Professional Documents
Culture Documents
AKÜ FEMÜBİD 20 (2020) 067203 (1178-1186) AKU J. Sci. Eng. 20 (2020) 067203 (1178-1186)
DOI: 10.35414/akufemubid.698756
Araştırma Makalesi / Research Article
Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz
Öğrenme Uygulaması
Oğuz BEKTAŞ
İstanbul Medeniyet Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Makine Mühendisliği Bölümü, İstanbul.
PhD: University of Warwick, MSc: Queen Mary University of London
Öz
Hava araçları, işlevleri ve yapıları gereği, bulundukları operasyon boyunca birden fazla değişken rejim
Anahtar kelimeler
içinde bulunmaktadırlar. Kalkış, iniş, tırmanış, düz uçuş, yatay düzlemde dönüş vb durumlarda hava
Havacılık; Hava
aracından elde edilen veriler farklılık göstermekte ve sinyal değerleri içinde bulundukları çevre ve
Araçları; Uçuş Verileri
uygulamalara göre değişmektedir. Bu makalede, aynı grupta bulunan uçuş veri kümelerinin diğer veri
ve Rejimleri;
kümelerine göre daha ayırt edici olan karakteristik özelliklerine göre sınıflandırılması ve uçuş
Gözetimsiz Öğrenme;
Özdüzenleyici Haritalar rejimlerinin bu kümeler amacıyla saptanması amaçlanmıştır. Bu amaçla, yapay sinir ağlarının gözetimsiz
bir eğitim biçimini kullanan "Özdüzenleyici Haritalar" yöntemi kullanılmış ve bölümlendirme işlemi
Yöntemi; Kümeleme
rekabetçi öğrenme ve haritalama sistemiyle tamamlanmıştır. Böylece, birden fazla boyutta bulunan
farklı verilerin işaretlenerek, rejim bazında çalışılmasına olanak sağlanmıştır.
Özellikle, küme analizi (veya yaygın bilinen ismi ile bir görev olmuştur. Kümeleme algoritmalarının
kümeleme) bu ön işlemenin başlıca aşamalarından temel amacı, büyük yapılandırılmış veya
biri olup sinyal işleme problemlerini çözmek için yapılandırılmamış veri kümelerini anlamlandırmak
kullanılan dönüştürme işlemlerinden biridir. Farklı ve bunlardan daha kullanışlı olacak değerler
boyutlarda bulunan sinyal değerlerinin aynı çıkarmaktır. Büyük boyutlu yapılandırılmamış
sınıflandırmada yer alması için diğer grup verilerle çalışıldığında, verileri analiz etmeye
elementlerinden farklı olarak herhangi bir şekilde başlamadan önce istikrarlı bir tür gruplamaya
birbirine paralel olup olmadıklarına karar verilebilir. ayırmaya çalışmak mantıklıdır. Kümeleme ve verileri
Böylece, verilerin tek düzeye indirgenebilmeleri sınıflandırma, toplu olarak kapsamlı bir bakış açısına
ve/veya istenilen düzeyde etiketlendirilerek sahip olmaya ve ardından yapılacak olan analize
bulundukları boyutta işlenebilmelerine olanak daha derinlemesine girmeden önce bazı mantıksal
sağlanabilmektedir. Kümeleme yöntemleri, temelde yapılar oluşturulmasına olanak tanır. Kümeleme
bir sınıflandırmayı nelerin oluşturduğu ve bunların yöntemleri, bir kümedeki iki veri noktasının birbirine
nasıl etkili bir şekilde tespit edileceği bakımından benzeyeceği şekilde belirli sayıda grup veya
farklılık gösterir. kategoriye verileri tahsis ederken, farklı kümelerden
gelen veri noktalarını ayrı olarak sınıflar.
