nedeniyle, dizel motorları yüksek bir verimliliğe sahiptir.
Dizel motorların teorik verimliliği %75 olmasına rağmen, pratikte çok daha
düşüktür[11]. Rudolf Diesel’e göre dizel motorlarının etkin verimliliği %43.2 ile
%50.4 arasında veya daha da fazladır[12]. Modern otomobil dizel motorları %43’e
varan etkin bir verimliliğe sahip olabilirken, kamyonlar ve otobüslerdeki dizel
motorlarının verimliliği en yüksek %45 civarında olabilmektedir[10]. Ancak, dizel
motorunun çalışması sırasındaki verimliliği, her zaman maksimum seviyede olmaz,
genellikle daha düşük verimlilik ile çalışır. Örneğin, maksimum verimliliği %44 olan
bir motorun çalışma esnasındaki verimliliği %37 olabilir.

Dizel motorlarının verimli çalışıp çalışmaması direk olarak yakıt tüketimini ve

geminin hareket kabiliyetini etkiliyecektir. Gemi dizel motorlarının dizayn kısmının
dışında işletilmesi de hayati önem taşımaktadır. Dizel motorlarının en iyi
verimleriyle çalışabilmesi için gerekli bakım onarımlar zamanında yapılmalı ve
makinenin çalışması için optimum koşullar sağlanarak sürekli olarak mühendisler
tarafından, gözlemlenmelidir. Verimliliği artırmak için en uygun bakım onarım
yöntemleri kullanılmalıdır.

6
1.3 Makinelerde Bakım ve Onarım

Gemilerin normal operasyonlarını güvenli bir şekilde devam ettirebilmeleri için en

uygun bakım onarım statejisi benimserek doğru bir şekilde uygulanması hayati önem
taşımaktadır. Ayrıca, oluşabilecek arızaların erken tespiti ve makine ömrünü uzaması
içinde doğru bakım onarım faaliyetleri endüstride giderek önemini artırmaktadır.
Arunraj ve Maiti'ye (2007) göre, bakım politikaları Şekil 1.3'de görüldüğü gibi dört
kuşakta kategorize edilebilir[6].

Şekil 1.3 : Bakım onarım yaklaşımlarının değişimi

1.3.1 Düzeltici bakım

1940’lı yılların başında tesislerde kullanılan bu bakım stratejisi ve “bozulduğunda

düzeltin” olarak açıklanmaktadır. Reaktif bakım olarak da anılan bu stratejide
yalnızca bir bileşenin tamamen arızalanmasından sonra gerçekleştirilen bakım
türüdür ve bu noktada onarım yapılmaz parka yenisi ile değiştirilir[13]. Diğer bir
deyiş ile arızadan sonra bileşenin değiştirilmesine odaklanan rutin bir bakım
yaklaşımıdır. Son araştırmalar yetersiz bakım ve ekonomik olmaması nedeniyle bu
bakım stratejisinin uygulanamazlığını ortaya koymaktadır[14]. Bu stratejinin en
önemli uygunsuzluğu, kök sebebin ihmal edilmesinden kaynaklı olan eksik onarım
ve planlamadır. Bununla birlikte bu yaklaşım, çalışma koşullarını çok etkilemeyerek,
maaliyeti düşük, değiştirilmesi kolay olan ve kritik olmayan ekipmanlarda
uygulanabilmektedir[14].

7
1.3.2 Önleyici bakım

Önleyici bakım olarak tanımlanan bu strateji önceden düzenlenmiş belirli aralıklarla

yapılan bakım anlamına gelmektedir. Bu bakım aralıklarını belirlemede genellikle
orjinal parka üreticilerinin tavsiyeleri dikkate alınır. Düzeltici bakım ile
karşılaştırıldığında, önleyici bakım makine ömründe önemli bir artış sağlar. Ayrıca
tamamen değiştirilmesi gereken parka sayısı azaldığından dolayı daha az maliyetlidir
ve herhangi bir sorunun algılanmasından önce bakım yapılmış olduğundan,
beklenmedik arızaların ortaya çıkma riski daha düşüktür. Bu strateji bakım aralıkları
arasında meydana gelebilecek arızaları minimuma indirmeyi amaçlamaktadır.
Ayrıca, aşırı bakım planlı da yapılsa operasyonel olarak zaman kaybına neden
olabilir. Bununla birlikte makinenin gerçek çalışma koşulları göz önüne alındığında,
belirli aralıklarla bakım yapılmış olsa bile beklenmedik arızalar meydana
gelebilmektedir[13][15].

1.3.3 Öngörücü bakım (Kestirimci bakım)

Öngörücü bakım, düzeltici ve önleyici bakıma göre daha işlevsel bir yöntemdir.
Burada her bir bileşen ve makine için bakım programı sunmak amacıyla, her bir
bileşenin mevcut ve geçmiş durumu dikkate alınır. Bu bakımda arıza meydana
gelmeden onarım yapılır. Arızaların tespiti için çeşitli araçlar ve teknikler kullanılır.
Amaç doğru zamanda doğru bakımın yapılmasıdır[16].

Kurulum maliyetleri yüksek olmasına karşın uzun zaman sonucunda önleyici ve

düzeltici bakımdan daha ekonomiktir. Planlı ve plansız bakımlardaki makinelerin
çalışmama sürelerini minimuma indirmeyi amaçlamaktadır. Makinenin ömrü
boyunca daha ekonomik bir bakım maaliyeti sağlarken sonuçların alınması yıllar
alır[13].

Kestirimci bakım; nükleer enerji üretimi ve havacılık gibi diğer alanlarda yaygın
olarak kullanılsa da, denizcilik alanında çok fazla uygulama mevcut değildir. Şu
anda, gemilerde yürütülen bakım işlemlerinin çoğu önleyici bakım olarak
sınıflandırılabilir[13]. Bu nedenle, bu çalışma denizcilik makinelerinin durumunun
izlenmesi için performans verilerinin işlenmesi ve uygun modellerin eğitimi ile ilgili
bir sistem geliştirmeyi amaçlamaktadır.

8
2. DENİZCİLİK SEKTÖRÜNDE BAKIM

Savunma, havacılık, imalat, otomobil ve nükleer enerji üretimi gibi sektörlerde

bakım odağı son zamanlarda reaktif olmaktan önleyici veya öngörücü bakım
modeline geçilmiştir. Gemilerde bakım maliyetleri, şirketlerin işletme maliyetlerinin
%10-15’ini oluşturmaktadır[17]. Ancak denizcilik sektöründe, gemi bakımı gereksiz
harcama alanı olarak kabul edilmiş ve gelişmiş izleme yöntemleri henüz yaygın
olarak uygulanmamıştır[18]. Bununla birlikte, son birkaç yıl içinde deniz
taşımacılığında kestirimci bakım için bazı girişimlerde bulunulmuştur. Örneğin, bir
ana makinenin durumunun izlenmesi için titreşim verilerinin performans verileri ile
birleştirildiği bir yöntem önerilmiştir[19]. Ayrıca gemi dizel motorunun yanma
sisteminde arıza teşhisi için kendi kendine öğrenme algoritması geliştirilmiştir[13].