Havacılık sistemlerinde operasyon durumunun
izlenmesinde başlıca sorun, verilerin çok boyutlu ve Havacılık sistemleri ve benzeri karmaşık sistemlerde,
gürültülü olmalarından dolayı sahip oldukları verilerin sınıflandırılması ve kümelenmesi amacıyla
karakteristikleridir. Veri analizi doğru bir şekilde ele Gauss karışım modeli (McLachlan and Peel 2004), en
alınsa bile, veri işleme birden fazla operasyonel yakın komşu algoritması (Ramasso 2014), K-
rejim yapısının neden olacağı kısıtlamaların ortalama (Lam 2014), ve bulanık eseme c-ortalama
üstesinden gelebilecek etkili tekniklere (Sugeno 1993) gibi modellemeler kullanılmıştır.
dayanmalıdır. Ayrıca, bu verilerin anlamlı ve Kullanılan bu uygulamalardan gözetimli öğrenme
kullanışlı bilgilere dönüştürülmesine ihtiyaç vardır. algoritmaları farklı kümelere keskin bir sınıflandırma
Literatürde, Fourier Dönüşümü (Bracewell 1986, sağladığından ötürü; uçuş boyunca her bir rejimde
Ozaktas ve Kutay 2001, Lindon and Ferrige 1980), bulunan verilerin centroidlerinin değişmesine karşı
Dalgacık Dönüşümü (Aballe et al. 1999, Garguet- elverişsiz olabilmektedirler. Bu sorun k- ortalama
Duport et al. 1996, Koçyiğit ve Korürek 2010), gibi gözetimsiz modeller ile çözülebilse de, tam
Kalman filtresi (Chui and Chen 2017) gibi birçok veri olarak bir öğrenme olmadığı için görece daha basit
işleme stratejisi olmuştur. Bunlar gibi sinyal işleme bu gözetimsiz modeller karmaşık verileri
yaklaşımları çok çeşitli problemlerle başa çıkmak ve kümelemede kötü bir performans çıkarır. Bununla
farklı olayları anlamak için vazgeçilmez bir rol birlikte, günümüzde giderek kullanım alanları artan
oynarken, küme analizi her zaman önemli ve birincil ve adını duyurmaya başlayan Big Data (Büyük Veri)
1179
Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz Öğrenme Uygulaması, Bektaş
konusunun kümeleme ile birlikte ele alınması (gözetimsiz) öğrenme, birincil verilerin
gerekmektedir. Her ne kadar bu olgu teknolojinin kümelenmesini ve nihayetinde hiyerarşik olarak
ilerlemesi ile önem kazanmış olarak görülse de düzenlenmiş bir şekilde tespit edilmelerini sağlar
yıllardır havacılık alanında durum izleme verilerinin (Özçalıcı 2017).
elde edilmesi gelişimini tamamlamıştır. Fakat, bu
Bu çalışmada sunulan öğrenme algoritması, "𝑋"
boyutta veri içeriklerinin görece daha gelişmiş
girişinin bir nöral ağ yapısındaki "𝑀" nöronları
modellemeler ile analiz edilmesi gerekmektedir.
kümesine eşlenmesini sağlayan doğrusal olmayan
Uçuş rejimlerinin karmaşıklığından (bknz. Şekil 1.
bir topoloji oluşturur ve aşağıda belirtilen şekilde
Uçuş operasyon aşamaları) ve hedef tanımlamasının
formülize edilir (Kohonen 1990, Wittek 2013, Wittek
etkilemesinden kaçınmak için, verilerin sebep-sonuç
et al. 2017).
biçiminde etiketlenmesinden farklı olarak birbirleri
arasındaki ilişkiler genel olarak giriş verişi ile 𝑋 = {𝑥(𝑡) | 𝑡 ∈ {𝑡0 , … , 𝑡𝑓 }} (1)
öğrenilebilir. Böylece, öğrenme için çıkış verisi
𝑀 = {𝑛1 , … , 𝑛𝑘 } (2)
sağlanmadan örneklerin birbirine olan uzaklıklarını,
komşuluk ilişkilerini ve yoğunluklarını kullanarak Burada, sırasıyla 𝑡0 ve 𝑡𝑓 eğitimin başlangıç ve bitiş
sınıflandırma ile ilgili çıkarımlar yapılabilir (Bektaş noktalarını temsil etmektedir. 𝑛1 , … , 𝑛𝑘 nöronları,
2020b). Tam bu noktada, özdüzenleyici haritalar aşağıdaki ağırlık vektörleriyle bir ızgaraya
yönteminin kullanılması, karmaşık uçuş rejimlerine yerleştirilir.
sahip büyük verilerin yüksek performans ile
kümelenmesi için bir avantaj sağlar. Burada modelin 𝑊 = {𝑤1 (𝑡), … , 𝑤𝑘 (𝑡)} (3)
sunduğu bir diğer fayda ise; rejimlerin kolay bir
Daha sonra, her bir veri noktası için “𝑀” nöronları
biçimde ve iki boyutlu olacak şekilde kümesindeki en iyi eşleşen “BM” birim hesaplanır.
görselleştirilmeleri; böylelikle bölümlemek için
kullanılmalarıdır. Ayrıca; özdüzenleyici haritalar BM(𝑥(𝑡)) = 𝑛𝑏 ∈ 𝑀 (4)
diğer yöntemlere kıyasla hesaplama
Böylece, “𝑑” veri kümesindeki mesafe fonksiyonu
gereksinimlerini de azaltır.
özellik alanında aşağıdaki gibi düzenlenir:
Bu çalışma beş bölümden oluşmaktadır. İkinci 𝑑(𝑥(𝑡), 𝑤𝑏 (𝑡)) ≤ 𝑑 (𝑥(𝑡), 𝑤𝑗 (𝑡)) (5)
bölüm, alan ve modelle ile ilgili geçmişte bulunan
çalışmalar ve literatürü içermektedir. Sonrasındaki ∀ 𝑤𝑗 (𝑡) ∈ 𝑊, (6)
bölüm ise uygulama seti ve özdüzenleyici haritalar
yöntemini incelemektedir. Dördüncü bölüm, test Daha sonra dizi, yeni 𝑤𝑗 (𝑡 + 1)'ın eski 𝑤𝑗 (𝑡) ve yeni
uygulaması ve ortaya çıkan sonuçları analiz 𝑥 (𝑡)'den yinelemeli olarak hesaplandığı
etmektedir. Son bölümde ise çalışmanın düzgünleştirme tipi bir işlem olarak formüle edilir.
çözümlemesi, kısıtları ve gelecekte olabilecek
𝑤𝑗 (𝑡 + 1) = 𝑤𝑗 (𝑡) + 𝛼ℎ𝑏𝑗 (𝑡) (𝑥(𝑡) − 𝑤𝑗 (𝑡)) (7)
potansiyel çalışma önerileri yer almaktadır.
Burada "𝛼", düzeltme boyutunu tanımlayan skaler
2. Metot ve Materyal bir öğrenme faktörüdür; değer "𝑡" endeksi ile azalır.
"ℎ𝑏𝑗 (𝑡)" konumu koşullara bağlı olan komşuluk
Özdüzenleyici haritalar yönteminde öğrenmenin
temel amacı, ağ bölümlerinin belirli girdi işlevidir. Bu işlev genellikle Gaussian olarak alınır
örüntülerine karşı benzer şekilde karşılık vermesini (Wittek et al. 2017).
sağlamaktır. Ağ bölümleri aynı girişleri kendilerinin −‖𝑟𝑏 −𝑟𝑗 ‖
ℎ𝑏𝑗 = exp ( 𝛿(𝑡)
) (8)
dahili parametreleriyle karşılaştırır. Sonrasında,
kazanan (winner) olarak da adlandırılan en iyi
Burada "𝑟𝑏 " ve "𝑟𝑗 " düğümlerin koordinatlarıdır.
eşleşmeye sahip bölüm (best match) daha sonra bu
" 𝛿(𝑡)" genişliği, etki alanını daraltmak için monoton
girdiye göre ayarlanır. Bu tür gerçek bir rekabetçi
1180
Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz Öğrenme Uygulaması, Bektaş
olarak azalır. Bundan sonra, ağırlık güncellemesinin tanımlar. Sinir ağlarında bulunan diğer eğitim
toplu formülasyonu şu şekilde hesaplanır: algoritmalarının metodolojilerinden farklı olarak,
𝑡𝑓 özdüzenleyici haritalar yöntemi bir çıkış vektörü
∑ ′ ℎ (𝑡 ′ ) 𝑥(𝑡 ′ )
𝑥 = 𝑡0 𝑏𝑗
𝑤𝑗 (𝑡𝑓 ) = 𝑡 (9) gerektirmez ve 𝑥1 , ... , 𝑥𝑛 'yi herhangi bir dış denetim
∑ 𝑓′ ℎ𝑏𝑗 (𝑡 ′ )
𝑥 = 𝑡0 olmadan sınıflandırabilir. Şekil 2 görselinden de
anlaşılacağı üzere özdüzenleyici haritaların yapısı
Burada belirtilen özdüzenleyici haritalar yönteminin nispeten daha kolay anlaşılabilir grafiklere olanak
görseli Şekil 2'de grafik ile açıklanmıştır. Görseldeki sağlamaktadır. Fakat, yapılarının detaylı analizleri
metot, 𝑥1 , ... , 𝑥𝑛 , boyunca yayılan giriş veri diğer yapay sinir ağlarına paralel şekilde oldukça
uzayından iki boyutlu bir düğüm dizisine bir eşleme zordur (Özçalıcı 2017).