2.1 Durum İzleme (CM)

Genel olarak endüstriyel ekipmanların, özellikle dizel motorların durumlarının

izlenmesi, üretkenliği, güvenliği ve tüm endüstriyel tesislerde maliyetleri azaltmak
için çok önemlidir. İçten yanmalı motorların kendilerine has karmaşıklığı ve bunlara
bağlı olan fazla miktarda ekipman bakımı oldukça güçleştirmektedir[20].

Herhangi bir dizel motoru belli bir süre çalıştırıldığında arıza meydana gelmesi doğal
bir olaydır. Önemli olan nokta bu arızalar motorun performansını etkilemeden ve
zarar vermeden önce teşhis edilip tanımlanmasıdır[20]. Oluşabilecek bazı arızalar
bozulmaya ve aşınmaya maruz kalmış ekipmanların değiştirilmesiyle meydana
gelmeden engellenebilir.

Etkili bir teşhis sistemi, arızanın ilk belirtileri ortaya çıkmaya başladığında önlem
alınabilmesi ve bakımın yerine getirilmesi için personeli uyarmalıdır. Böyle bir
sistem planlı bakımı tamamlayan kullanışlı bir metod olabilir. Gemi makine
sistemlerinin durumlarının izlenebilmesi için doğru bir algılama modelinin

9
geliştirilmesi gerekmektedir. Durum izleme ve arıza teşhisi, makinelerin ve
sistemlerin kullanım ömrü boyunca iyi durumda kalmasını sağlamak için tasarlanmış
değerli bir yöntemdir. Özellikle motor arızalarının güvenilir bir şekilde tespit
edilmesi ve ayrılması, bakım aralıklarını tahmin etmek ve planlamak için endüstrinin
çeşitli alanlarında büyük önem taşımaktadır.

Bakım maliyetlerini azaltmak ve kritik sistemler için makine kullanılabilirliğini

artırmak amacıyla durum izleme sistemleri ve arıza teşhis teknikleri geliştirilmiştir.
Bu sistemde ölçülen operasyonel parametreler normal makine durumundaki değerler
ile karşılaştırılır. Değerlerin izlenerek karşılaştırılması neticesinde güncel
parametrelerdeki anormal değişiklikler gözlemlenerek arızaların kök nedenleri
bulunabilir[5].

Makine durumun izlenmesi neticesinde duruma bağlı bakımın alt yapısı

tamamlanmış olur. Makinenin izlenmesi sonucunda elde edilen veriler duruma bağlı
bağlı bakım stratejisinin ve planlamasının uygulanmasında önemli rol oynamaktadır.
Bu proje kapsamında, makinede oluşabilecek arızaların teşhisinde daha verimli ve
makine parçalarının efektif çalışmasına katkı sağlayarak ömürlerini uzatıp maliyeti
düşürmesinden dolayı duruma bağlı bakım seçilmiştir. Duruma bağlı bakımın
temelinde makine durumunun izlenerek yapay zekayla işlenmesi yatmaktadır.
Literatürdeki bir çok farklı yapay zeka seçenekleri arasından makine öğrenmesi arıza
teşhisinde kullanılmıştır.

2.1.1 Durum izlemede uygulanan teknikler

CBM’nin doğru bir şekilde yerine getirilebilmesi için uygun bir durum izleme
yöntemi seçilmiş olmalıdır. Ölçülebilir parametrelerin kaydedilmesi ve
değerlendirilmesi ile durum izleme sistemi uygulanır. Bu ölçülen parametreler
ekipman işlevselliği ile ilgili olarak farklı teknikler kullanılarak elde edilir.

10
2.1.1.1 Titreşim izleme

Titreşim izleme teknikleri; rulmanlar, dişli kutuları, şaftlar, pompalar, motorlar ve

türbinler gibi dönel veya eksenel hareket eden parçalara sahip sistemlerde
yorgunluğu, aşınmayı, dengesizliği, eksen kaymasını, gevşemiş parçaları, türbülansı
gibi durumları tespit etmek için kullanılmaktadır[14]. Bu tür mekanik sistemlerin
çalışması, sistemdeki belirli parçalara kadar izlenebilen frekans bileşenleri ile
enerjiyi titreşim şeklinde ortaya çıkartır. Sistemin çalışma dinamiklerinde bir
değişiklik olmadığı sürece her bir farklı titreşim bileşeninin genliği sabit
kalacaktır[16].

Bir titreşim izleme sisteminde, bir makinede seçilen noktalardan 10 ile 10.000Hz
arasındaki toplam titreşim enerjisinin değerleri alınır[16]. Bu veriler yeni bir
makineden alınan verilerle karşılaştırılır. Alınan değerler alarm limitini aştığında
arıza teşhisi yapılır. Alternatif olarak alınan değerler makinenin nispi durumunu
belirlemek için makine kataloglarındaki titreşim değerleri ile karşılaştırılır.

2.1.1.2 Termografi

Termografi veya termal görüntüleme, elektrikli ve mekanik ekipmanlar için erken

arıza belirtilerini sıcak ve soğuk noktaları inceleyerek uyaran bir CM tekniğidir. Bu
teknikte en çok tercih edilen yöntem Kızılötesi Termografi’dir[14].

2.1.1.3 Akustik ve ultrasonic izleme

Sıcaklık, titreşim ve makine yağının izlenmesi, gemi dizel motorlarındaki kurulum

ihtiyaçları nedeniyle zaman ve maliyet kaybına neden olabilecek tekniklerdir. Bu
izleme tekniği, titreşim izleme tekniğine göre daha hassas bir tekniktir. Çok sayıda
sensör sayesinde makine durumunun izlenmesi işlemidir.

11
2.1.1.4 Yağ analizi

Yağlayıcı üzerinde yapılan laboratuvar incelemesi ile yağın içerisindeki partiküllerin

fiziksel ve kimyasal özellikleri gibi faktörler analiz edilerek makinelerin çalışma
koşullarıyla ilgili fikir edinilir[14]. Makinelerde alınan yağlar analiz edilmek için
laboratuvarlara gönderilir. Bu analiz yöntemi laboratuvar incelemesine bağlı olduğu
için uzun bir süreç gerektirmektedir. Analiz edilmiş olan yağların değerleri normal
değerleri ile karşılaştırılarak makinenin durumu hakkında bilgi sahibi olunur.

2.1.1.5 Performans verilerini izleme

Makine performansının ve çalışma durumunun izlenmesi, ölçülen parametrelerin

dikkatle seçilmesini gerektirir. En yaygın parametreler; sıcaklık, basınç, akım ve
aşınma kalıntıları gibi ölçümleridir[16]. Arıza başlangıcını tespit etmek için,
sistemler sürekli olarak izlenir ve arızanın kök nedeninin saptanması kolaylaşır.

Veri izleme ve tahmine dayalı modeller, karar almayı geliştirmek ve operatörlere

güvenilir bilgi ve uyarı sağlamak için birleştirilebilir. Bazen birden fazla sensörden
ve modellerden gelen sinyaller çelişkili olabilir, bu nedenle uygun verilerin
seçilmesi, bu bilgilerin birleştirilmesi ve karşılaştırılması, muhakeme ve karar alma
süreçlerinde kritik öneme sahiptir[16][14].

2.2 Duruma Bağlı Bakım (CBM)

Bu bakım modelinde ekipman gözlemlenerek performans değerleri incelenir. Sistem

ekipmanlarının incelenmesinde; parametre analizi, yağ analizi, titreşim analizi ve
motor akım analizi gibi çeşitli teşhis yöntemleri kullanılabilir. Duruma dayalı bakım
(CBM), ekipmanın durumunu belirlemeyi amaçlar böylece operasyon güvenli,
verimli ve ekonomik kalır. İzleme teknikleri, makinenin durumunu gösteren fiziksel
değişkenleri ölçmeyi ve bunların iyi durumda olup olmadıklarını veya bozulup
bozulmadığını belirlemek için bunları normal değerlerle karşılaştırmayı
amaçlamaktadır[16].

Endüstriyel açıdan CBM, risklerin anlaşılmasını ve stratejik eylemlerin önceden

belirlenmesini amaçlayarak, güvenilirlik ve operasyonel maliyetlerin azaltılmasını
desteklemektedir[14].

12
Gemi makine sistemleri için sürekli ve periyodik izleme olmak üzere iki yöntem
vardır[21]. Durum izleme sistemi seçilen parametrelerin zamana bağlı değişimini
inceler ve ayrıca bir arızanın varlığını, şiddetini ve muhtemel süresini tanımlar.
Oluşturulan bu sistem sayesinde operatör erken uyarılarak tedbir alması sağlanır.
Doğru zamanda karar vermek, oluşabilecek arızaları önler ve felaketle
sonuçlanabilecek sorunların çözümünü sağlar[16].

2.2.1 Duruma bağlı bakımın uygulama adımları

Şekil 2.1 : Duruma bağlı bakımın 3 adımı

2.2.1.1 Veri toplama

Veri toplama, kullanılabilir verileri ve bilgileri CBM için kullanılmak amacıyla

toplama ve depolama işlemidir. Bu adımın uygulanması, makinelerdeki hatalar ve
arızalar için CBM programında hayati önem taşımaktadır. Bir CBM programında
toplanan veriler iki ana kategoriye ayrılabilir: olay verileri ve durum izleme verileri.
Olay verileri, hedeflenen makineye ne olduğu; kurulum, arıza gibi veya hedeflenen
makineye ilişkin bilgileri içerir. Durum izleme verileri, makinenin sağlık durumu ile
ilgili ölçümlerdir. Bunlar çok yönlüdür ve titreşim, akustik, yağ analizi, sıcaklık,
basınç, nem, hava veya çevre verilerini içerebilir[16].

2.2.1.2 Veri işleme

Veri işleme iki aşamadan oluşur. Birincisi veri temizleme; bu adım önemlidir, çünkü
genellikle veriler manuel olarak girilir. Doğru olmayan verilerin girilmesi sık sık
arızalara neden olabilmektedir. İkinci adım verilerin analizidir. Analiz için çeşitli
modeller, algoritmalar ve araçlar vardır ayrıca seçim toplanan veri türlerine bağlıdır.

13
2.2.1.3 Bakım karar desteği

Bir CBM programının son adımı bakım karar vermektir. Bakım faaliyetlerinin
belirlenmesi için yeterli ve verimli karar desteği çok önemlidir. Bir CBM
programında bakım karar destek teknikleri iki ana kategoriye ayrılabilir: teşhis ve
tahmin. Arıza teşhisi; arıza meydana geldiğinde tespiti, izolasyonu ve
tanımlanmasına odaklanır. Tahminler; hataları veya arızaları ortaya çıkmadan önce
tahmin etmeye çalışır. Açıkçası tahminler arızaları veya hataları önleyebileceği,
sorunlara hazır olabileceği, böylece planlanmamış bakım maliyetlerini azaltabileceği
için teşhislerden üstündür. Bununla birlikte tahminler teşhislerin yerini tamamen
alamaz, çünkü pratikte her zaman öngörülemeyen bazı hatalar ve arızalar vardır. Ek
olarak tahminde bulunmak diğer önleyici teknikler gibi %100 doğru olamaz.
Başarısız tahmin durumunda teşhis etmek bakıma karar verme için tamamlayıcı bir
araç olabilir[7][16].

2.3 Literatür İncelemesi

Makine durumunun izlenerek makine öğrenmesi ile arıza teşhisinde bulunmak birçok
alanda yaygın olarak kullanılmasına ragmen denizcilik sektöründe yeterince
yaygınlaşamamıştır. Günümüzde denizcilik sektöründe de bu tür çalışmalar artmaya
başlamıştır.

14
Porteiro ve arkadaşları bir dizel motorun performansının tahminini ve arıza tespiti
için çok ağlı bir arıza teşhis sistemi kurmuştur[20]. Basurko ve Uriondo gemi dizel
motorlarının duruma bağlı bakımı için izlenen performans verileriyle bir yapay sinir
ağı oluşturdu[7]. Tahan ve arkadaşları, gaz türbinlerinin performanslarının izlenmesi,
teşhisi ve tahmini tekniklerinin sistematik bir değerlendirmesini sunmuştur[22]. Liu
ve arkadaşları, yağlayıcı içindeki aşınma sonucu oluşan partikülleri tespit eden
makinenin aşınma durumunu izleyen bir sistem geliştirmişlerdir[23]. Chandroth,
silindir basınçları ve titreşimlerini izleyerek yapay sinir ağları ile bir sınıflandıra
metodu kullanmıştır[19]. Wei ve arkadaşları, SVM kullanarak bir makinenin
soğutma sisteminde meydana gelebilecek arızaların teşhisi için bir analiz yöntemi
geliştirmişlerdir[24]. Cheliotis ve arkadaşları, bir geminin ana makine sisteminin
performans izleme kalitesini artırmak için hibrit bir knnk-NN ve miceMICE
algoritması kullanan bir yöntem geliştirdi[25]. Watzenig ve arkadaşları, makinelerde
oluşan yaygın arızaları tespit etmek için iki farklı termodinamik model
geliştirmiştir[1]. Widodo ve Yang, makinelerin kalan ömürlerini tahmin etmek ve
bakım maliyetlerini düşürmek için izlenen verilerle SVM kullanılarak tahmin sistemi
kurmuştur[26]. Zhu, makine üzerindeki titreşim sinyallerini kullanarak arıza
teşhisinde bulunmak için durum izleme sistemi kurmuştur[27]. Banks ve arkadaşları,
bir çok sensör kullanarak basınç, sıcaklık ve titreşim gibi verileri izleyerek frekans
tabanlı analiz yöntemleri ile bir test sitemi oluşturmuştur[5].

Görüldüğü üzere makine ömrünü uzatmak ve bakım maliyetlerini minimuma

indirmek için yapılan çalışmalar her geçen gün artmaktadır. Yapılan çalışmalar
farklı teknikler olsa da hizmet ettikleri amaç aynıdır. Bu gelişmeler aynı zamanda
çalışma ortamlarının da iyileştirilmesine katkı sağlamaktadır.

15
3. METODOLOJİ

Bu bölümde, gemi dizel makinelerinde meydana geldiğinde ciddi hasarlara ve

kayıplara neden olabilecek dört önemli arıza durumu simülator üzerinde izlenerek
değerlendirilecektir. Simülator üzerinde izlenen veriler makine öğrenmesi ile
işlenerek arıza tahmini yapılacaktır.

Projede Kongsberg MC90-v simülatöründen yararlanılmaktadır. Simülatör Şekil

3.1’de görüldüğü gibi makine tam yol ilerideyken kullanılmaktadır.