3. Veri Seti ve Çalışmanın Vaka Analizi etkisi olan üç çalışma ayarı vardır. Bu ayarlar, 0-42
bin ft. arasında değişen rakım, 0-0.84 arası Mach
Çalışmanın vaka analizi için kullanılan senaryo, sayısı ile 60 veya 100 değerinde throttle resolver
operasyonel döngü geçmişleri boyunca izlenmiş set açısı (TRA) olarak dahil edilmiştir (bknz Çizelge 1.
verileri yardımıyla yapılmaktadır. Bu amacı Operasyon Set Verileri). Veriler ayrıca sensor
gerçekleştirmek için bir uçuştan diğerine farklı uçuş gürültüsü ile kirletilmiştir. Çalışmada, bu veri
koşullarında çalışan bir uçak motor ünitesinin setinden bir uçuş yörüngesi (trajectory) alınarak
modellemesinden alınan bilgi kullanılmaktadır sunulun metot uygulanmıştır. Burada kullanılan
(Saxena et al. 2008). Bu nedenle veri seti, çeşitli yörünge, aynı uçak motorundan uzun bir zamanda
faktörlere bağlı olarak, miktar ve oran bakımından toplanan verileri içeren ve normal çalışma
her uçuş aşaması için farklı olacaktır. Belirli bir uçuş koşullarından bir performans bozukluğuna kadar
sırasında değişen rejimler, yalnızca uçuş süresi ve olan operasyonel süreleri, run-to-failure, ihtiva eden
uçuş koşullarına bağlı olarak doğrudan bir operasyonlar bütünüdür. Dolayısıyla, bu yörünge
ölçülemeyeceği ve dolayısıyla her uçuş sırasında uçak motorunun kullanışlı operasyon süresince
toplanan sensor verilerinden çıkarılan bilgilere birçok uçuşundan alınmış enstantane (snapshot)
dayanması gerekmektedir. Modellenen bu verilerden oluşmaktadır. Bu özelliğinden ötürü, veri
senaryoda, motor performansı üzerinde önemli bir seti görece yoğundur. Enstantane veriler rastgele
1181
Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz Öğrenme Uygulaması, Bektaş
seçildiği için rejimler arası geçişlerde bir sıra nöron ve çevresinde bulunan ağırlık vektörleri,
bulunmamakta ve bu da; yapılacak olan analizi daha verilen gözlemlere göre yenilenmektedir (Kohonen
da zorlayarak kullanılan model performansının daha 2001).
iyi bir biçimde ölçülmesine olanak sağlamaktadır.
1182
Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz Öğrenme Uygulaması, Bektaş
0 0 100 0.003
Şekil 4. Mach sayısı (0-0.84) set verisine göre rejimlerin
kümelenmesi 20 0.7 100 0.006
25 0.62 60 0.006
1183
Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz Öğrenme Uygulaması, Bektaş
1184
Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz Öğrenme Uygulaması, Bektaş
ihtiyacına, durum izleme verilerini başarılı bir şekilde Kohonen, T. 2001. Self-Organizing Maps. In Springer
kümeleyerek karşılık verilmiştir. Bundan ötürü, Series in Information Sciences, 30, 501.
uygulama önemli bir potansiyele sahiptir. Fakat uçuş
rejimleri genellikle bu makalede kullanılan vaka Lindon, J. C., and Ferrige, A. G. 1980. Digitisation and data
analizinden daha karmaşık bir yapıdadır ve bu processing in Fourier transform NMR. Progress in
durum gelecek projeler için önemli bir çalışma Nuclear Magnetic Resonance Spectroscopy, 14(1), 27-
alanına işaret etmektedir. 66.
1185
Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz Öğrenme Uygulaması, Bektaş
Wittek, P., Gao, S. C., Lim, I. S., & Zhao, L. 2017. Somoclu:
An Efficient Parallel Library for Self-Organizing Maps.
Journal of Statistical Software, 78(9), 1-21
1186