Şekil 3.1 : Kongsberg MC90-v simülatör

Meydana geldiği zaman doğurabileceği hasar miktarı fazla olabilecek dört arıza
seçilmiştir. Bu arıza durumları simülatör üzerinden 30 dakika çalışma süresince %0
arıza durumundan %100 arıza durumuna ulaşacak şekilde ayarlanmıştır. Arıza
miktarı zamana bağlı olarak artmaktadır.

Arızanın meydana gelmesi için yapılan işlem Şekil 3.2’de gösterilmiştir.

16
 Şekil 3.2 : Simülatörde arıza oluşturma

Şekil 3.2’de görüldüğü üzere, sağ üst köşedeki Ed Malf'a (Arızaları Düzenle)
tıkladıktan sonra arıza penceresinde sol üst taraftaki kutulara (M1'den M10' a kadar
numaralandırılmıştır) arıza isimlerini(1) girdik. Sonra yan tarafına arıza kodunu(2)
girerek arızamızı tanımladık. Value değerleri(3) active olan 100 olarak ayarlandı.
Otomatik modda ise on(4) yazan butona tıklayarak ilgili arızamızın, arıza durumunda
çalışması gerektiğini belirttikten sonra Ramp(6) butonunu da aktif hale getirdik. Off
period(5) arızasız çalışması istenen süreyi, Duration(7) ise toplam çalışma süresini
diğer bir anlamda arızanın 0’dan başlayarak 100’e ne kadar sürede gelmesi
gerektiğini ayarladık. Simulation speed ratio(8) 1 olarak ayarlı bu gerçek hayattaki 1
saniyenin simülasyondaki bir saniyeye eşit olduğu anlamına gelmektedir. Arıza
ismimizin yazılı olduğu(1) butona tıklayarak seçili hale getirdikten sonra simulation
speed ratioyu(8) 20 yaptık. Simülasyondaki 20 saniye gerçek hayatta 1 saniye olarak
çalışacak artık.

Senaryo, bir simülatör oturumu sırasında belirli zamanlarda veya olaylarda yürütülen
bir dizi önceden programlanmış eğitmen eylemidir.Senaryolar, eğitim oturumları
sırasında genellikle kullanılan eylem dizilerini saklamak için kullanılır.

17
Seçilen her bir arıza durumu, silindir gömleğinin çatlaması hariç 300 defa simülatör
ile çalıştırılarak belirlenen parametre değerleri not alınmıştır. Silindir gömleğinin
çatlaması senaryosunda ise simülatör 400 defa çalıştırılmıştır. Senaryoların tekrar
sayıları, arıza tahmin programının doğruluğunu artırmak için fazla seçilmiştir. Elde
edilen parametre değerleri makine öğrenmesi ile arızalı durum olarak işlenmiştir.

Arıza tahmin programının referans alacağı değerler simülatör herhangi bir arıza
durumu işlenmeden çalıştırılarak not edilen parametrelerdir. Aynı şekilde arızasız
durum için de tekrar sayıları silindir gömleği çatlaması için 400 tekrar ve diğer
arızalar için 300 tekrardır. Simülatör üzerinden alınan değerler ışığında SVM metodu
ile arıza tahmin programı yapılmıştır.

Oluşturulan programın sağlıklı çalıştığının anlaşılabilmesi için doğruluk değerleri

gözlemlenmiştir. Parametrelerin programlama sırasında PCA tekniği ile ağırlıkları
belirlenmiştir.

3.1 Silindir Gömleğinin Çatlaması

Modern gemi dizel motorları sıkı güvenilirlik ve kullanılabilirlik gereksinimlerini

karşılamalıdır. Geçmişten günümüze edinilen tecrübeler, dizel motorlarının daha
kritik bileşenlerinin silindir gömlekleri olduğunu göstermektedir. Bu bileşenler çok
maliyetlidir ve hizmet içi arızaları ağır ekonomik kayıplara yol açabilir. Bu nedenle
uzun vadeli ekonomik değerlendirmeler yaparken ve bakım faaliyetlerini planlarken
güvenilirliklerini tahmin etmek çok önemlidir[28].

Silindir gömleğinin çatlaması, olasılık olarak düşük olsa da gerçekleştiğinde büyük

operasyonel hasarlara ve kayıplara neden olabilir. Makine üzerindeki anormallikler
bu soruna giden süreçte personele makine hakkında bigi verir. Silindir gömleğinin
çatlamasına kadar geçen süreçte parameterelerde değişiklikler olur ve bu
değişiklikler oluşacak arızanın habercisidir.

Silindir gömleğinin çatlamasından önce personele fikir verebilecek parametreler

izlenerek kayıt edilmiştir. Bu parametreler simülatör üzerindeki kod numaralarıyla
birlikte aşağıda belirtilmiştir:

I. T02040 – Silindir egzoz sıcaklığı

II. T02046 – Silindir gömleği sıcaklığı

18
 III. T02043 – Silindir gömleği su çıkış sıcaklığı

IV. T02044 – Silindir yağı çıkış sıcaklığı

V. T01010 – Tüksek sıcaklık tatlı su giriş sıcaklığı

VI. T02041 – Silindir sıcaklığının diğer silindir sıcaklıklarının ortalamasıyla olan

farkı

VII. G02053 – Silindirde su akış miktarı

VIII. G01154 – Tatlı su genleşme tankından taşan su miktarı

IX. G02057 – Silindirin spesifik yakıt tüketimi

X. G02050 – Silindirde yakıt akış miktarı

XI. G02052 – Silindirde yağ akış miktarı

XII. P01005 – Yüksek sıcaklık tatlı su giriş basıncı

XIII. L01150 – Tatlı su genleşme tankı seviyesi

XIV. Z01164 – Ana makine tatlı su sistemi gaz dedektörü

XV. E02056 – Silindir indike gücü

Yukarıda belirtilen parametreler Şekil 3.3’de görülen ekran üzerinden takip edilerek
kayıt edilmiştir. 30 dakika boyunca izlenen parametreler excel üzerinde kayıt
edilmiştir.

Simülatör arıza durumunda çalıştırıldığında bazı parametrelerde büyük değişimler

olurken bazılarında ise bu değişimler daha küçüktür. İzlenen parametrelerin arızanın
oluşumuna etkileri de farklıdır. Bu parametrelerin ağırlıkları yapılan tahmin
programında PCA ile değerlendirilerek parametre sayısı tahmin aşamasında
düşürülürmüştür.

19
 Şekil 3.3 : Silindir gömleği çatlaması parametre takip ekranı

Parametreler normal çalışma durumunda ve arıza oluşması durumunda gözlemlenmiş

ve parametrelerde farklılıklar olduğu ortaya çıkmıştır. Örnek olması için Şekil 3.4 ve
Şekil 3.5’de gözlemlenen parametrelerden bir tanesi olan egzoz sıcaklığının değişimi
gösterilmiştir. Görseldeki egzoz sıcaklıklarında belirgin farklılıklar meydana
gelmiştir. Bu farklılıklar arızaların teşhisinde belirgin rol oynamaktadır.

Şekil 3.4 : Arızalı durumda egzoz sıcaklığının değişimi

20
 Şekil 3.5 : Normal çalışma durumunda egzoz sıcaklığının değişimi

400 adet olan 30 dakikalık çalışma sırasında alınan veri gruplarından bi tanesi ile
diğer bütün parametrelerin arıza durumunda ve normal çalışma durumundaki
değişimleri aşağıdaki şekiller ile açıklanmıştır.

Şekil 3.6 : İndike güçlerin karşılaştırılması

21
 Şekil 3.7 : Yakıt akış miktarının karşılaştırılması

Şekil 3.8 : Spesifik yakıt tüketiminin karşılaştırılması

Şekil 3.9 : Soğutma suyunun giriş sıcaklığının karşılaştırılması

22
 Şekil 3.10 : Egzoz sıcaklığının karşılaştırılması

Şekil 3.11 : Sapma sıcaklığının karşılaştırılması

Şekil 3.12 : Silindir gömleği su çıkış sıcaklığının karşılaştırılması

23
 Şekil 3.13 : Silindir gömleği sıcaklığının karşılaştırılması

Şekil 3.14 : Genleşme tankından su miktarının karşılaştırılması

Şekil 3.15 : Silindirde yağ akış miktarının karşılaştırılması

24
Şekil 3.16 : Silindirde su akış miktarının karşılaştırılması

Şekil 3.17 : Genleşme tankı su seviyesinin karşılaştırılması

Şekil 3.18 : Soğutma suyu giriş basıncı karşılaştırılması

25
 Şekil 3.19 : Silindir yağı çıkış sıcaklığının karşılaştırılması

Şekil 3.20 : Gaz dedektöründe okunan değerlerin karşılaştırılması

Şekillerden de anlaşılacağı üzere normal çalışma durumu değerleri ile arızalı

durumdaki çalışma değerleri birbirlerinden farklıdır. Normal çalışma esnasında
değerler daha stabil ve değişimler küçük ölçeklidir. Ancak arıza durumunda,
parametrelerdeki değişimler büyük ve stabil değildir.

Dikkat edilmesi gereken diğer bir durum ise bu parametrelerin arıza oluşumuna ne
kadar etki ettikleridir. Örneğin silindir çatlamasına etki eden, gözlemlenen bu
parametrelerin her birinin ağırlığı eşit değildir. 15 adet parametreden bazıları
yukarıdaki şekillerden de anlaşılacağı üzere ya küçük değişimler göstermiş yada
hiçbir değişim göstermemiştir. Bu parametreler makine öğrenmesi ile ağırlıklarına ve
benzerliklerine göre PCA ile olabildiğince basitleştirilmiştir. PCA kodlaması tüm
arıza durumları için kullanılarak oluşturulan makine öğrenmesi programının
çalışması kolaylaştırılmış ve daha doğru sonuçlar vermesi sağlanmıştır.

26
3.2 Yakıt Enjektörünün Tıkanması

Modern dizel motorları yakıt tüketimi ve emisyon konularında önemli bir gelişme
göstermiştir. Gelişen teknolojilerle birlikte ortaya çıkan aşırı doldurma ve egzoz
gazından tekrar yararlanma sistemlerinden dolayı dizel motorları daha karmaşık bir
yapı kazanmışlardır[29]. Bu karmaşık yapılar dizel motorlarında arıza teşhisinin
yapılabilmesini zorlaştırmaktadır. Arıza tespitinin doğru yapılabilmesi için uygun bir
yöntemin seçilmesi elzemdir.

Dizel motorlarında sıkıştırma oranı yüksektir ve bu sayede silindir içindeki hava

basınçlanarak ısınır. Basıncı ve sıcaklığı artan havaya yakıt püskürtülerek yanma
gerçekleşir. Bu yanmanın maksimum verimle gerçekleşebilmesi için yakıtın doğru
zamanda ve doğru basınçla püskürtülmesi gerekmektedir. Düzgün bir yanma
olabilmesi için yakıt silindir içinde iyi atomize olmalıdır. Yakıtın gerekli koşulları
sağlamasında en önemli sistem bileşeni ise yakıt enjektörüdür. Enjeksiyon
sistemindeki hatadan kaynaklı olarak yanmanın bozulması emisyon değerlerinin
artmasına neden olabilir.

Günümüzde dizel motorlarında, bakım maliyetlerinin artmasına ve zaman kaybına,

en çok yakıt enjeksiyon ve soğutma sistemindeki arızalar sebep olmaktadır[5]. Yakıt
enjeksiyon sisteminde olşuşacak herhangi bir arıza ilerleyen süreçlerde çok daha
ciddi arızalara neden olabilir. Yakıt enjeksiyon sistemlerinin güvenilir çalışması
büyük önem teşkil etmektedir.

Enjeksiyon sisteminde oluşabilecek hatanın ilerleyen süreçlerde daha büyük arızalara

neden olabileceği ve dizel motorlarında çok sık arızalanabilen bir sistem olduğu için
bu arıza modelinin izlenmesi tercih edilmiştir. Enjeksiyon valfinin tıkanması arızası
gözlemlenirken simülatör; 300 defa arıza durumu için 300 defa da normal çalışma
durumu için 30 dakikalık periyotlarla çalıştırılarak parametreler gözlemlenmiştir. Bu
gözlemlenen parametreler aşağıda verilmiştir:

I. E02056 – Silindir indike gücü

II. G02050 – Silindirde yakıt akış miktarı

III. T02040 – Silindir egzoz sıcaklığı

IV. T02043 – Silindir gömleği su çıkış sıcaklığı

V. G02057 – Silindirin spesifik yakıt tüketimi

27
 VI. P02065 – Silindirde maksimum basınç

VII. E02005 – Ana makine şaft gücü

VIII. G02011 – Ana makine yakıt tüketimi

IX. G02012 – Ana makine spesifik yakıt tüketimi

X. Q02004 – Ana makine şaft torku

Gözlemlenen parametrelerin karşılaştırılması aşağıda grafiklerle birlikte yapılcaktır.

Şekil 3.21 : Silindir indike güçlerin karşılaştırılması

Şekil 3.22 : Silindirde yakıt akış miktarının karşılaştırılması

28
Şekil 3.23 : Silindirde spesifik yakıt tüketiminin karşılaştırılması

Şekil 3.24 : Silindir egzoz sıcaklığının karşılaştırılması

Şekil 3.25 : Silindirde maksimum basınçların karşılaştırılması

29
 Şekil 3.26 : Soğutma suyu sıcaklığının karşılaştırılması

Şekil 3.27 : Ana makine şaft gücü karşılaştırılması

Şekil 3.28 : Ana makine yakıt tüketiminin karşılaştırılması

30
 Şekil 3.29 : Ana makine spesifik yakıt tüketiminin karşılaştırılması

Şekil 3.30 : Ana makine şaft torkunun karşılaştırılması

3.3 Ana Makine Egzoz Valfinin Kaçırması

Şekil 3.31 : Ana makine 1 numaralı silindir indike gücü

31
 Şekil 3.32 : Ana makine şaft gücü

Şekil 3.33 : Turboşarjer egzoz çıkış sıcaklığı

Şekil 3.34 : Ana makine şaft torku

32
Şekil 3.35 : Ana makine 1 numaralı turboşarjer devir/dakika hızı

Şekil 3.36 : Ana makine egzoz odası basıncı

Şekil 3.37 : Ana makine egzoz odası sıcaklığı

33
 Şekil 3.38 : Ana makine 1 numaralı silindir egzoz çıkış sıcaklığı

Şekil 3.39 : Yakıt akış miktarı

Şekil 3.40 : Ana makine 1 numaralı silindir egzoz çıkış sıcaklığı sapması

34
Şekil 3.41 : Ana makine 1 numaralı silindir soğutma suyu çıkış sıcaklığı

Şekil 3.42 : Ana makine 1 numaralı silindir piston yağı çıkış sıcaklığı

Şekil 3.43 : Ana makine 1 numaralı silindir kover sıcaklığı

35
 Şekil 3.44 : Ana makine 1 numaralı silindir sıcaklığı

3.4 Ana Makine Krankşaft Yatağı Eksen Kayması

Şekil 3.45 : Ana makine yataklarının yağlama yağı debisi

Şekil 3.46 : Ana makine yağlama yağı çıkış sıcaklığı

36
Şekil 3.47 : Ana makine 1 numaralı yatağı, yatak sıcaklığı

Şekil 3.48 : Ana makine 2 numaralı yatağı, yatak sıcaklığı

Şekil 3.49 : Ana makine 3 numaralı yatağı, yatak sıcaklığı

37
Şekil 3.50 : Ana makine 4 numaralı yatağı, yatak sıcaklığı

Şekil 3.51 : Ana makine 4 numaralı yatağı, yatak sıcaklığı

Şekil 3.52 : Ana makine 6 numaralı yatağı, yatak sıcaklığı

38
 Şekil 3.53 : Ana makine şaft gücü

Şekil 3.54 : Ana makine yağlama yağı giriş basıncı

Şekil 3.55 : Ana makine yataklarına yağlama yağının giriş basıncı

39
 Şekil 3.56 : Ana makine şaft torku

Şekil 3.57 : Ana makine yağlama yağı giriş LOC

Şekil 3.58 : Ana makine yağlama yağı çıkış LOC 1

40
Şekil 3.59 : Ana makine şaft yatağı sıcaklığı

41
42
4. OTOMASYONLU SİSTEMLERDE ARIZA TESPİTİ VE BAKIMI

4.1 Büyük Veri

Büyük veri alınan verilerin kapladığı alandır. Bir makine dairesi çalışma süresinde
sensör sayısına bağlı olarak milyonlarca veri üretebilir. Bu çok büyük veri bloklarını
big data olarak tanımlanır.

4.2 Büyük Verinin Toplanması

Beynimiz bütün vücudu kontrol edebilmek için vücudumuzdaki her hücreden gelen
bilgiyi (Büyük veri) yönetir. Günümüzde de tıpkı vücudumuz gibi çalışan ve pek çok
fazla data üreten makine ve sistemleri kontrol etmek için beynimiz gibi çalışan bir
sisteme ihtiyaç vardı. Yapay zeka bu amaçta kullanılabilecek ve amaca yönelik
geliştirilebilen bir sistem olarak literatüre giren bir icattır.

Yapay zekalar; görevleri yerine getirmek için insan zekasını taklit eden ve aldıkları
verilere göre sürekli olarak kendilerini geliştiren programlardır. Yapay zekanın
kullanılması tıpkı insan beyninin insan vücudundaki bütün verileri sinir ağları
yardımıyla toplaması ve anlık kontrol sağlaması gibi gemi makine dairesinde de
sensörler yardımıyla toplanan veriler yapay zeka tarafından işlenerek çok düşük
gecikmelerle kontrol sağlanır. Yapay zeka bunu yapmak için önceden belirlenmiş
fonksiyonlarla kodlanarak gelen verileri işler. Yapay zeka, görevleri yerine getirmek
için insan zekasını taklit eden ve aldıkları verilere göre sürekli olarak kendilerini
geliştiren programlardır.

Bir geminin makine dairesinde çalışan ve birbirini etkileyen bir çok makinenin
oluşturduğu sistemde her veriyi toplayan sensörler, bu verileri işleyen bilgisayarlar
ve bilgisayarların verdiği sonuca göre hareket eden mühendisler tıpkı beyin-vücut
ilişkisinde olduğu gibi çalışır.

43
 Şekil 4.1 : İnsan sinir hücresi

Şekil 4.1’de görüldüğü üzere, sistem girişi bir sinir impulsunu hücresel gövde
boyunca ileten tipik biçimde dallı sinir lifidir. Çekirdek: Hücre gövdesinde yer alır ve
hücrelerin işlevleri için gerekli enerjiyi üretir. Akson ise dendtritler tarafından
alınarak hücre gövdesine üretilen uyarıları alarak bir başka hücre dentdiridine
taşımakla görevlidirler. Günümüzde kullanılan ve veri toplamak için otomasyon
sistemlerine entegre edilen sensörlerde de benzer bir sistem vardır.

Şekil 4.2 : Sensör veri alımı ve veri iletimi diagramı

44
Electric connect: Sensörün çalışması için gerekli elektrik enerjisinin besleme
uçlarıdır. Sensör cell: Fiziksel datayı dijital dataya çeviren bölümdür. Bilgisayar:
Toplanan verileri barındıran, irdeleyen ve bu verilere göre sistemi kontrol eden
bölümdür. Şekil 4.2’de görüldüğü üzere bir nöron hücresiyle sensör arasında
benzerlik oldukça dikkat çekici o halde tıpkı beynimiz gibi çalışan bilgisayarı
kullanarak tamir etme işini öne çekebiliriz.

Bu noktada bilinmesi gereken 2 şey vardır:

1. Beynimiz öncelikli olarak zarardan kaçar ve bunun için büyük veriyi ve çok
hızlı veri işleme yetisini kullanır.
2. Zarar maruz kalması durumunda vücudu iyileştirir.

İlk olarak gemide bir arıza meydana geldiğinde mühendisler önce onun nedenini
anlar ve sonrasında onarırdı.

Şekil 4.3 : Arıza tespit sistemi diyagramı

45
Şekil 4.3’de görüldüğü gibi günümüz gemi makinelerindeki arıza tespitinin yapılış
halidir. Aktüartörün oluşturduğu hareket sonucu sensörlerin topladığı datalar arıza
monitörüne ve arıza filtrelerine gider. Filtrede datalar düzenlenerek monitöre, kontrol
programına gönderilir. Bu şekilde datalardan elde edilen feed back aktüatörlere
gönderilerek hareket anlık ve düşük hata payıyla gözlemlenir. Aktüatörün
oluşturduğu datalar, sensörlerin topladığı datalardan çok farklı ise ve filtre bu dataları
düzenleyememişse sistem alarm verir. Ya sensör yada aktüatör incelenerek sorun
aranır. Aktüatör burada ana makineyi de temsil edebilir, kazan beseleme suyu
valfinide yani sorunun tespiti ve neden olabileceği olası arızalar çeşitlilik
göstermektedir[30].

Zamanla sensörler ve big datayı işleyen bilgisayarlar geliştirildikçe gemide meydana

gelen arızaların önüne geçmek için planlı bakım sistemleri geliştirildi. Bu sayede
boğaz geçişinde, tehlikeli manevralarda makine arızası kaynaklı kazalar önemli
oranda azaltıldı. Bununla birlikte hızla ortaya çıkan veya şartların hızla değişmesi
sonucu ortaya çıkan küçük bir arızanın kelebek etkisiyle birlikte planlı bakımları
yapılmış olmasına rağmen makine sistemlerinde arızaya sebep olabiliyor. Bu
durumun önlenmesi amacıyla beynimizin yaptığı gibi zarardan kaçmak için gemi
makinelerinden gelen big datanın toplanması ve anlık olarak işlenmesi fikriyle
makine hemen stop ediliyor ve arıza onarılıyordu. Ancak bu durumda da tepki
süresinin az olacağı durumalarda arızanın ortaya çıkmasının engelleneyemeyeceği ve
bazı durumlarda büyük zararlara neden olabileceği görüldü. Boğaz geçişinde hidrolik
yağın çeşitli sebeplerle kirlenmesi ve tıkanarak dümende arızaya sebebiyet vermesine
kadar oaln süreçteki gibi. İşte tamda bu durumda biz big datanın yapay zeka
tarafından irdelenebileceğini ve arızanın oluşma olasılığını ve arıza yerinin tam
oalrak bulabileceğini, arızanın oluşma nedenlerini ortadan kaldırarak arızanın
önlenebileceğinin araştırmasını yaptık.

4.3 Öğrenme Yöntemleri

Geliştirdiğimiz yapay zeka dataları makine öğrenmesi şeklinde işlemiş ve lokal

öğrenme sağlanmıştır. Oluşturulan programda lineer regresyon esas öğrenme
stratejisi kodlanmıştır. Bu şekilde program tekil arızayla ilgili datalarla beslenmiştir.
Bütün gemi için tek bir yapay zeka yerine tıpkı beynimizin lobları gibi her makine
için sadece ona ait yapay zeka kullanılmıştır. Program arıza için eğitilmiş ve test

46
edilmiştir. Sonuçalara göre arızanın gerçekleşme sürecinin yüzde 50’sinde program
arızayı oluşmadan tespit etmiştir. Bununla birlikte program arızanın gerçekleşme
yüzdesini de vererek, kritik durumlarda geminin manevraya devam etmesine yada
arızayı oluşturan sebeplerin hızla ortadan kaldırılması kararının verilmesinde
kolaylık sağlar.

47
48
5. SONUÇ VE ÖNERİLER

Şekil 5.1 : Lineer regresyon matematiksel göstergesi (SVM)

Şekil 5.1’de görüldüğü gibi makine öğrenmesinde kullandığımız lineer regresyon

belirli hata payına sahiptir.

Sistemin yapay zeka ile derin öğrenmeye evrilmesi olağandışı durumlarda da arıza
tespiti yapılmasını sağlar. Örnek verilirse: Yemen açıklarında ceza yemeniz halinde
demirde olması gerekenden daha uzun durulur ve yakıt miktarı azalırsa yakın
zamanda da planlı yakıt transferi yapılamadığında kanal geçişi için ana makineye
sludge verilebilir. Bu ana makine ve diğer makinelere zarar verir ancak deeplearning
ile süreç hemen irdelenir ve enjektörler tıkanmadan arıza tespit edilebilir.

Doğruluk payını artırmak için parça parça verileri inceleyebilir ve arızanın yüzde
kaçta olduğunu zamana bağlı öngörerek veya daha fazla veriyle sistemi eğiterek
doğruluk payını artırabiliriz.

Sunmuş olduğumuz proje kapsamında yapmış olduğumuz makine öğrenmesinin

doğruluğunu denetlemek için ROC eğrisi ve duyarlılık ve kesinlik (Precision and

49
Recall for Regression) testleri yapılmıştır. Bu testler her bir arıza durumu için ayrı
olarak yapılarak sistemin tepkisi ölçülmüştür. Elde etmiş olduğumuz doğruluk
değerleri tatmin edici sonuçlar vermiş olup arıza tahminini güvenilir hale getirmiştir.
Doğruluk değerleri aşağıdaki şekiller ile gösterilmiştir.

Şekil 5.2 : Ana makine egzoz valfinin kaçırması arızası duyarlılık ve kesinlik sonucu

Şekil 5.3 : Ana makine egzoz valfinin kaçırması arızası ROC eğrisi

50
Şekil 5.4 : Enjektör tıkanma arızası duyarlılık ve kesinlik test sonucu

Şekil 5.5 : Enjektör tıkanma arızası ROC eğrisi

51
Şekil 5.6 : Ana makine silindir gömleği çatlaması arızası duyarlılık ve kesinlik test
sonucu

Şekil 5.7 : Ana makine silindir gömleği çatlaması arızası ROC eğrisi

52
Şekil 5.8 : Ana makine krankşaft yatak eksen kayması arızası duyarlılık ve kesinlik
test sonucu

Şekil 5.9 : Ana makine krankşaft yatak eksen kayması ROC eğrisi

53
Yukarıdaki şekillerde de görüldüğü gibi yüksek doğruluk oranları elde edilmiştir.
Elde edilen bu veriler program çalıştırıldığı anda otomatik olarak hesaplanır. ROC
eğrisinde görülen referans çizgisi dik açıya ne kadar çok yaklaşırsa doğruluk o kadar
artmaktadır. Bizim elde etmiş olduğumuz ROC eğrilerinde de referans çizgisi dik
açıya oldukça yakındır. Diğer bir yandan duyarlılık ve kesinlik değerleri göz önüne
alındığında değerlerin 1’e yakın olması programın doğruluk değerini artırmaktadır ve
bizim elde etmiş olduğumuz değerler de 1’e yakındır. Böylece arıza tespiti ve makine
durumunun izlemek için sunmuş olduğumuz projede tatmin edici sonuçlar elde
edilmiştir.

Doğruluk değerlerinin hesaplanmasına ek olarak sistemin çalışmasını kolaylaştırmak

adına PCA metodu kullanılmıştır. PCA ile parametrelerin arızaya etkisi hesaplanarak
ağırlıkları belirlenmiş ve parametre sayısı azaltılmıştır. Her bir arıza durumu için
PCA kullanılmış ve parametre sayısı 3’e düşürülmüştür. Bu işlemin yapılmasındaki
amaç programın çalışma süresini kısaltmak ve kolayca hesaplayabilmesini
sağlayabilmektir.

54
KAYNAKLAR

[1] D. Watzenig, M. S. Sommer, ve G. Steiner, “Engine state monitoring and fault

diagnosis of large marine diesel engines”, Elektrotechnik und
Informationstechnik, c. 126, sayı 5, ss. 173–179, 2009, doi: 10.1007/s00502-
009-0639-z.

[2] X. Xu vd., “Machine learning-based wear fault diagnosis for marine diesel
engine by fusing multiple data-driven models”, Knowledge-Based Syst., c.
190, s. 105324, 2020, doi: 10.1016/j.knosys.2019.105324.

[3] X. Yan, Z. Li, C. Yuan, Z. Guo, Z. Tian, ve C. Sheng, “On-line condition

monitoring and remote fault diagnosis for marine diesel engines using
tribological information”, Chem. Eng. Trans., c. 33, ss. 805–810, 2013, doi:
10.3303/CET1333135.

[4] Z. Li, X. Yan, C. Yuan, ve Z. Peng, “Intelligent fault diagnosis method for
marine diesel engines using instantaneous angular speed”, J. Mech. Sci.
Technol., c. 26, sayı 8, ss. 2413–2423, 2012, doi: 10.1007/s12206-012-0621-2.

[5] C. B. and C. B. Jeffrey Banks, Jason Hines, Mitchell Lebold, Robert

Campbell, “Defense Technical Information Center Compilation Part Notice
ADP023727”, 2007, [Çevrimiçi]. Available at:
http://www.dtic.mil/dtic/tr/fulltext/u2/p023723.pdf.

[6] I. Lazakis, Y. Raptodimos, ve T. Varelas, “Predicting ship machinery system

condition through analytical reliability tools and artificial neural networks”,
Ocean Eng., c. 152, sayı November 2017, ss. 404–415, 2018, doi:
10.1016/j.oceaneng.2017.11.017.

[7] O. C. Basurko ve Z. Uriondo, “Condition-based maintenance for medium

speed diesel engines used in vessels in operation”, Appl. Therm. Eng., c. 80,
sayı x, ss. 404–412, 2015, doi: 10.1016/j.applthermaleng.2015.01.075.

55
[8] A. YILDIZ, “Industry 4.0 and smart factories”, Sak. Univ. J. Sci., c. 22, sayı 2,
ss. 1–1, 2018, doi: 10.16984/saufenbilder.321957.

[9] A. Faz, “Çukurova Üniversitesi İİBF Dergisi”, 2017.

[10] “Diesel engine - Wikipedia”. https://en.wikipedia.org/wiki/Diesel_engine

(erişim May. 31, 2020).

[11] N. Hemmerlein, V. Korte, H. Richter, ve G. Schröder, “Performance, exhaust

emissions and durability of modern diesel engines running on Rapeseed Oil”,
içinde SAE Technical Papers, Şub. 1991, c. 1, doi: 10.4271/910848.

[12] “Theory and Construction of a Rational Heat Motor - Wikipedia”.

https://en.wikipedia.org/wiki/Theory_and_Construction_of_a_Rational_Heat_
Motor (erişim Haz. 01, 2020).

[13] C. Gkerekos, I. Lazakis, ve G. Theotokatos, “Ship machinery condition

monitoring using performance data through supervised learning”, RINA, R.
Inst. Nav. Archit. - Smart Sh. Technol. 2017, sayı April 2018, 2017.

[14] K. Dikis, I. Lazakis, ve O. Turan, “Probabilistic Risk Assessment of Condition

Monitoring of Marine Diesel Engines”, Int. Conf. Marit. Technol. 2014, 7-9
July 2014, Glas. United Kingdom, sayı July, ss. 1–9, 2014.

[15] A. Diez-Olivan, J. Del Ser, D. Galar, ve B. Sierra, “Data fusion and machine
learning for industrial prognosis: Trends and perspectives towards Industry
4.0”, Inf. Fusion, c. 50, sayı July 2018, ss. 92–111, 2019, doi:
10.1016/j.inffus.2018.10.005.

[16] Á. M. Hernández Mejías ve D. Galar, Techniques of Prognostics for

Condition-Based Maintenance in Different Types of Assets. 2014.

[17] L. List, M. Economics, ve M. Economics, Maritime economics, c. 47, sayı 07.

2010.

[18] I. Lazakis ve A. Ölçer, “Selection of the best maintenance approach in the

maritime industry under fuzzy multiple attributive group decision-making
environment”, Proc. Inst. Mech. Eng. Part M J. Eng. Marit. Environ., c. 230,
sayı 2, ss. 297–309, 2014, doi: 10.1177/1475090215569819.

[19] G. Chandroth, “Condition monitoring: The case for integrating data from

56
 independent sources”, J. Mar. Eng. Technol., c. 3, sayı 1, ss. 9–16, 2004, doi:
10.1080/20464177.2004.11020175.

[20] J. Porteiro, J. Collazo, D. Patiño, ve J. L. Míguez, “Diesel engine condition

monitoring using a multi-net neural network system with nonintrusive
sensors”, Appl. Therm. Eng., c. 31, sayı 17–18, ss. 4097–4105, 2011, doi:
10.1016/j.applthermaleng.2011.08.020.

[21] I. Emovon, R. A. Norman, ve A. J. Murphy, “Hybrid MCDM based

methodology for selecting the optimum maintenance strategy for ship
machinery systems”, J. Intell. Manuf., c. 29, sayı 3, ss. 519–531, 2018, doi:
10.1007/s10845-015-1133-6.

[22] M. Tahan, E. Tsoutsanis, M. Muhammad, ve Z. A. Abdul Karim,

“Performance-based health monitoring, diagnostics and prognostics for
condition-based maintenance of gas turbines: A review”, Appl. Energy, c. 198,
ss. 122–144, 2017, doi: 10.1016/j.apenergy.2017.04.048.

[23] Y. Liu, Z. Liu, Y. Xie, ve Z. Yao, “Research on an on-line wear condition

monitoring system for marine diesel engine”, Tribol. Int., c. 33, sayı 12, ss.
829–835, 2000, doi: 10.1016/S0301-679X(00)00128-6.

[24] Z. Yu-iong, W. E. I. Wei, H. U. O. Chong-fu, ve Y. Zhi-yuan, “of Marine”,

sayı 4, ss. 1224–1227, 2009.

[25] M. Cheliotis, C. Gkerekos, I. Lazakis, ve G. Theotokatos, “A novel data

condition and performance hybrid imputation method for energy efficient
operations of marine systems”, Ocean Eng., c. 188, sayı July, s. 106220, 2019,
doi: 10.1016/j.oceaneng.2019.106220.

[26] A. Widodo ve B. S. Yang, “Machine health prognostics using survival

probability and support vector machine”, Expert Syst. Appl., c. 38, sayı 7, ss.
8430–8437, 2011, doi: 10.1016/j.eswa.2011.01.038.

[27] J. Zhu, “Marine Diesel Engine Condition Monitoring by Use of BP Neural

Network”, Int. MultiConference Eng. Comput. Sci. 2009, c. II, s. Vol II, 2009.

[28] D. Bocchetti, M. Giorgio, M. Guida, ve G. Pulcini, “A competing risk model

for the reliability of cylinder liners in marine Diesel engines”, Reliab. Eng.
Syst. Saf., c. 94, sayı 8, ss. 1299–1307, 2009, doi: 10.1016/j.ress.2009.01.010.

57
[29] H. M. Nahim, R. Younes, H. Shraim, ve M. Ouladsine, “Oriented review to
potential simulator for faults modeling in diesel engine”, J. Mar. Sci. Technol.,
c. 21, sayı 3, ss. 533–551, 2016, doi: 10.1007/s00773-015-0358-6.

[30] A. S. Willsky, “A survey of design methods for failure detection in dynamic

systems”, Automatica, c. 12, sayı 6, ss. 601–611, 1976, doi: 10.1016/0005-
1098(76)90041-8.

58
ÖZGEÇMİŞ

Ad-Soyad : Mehmet GÖÇER

Doğum Tarihi ve Yeri : 07.01.1995/Ankara
E-posta : mehmetgocer@outlook.com

ÖZGEÇMİŞ

Ad-Soyad : Fatih Muhammet KÜÇÜK

Doğum Tarihi ve Yeri : 08.04.1996/İstanbul
E-posta : kralpark@icloud.com

59
60